Platforma umělé inteligence Swaasa dosáhla 90procentní přesnosti v rozlišení zdravých jedinců od pacientů s respiračními onemocněními, podle prospektivních výsledků klinické validace publikovaných v Frontiers in Medicine – výsledek, který by mohl změnit způsob, jakým se plicní onemocnění vyšetřují mimo tradiční kliniky.
Zjištění, o kterých tento týden informoval Bioengineer.org, pocházejí z jednoho z dosud větších prospektivních hodnocení screeningu AI založeného na kašli a přicházejí, když zdravotnické systémy po celém světě hledají levnější způsoby, jak dříve odhalit chronické respirační onemocnění. Je to druh postupného, ale přísně testovaného pokroku v nejnovějším vývoji umělé inteligence, který často říká více o tom, kam lékařská umělá inteligence skutečně směřuje, než uvedení jakéhokoli produktu na trh.
Jak Swaasa funguje
Swaasa je vyšetřovací platforma, která funguje jako software jako lékařské zařízení a používá algoritmy umělé inteligence na záznamy kašle zachycené na mobilním zařízení. Platforma, vyvinutá pro generování automatických klinických indikací z akustických signálů, vyhodnocuje záznamy kašle, aby určila celkové riziko jako normální nebo abnormální, klasifikuje spirometrické fyziologické vzorce jako obstrukční, restriktivní nebo normální a odhaduje závažnost vzoru jako mírné, střední nebo těžké.
Kromě fyziologie systém generuje diagnostické indikace týkající se přítomnosti specifických respiračních stavů, včetně astmatu, chronické obstrukční plicní nemoci (COPD), intersticiálního plicního onemocnění a bronchiektázie. Slib je jasný: pětisekundové zakašlání do mikrofonu telefonu by mohlo upozornit na příznaky vážného onemocnění plic, než se pacient vůbec dostane do spirometrické laboratoře.
Uvnitř soudu
Prospektivní klinická studie byla zaregistrována pod CTRI/2021/04/032742 dne 12. dubna 2021 a zahrnovala dospělé účastníky ve věku 18 let a starší, kteří se dostavili na oddělení nemocnice s respiračními příznaky. První zápis byl zahájen 19. dubna 2021 a zkušební období skončilo 14. září 2023.
Finální kohorta zahrnovala 2 179 pacientů s respiračním onemocněním spolu s 827 normálními jednotlivci, přičemž muži tvořili 62 procent hodnocené studijní populace. Během protokolu byly zaznamenány zvuky kašle účastníků na mobilním zařízení s platformou Swaasa AI a pro srovnání byla provedena spirometrie.
Studie stanovila spirometrii jako referenční standard pro fyziologický vzorec a závažnost vzoru, zatímco klinické diagnózy stanovené lékařem sloužily jako referenční standard pro kategorie onemocnění. Polychotomické proměnné byly dichotomizovány na normální versus abnormální klasifikace a byly stanoveny multitřídní výstupy pro stav onemocnění, závažnost vzoru a jednotlivé kategorie onemocnění.
Výkonnostní čísla
V binárních klasifikacích platforma prokázala 90procentní přesnost při odlišení normálních jedinců od jedinců s abnormálními respiračními stavy, což odpovídá 90procentní přesnosti zaznamenané pro identifikaci normální versus abnormální spirometrie. Popisné analýzy podskupin ukázaly, že výkon screeningu byl široce srovnatelný napříč hodnocenými skupinami pacientů podle věku a pohlaví.
Výsledky několika tříd byly úctyhodné, i když méně nápadné. Platforma dosáhla přesnosti v rozsahu mezi 79 procenty a 84 procenty pro klasifikaci spirometrických vzorů a mezi 76 procenty a 84,5 procenty pro klasifikaci závažnosti vzorů. Při rozlišení konkrétních typů onemocnění mezi astmatem, CHOPN, intersticiální plicní chorobou a bronchiektáziemi se přesnost pohybovala od 83 procent do 93 procent.
Kdo to postavil
Autoři studie jsou spojeni s Christian Medical College Vellore, Salcit Technologies Private Limited – vývojář Swaasa – a The Tamil Nadu Dr MGR Medical University. Autoři dospěli k závěru, že Swaasa prokazuje slibnou výkonnost screeningu napříč demografickými podskupinami ve studované populaci.
Struktura spolupráce je pozoruhodná: akademické lékařské centrum poskytující klinickou přísnost, lékařská univerzita a startup dodávající akustickou umělou inteligenci. Tato kombinace – lékaři ověřující algoritmus startupu oproti zavedeným diagnostickým metodám – je stále více šablonou pro důvěryhodný lékařský výzkum umělé inteligence, na rozdíl od benchmarků řízených dodavatelem, které vyvolaly oprávněnou skepsi.
Proč na akustice kašle záleží
Spirometrie, současný zlatý standard pro funkci plic, vyžaduje vybavení, vyškolené techniky a spolupracujícího pacienta provádějícího manévry nuceného dýchání. Nahrávání kašle vyžaduje telefon. Pokud screening AI dokáže spolehlivě určit, kdo potřebuje konfirmační testování, ekonomika respiračního screeningu se zásadně změní, zejména u stavů, jako je CHOPN, které jsou běžně diagnostikovány pozdě.
Výhrady jsou skutečné. Jednalo se o hospitalizaci symptomatických dospělých, nikoli o komunitní screening obecné populace, a přesnost kontrolovaného prospektivního protokolu se může lišit od chaotického nasazení v reálném světě. Platforma zůstává výzkumná a 90procentní přesnost v rozlišení normálního od abnormálního neznamená, že dokáže v každém případě spolehlivě rozlišit čtyři různá onemocnění – rozsahy více tříd to jasně ukazují.
Regulační cesta je dalším úzkým hrdlem. Vzhledem k tomu, že Swaasa je umístěna jako Software jako zdravotnický prostředek, její diagnostické indikace budou muset vyjasnit procesy dohledu, které se vztahují na nástroje klinického rozhodování, než bude moci přejít z výzkumného použití do rutinní péče. Prospektivní ověření zveřejněné v recenzovaném časopise je předpokladem pro tento rozhovor, nikoli jeho náhradou.
Ve prospěch platformy hraje i praktická asymetrie. Spirometrie vyžaduje vybavení, kalibraci a vyškoleného technika v místnosti; záznam kašle vyžaduje zařízení, které většina pacientů již vlastní, a manévr, který každý pacient již zná. Při screeningu, kde je cílem rozhodnout, kdo potřebuje potvrzující testování spíše než poskytnout konečnou diagnózu, může o něco méně přesný test, který zasáhne desetkrát více lidí, zachránit více životů než přesný test, který sedí v nemocničním suterénu. Zjištění studie, že výkon zůstal stabilní napříč věkovými a genderovými skupinami, je přesně ten druh konzistence, který screeningový nástroj potřebuje ke škálování.
Přesto záleží na trajektorii. Obrazovka na telefonu ověřená spirometrií u více než 3 000 účastníků již není trikem v salonu. Dalším testem je nasazení: zda screening umělé inteligence založený na kašli dokáže udržet svou přesnost na klinikách, lékárnách a domácnostech a zda regulační orgány a lékaři přijmou diagnostický signál, který pochází ze zvuku, na který většina lidí sotva myslí.
---
Stay Ahead of AIZískejte nejnovější zprávy, analýzy a průlomové informace o umělé inteligenci – vše na jednom místě.
Přečtěte si další zprávy o AI →
