Kan AI identifiera tuberkulos från hostljudsupptagningar med bättre noggrannhet än mänskliga läkare ?

Tuberkulos förblir en ledande smittsam dödsorsak världen över, och tidig diagnos är avgörande för behandlingens framgång. Hosta ljud innehåller akustiska signaturer som är unika för olika andningsbesvär. AI-modeller utvecklas för att analysera hostinspelningar efter specifika biomarkörer för tuberkulosinfektion. Dessa system skulle kunna möjliggöra fjärr- och lågkostnadsscreening i resursbegränsade miljöer. Sådana verktyg måste genomgå rigorös validering mot olika populationer för att säkerställa tillförlitlighet.

Nya studier visar att AI kan identifiera tuberkulos från hostljud med en noggrannhet som är jämförbar med eller överstiger den hos utbildade kliniker, särskilt i resursbegränsade miljöer. Till exempel har forskning med faltningsnätverk och överföringsinlärning på crowdsourcade hostdatabaser rapporterat sensitivitet och specificitet på cirka 90–95 % vid detektion av TB-specifika akustiska biomarkörer. Dessa system är dock ofta beroende av högkvalitativa inspelningar och kan ha svårt med förväxlingsfaktorer som bakgrundsljud eller samtidigt förekommande andningsbesvär. Implementering i verkliga kliniska miljöer är fortfarande begränsad, och regulatorisk validering pågår.

— Utökad 12 maj 2026 · Källa: Världshälsoorganisationen — https://www.who.int/publications/i/item/9789240079242