Het kunstmatige-intelligentieplatform van Swaasa behaalde een nauwkeurigheid van 90 procent bij het onderscheiden van gezonde individuen van patiënten met luchtwegaandoeningen, volgens prospectieve klinische validatieresultaten gepubliceerd in Frontiers in Medicine – een resultaat dat een nieuwe vorm zou kunnen geven aan de manier waarop longziekten worden gescreend buiten traditionele klinieken.

De bevindingen, deze week gerapporteerd door Bioengineer.org, komen uit een van de grotere prospectieve evaluaties van op hoest gebaseerde AI-screening tot nu toe, en komen tot stand nu gezondheidszorgsystemen wereldwijd zoeken naar goedkopere manieren om chronische luchtwegaandoeningen eerder op te sporen. Het is het soort stapsgewijze maar rigoureus geteste vooruitgang in de nieuwste AI-ontwikkelingen die vaak meer zegt over waar medische AI ​​naartoe gaat dan welke productlancering dan ook.

Hoe Swaasa werkt

Swaasa is een onderzoeksplatform dat functioneert als software als medisch hulpmiddel en dat algoritmen voor kunstmatige intelligentie toepast op hoestopnamen die op een mobiel apparaat zijn vastgelegd. Het platform is ontwikkeld om geautomatiseerde klinische indicaties uit akoestische signalen te genereren en evalueert hoestopnames om het algehele risico als normaal of abnormaal te bepalen, spirometrische fysiologische patronen te classificeren als obstructief, restrictief of normaal, en de ernst van het patroon in te schatten als mild, matig of ernstig.

Naast fysiologie genereert het systeem diagnostische indicaties met betrekking tot de aanwezigheid van specifieke ademhalingsaandoeningen, waaronder astma, chronische obstructieve longziekte (COPD), interstitiële longziekte en bronchiëctasieën. De belofte is eenvoudig: een hoest van vijf seconden in de microfoon van een telefoon kan tekenen van een ernstige longziekte signaleren voordat een patiënt ooit een spirometrielaboratorium bereikt.

Binnen de proef

De prospectieve klinische studie werd op 12 april 2021 geregistreerd onder CTRI/2021/04/032742, waarbij volwassen deelnemers van 18 jaar en ouder werden ingeschreven die zich met ademhalingssymptomen op ziekenhuisafdelingen meldden. De eerste inschrijving begon op 19 april 2021 en de proef eindigde op 14 september 2023.

Het laatste cohort omvatte 2.179 patiënten met luchtwegaandoeningen naast 827 normale individuen, waarbij mannelijke deelnemers 62 procent van de geëvalueerde onderzoekspopulatie uitmaakten. Tijdens het protocol werden de hoestgeluiden van de deelnemers opgenomen op een mobiel apparaat waarop het Swaasa AI-platform draaide, en ter vergelijking werd spirometrie uitgevoerd.

In het onderzoek werd spirometrie vastgesteld als de referentiestandaard voor fysiologische patronen en patroonernst, terwijl door artsen vastgestelde klinische diagnoses dienden als referentiestandaard voor ziektecategorieën. Polychotome variabelen werden gedichotomiseerd in normale versus abnormale classificaties, en outputs van meerdere klassen werden vastgesteld voor ziektetoestand, patroonernst en individuele ziektecategorieën.

De prestatienummers

In binaire classificaties toonde het platform een nauwkeurigheid van 90 procent bij het onderscheiden van normale individuen van mensen met abnormale ademhalingsaandoeningen, wat overeenkomt met de nauwkeurigheid van 90 procent die is geregistreerd voor het identificeren van normale versus abnormale spirometrie. Beschrijvende subgroepanalyses toonden aan dat de screeningprestaties in grote lijnen vergelijkbaar waren tussen de geëvalueerde leeftijds- en geslachtsgroepen van patiënten.

De resultaten in meerdere klassen waren respectabel, zij het minder opvallend. Het platform behaalde nauwkeurigheidsbereiken tussen 79 procent en 84 procent voor het classificeren van spirometrische patronen, en tussen 76 procent en 84,5 procent voor het classificeren van de ernst van patronen. Bij het onderscheiden van specifieke ziektetypen onder astma, COPD, interstitiële longziekte en bronchiëctasie varieerde de nauwkeurigheid van 83 procent tot 93 procent.

Wie heeft het gebouwd

De auteurs van het onderzoek zijn verbonden aan Christian Medical College Vellore, Salcit Technologies Private Limited – de ontwikkelaar van Swaasa – en The Tamil Nadu Dr. MGR Medical University. De auteurs concludeerden dat Swaasa veelbelovende screeningprestaties laat zien in demografische subgroepen in de bestudeerde populatie.

De samenwerkingsstructuur is opmerkelijk: een academisch medisch centrum dat klinische nauwkeurigheid biedt, een medische universiteit en een startup die de akoestische AI ​​levert. Die combinatie – artsen die het algoritme van een startup valideren aan de hand van gevestigde diagnostiek – is steeds meer het sjabloon voor geloofwaardig medisch AI-onderzoek, in tegenstelling tot de door leveranciers beheerde benchmarks die tot gerechtvaardigde scepsis hebben geleid.

Waarom hoestakoestiek belangrijk is

Spirometrie, de huidige gouden standaard voor de longfunctie, vereist apparatuur, getrainde technici en een meewerkende patiënt die geforceerde ademhalingsmanoeuvres uitvoert. Hoestregistratie vereist een telefoon. Als AI-screening op betrouwbare wijze kan bepalen wie bevestigende tests nodig heeft, verandert de economische situatie van ademhalingsscreening fundamenteel, vooral voor aandoeningen zoals COPD, die routinematig laat worden gediagnosticeerd.

De kanttekeningen zijn reëel. Dit was een ziekenhuisgebaseerde inschrijving van symptomatische volwassenen, geen gemeenschapsscreening van de algemene bevolking, en de nauwkeurigheid van een gecontroleerd prospectief protocol kan verschillen van een rommelige implementatie in de echte wereld. Het platform blijft in onderzoek, en een nauwkeurigheid van 90 procent bij het onderscheiden van normaal van abnormaal betekent niet dat het in alle gevallen op betrouwbare wijze vier verschillende ziekten van elkaar kan onderscheiden; de reeksen met meerdere klassen maken dat duidelijk.

Het regelgevingstraject is het volgende knelpunt. Omdat Swaasa is gepositioneerd als Software als Medisch Apparaat, zullen de diagnostische indicaties de toezichtprocessen die van toepassing zijn op klinische besluitvormingsinstrumenten moeten opruimen voordat het van onderzoeksgebruik naar routinematige zorg kan overgaan. Prospectieve validatie gepubliceerd in een peer-reviewed tijdschrift is een voorwaarde voor dat gesprek, en geen vervanging ervan.

Er is ook een praktische asymmetrie die in het voordeel van het platform werkt. Voor spirometrie zijn apparatuur, kalibratie en een getrainde technicus in de kamer vereist; Voor een hoestregistratie is een apparaat nodig dat de meeste patiënten al bezitten en een manoeuvre die elke patiënt al kent. Bij screening, waarbij het doel is om te beslissen wie bevestigende tests nodig heeft in plaats van een definitieve diagnose te stellen, kan een iets minder nauwkeurige test die tien keer meer mensen bereikt, meer levens redden dan een nauwkeurige test die zich in de kelder van een ziekenhuis afspeelt. De bevinding van het onderzoek dat de prestaties stabiel blijven in alle leeftijds- en geslachtsgroepen, is precies het soort consistentie dat een screeningsinstrument moet schalen.

Toch is het traject van belang. Een telefonisch scherm dat is gevalideerd aan de hand van spirometrie bij meer dan 3.000 deelnemers is niet langer een trucje in de huiskamer. De volgende test is de inzet: of op hoest gebaseerde AI-screening zijn nauwkeurigheid kan behouden in klinieken, apotheken en huizen, en of toezichthouders en artsen een diagnostisch signaal omarmen dat afkomstig is van een geluid waar de meeste mensen nauwelijks aan denken.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →