Swaasa artificiell intelligens-plattform uppnådde 90 procents noggrannhet i att skilja friska individer från patienter med andningssjukdomar, enligt prospektiva kliniska valideringsresultat publicerade i Frontiers in Medicine - ett resultat som kan omforma hur lungsjukdomar screenas utanför traditionella kliniker.
Fynden, som rapporterades denna vecka av Bioengineer.org, kommer från en av de större prospektiva utvärderingarna av hostbaserad AI-screening hittills, och de kommer när sjukvårdssystem världen över söker efter billigare sätt att upptäcka kroniska luftvägssjukdomar tidigare. Det är den typen av inkrementella men rigoröst testade framsteg i den senaste AI-utvecklingen som ofta säger mer om vart medicinsk AI faktiskt är på väg än någon produktlansering.
Hur Swaasa fungerar
Swaasa är en undersökningsplattform som fungerar som en mjukvara som en medicinsk anordning, som använder artificiell intelligens algoritmer för hostinspelningar som tagits på en mobil enhet. Utvecklad för att generera automatiserade kliniska indikationer från akustiska signaler, utvärderar plattformen hostregistreringar för att fastställa den totala risken som normal eller onormal, klassificera spirometriska fysiologiska mönster som obstruktiva, restriktiva eller normala och uppskatta mönstrets svårighetsgrad som mild, måttlig eller svår.
Utöver fysiologi genererar systemet diagnostiska indikationer om förekomsten av specifika andningssjukdomar, inklusive astma, kronisk obstruktiv lungsjukdom (KOL), interstitiell lungsjukdom och bronkiektasi. Löftet är enkelt: en fem sekunder lång hosta i en telefonmikrofon kan flagga tecken på allvarlig lungsjukdom innan en patient någonsin når ett spirometrilabb.
Inuti rättegången
Den prospektiva kliniska prövningen registrerades under CTRI/2021/04/032742 den 12 april 2021, och registrerade vuxna deltagare i åldern 18 år och äldre som uppsökte sjukhusavdelningar med andningssymtom. Första registreringen påbörjades den 19 april 2021 och rättegången avslutades den 14 september 2023.
Den sista kohorten inkluderade 2 179 patienter med luftvägssjukdomar tillsammans med 827 normala individer, med manliga deltagare som utgjorde 62 procent av den utvärderade studiepopulationen. Under protokollet spelades hostljud från deltagarna in på en mobil enhet som körde Swaasa AI-plattformen och spirometri utfördes för jämförelse.
Studien fastställde spirometri som referensstandard för fysiologiskt mönster och mönstersvårighet, medan läkare etablerade kliniska diagnoser fungerade som referensstandard för sjukdomskategorier. Polychotomous variabler dikotomiserades i normala kontra onormala klassificeringar, och multi-class output fastställdes för sjukdomstillstånd, mönster svårighetsgrad och individuella sjukdomskategorier.
Prestandanumren
I binära klassificeringar visade plattformen 90 procents noggrannhet när det gällde att skilja normala individer från de med onormala andningsförhållanden, vilket matchade 90 procents noggrannhet som registrerats för att identifiera normal kontra onormal spirometri. Beskrivande undergruppsanalyser visade att screeningprestanda var i stort sett jämförbar över utvärderade patientålders- och könsgrupper.
Resultaten i flera klasser var respektabla, om än mindre slående. Plattformen uppnådde en noggrannhet på mellan 79 procent och 84 procent för klassificering av spirometriska mönster, och mellan 76 procent och 84,5 procent för klassificering av mönstrets svårighetsgrad. När man särskiljer specifika sjukdomstyper bland astma, KOL, interstitiell lungsjukdom och bronkiektasi, varierade noggrannheten från 83 procent till 93 procent.
Vem byggde den
Studieförfattarna är knutna till Christian Medical College Vellore, Salcit Technologies Private Limited - utvecklaren av Swaasa - och The Tamil Nadu Dr MGR Medical University. Författarna drog slutsatsen att Swaasa visar lovande screeningprestanda över demografiska undergrupper i den studerade befolkningen.
Samarbetsstrukturen är anmärkningsvärd: ett akademiskt medicinskt center som tillhandahåller klinisk rigor, ett medicinskt universitet och en startup som levererar akustisk AI. Den kombinationen – kliniker som validerar en startups algoritm mot etablerad diagnostik – är alltmer mallen för trovärdig medicinsk AI-forskning, i motsats till de leverantörsdrivna riktmärkena som har dragit berättigad skepsis.
Varför hostakustik betyder något
Spirometri, den nuvarande guldstandarden för lungfunktion, kräver utrustning, utbildade tekniker och en samarbetsvillig patient som utför forcerade andningsmanövrar. Hostainspelning kräver en telefon. Om AI-screening på ett tillförlitligt sätt kan triage vem som behöver bekräftande tester, förändras ekonomin för respiratorisk screening fundamentalt, särskilt för tillstånd som KOL som rutinmässigt diagnostiseras sent.
Förbehållen är verkliga. Detta var sjukhusbaserad inskrivning av symtomatiska vuxna, inte gemenskapsscreening av den allmänna befolkningen, och noggrannheten i ett kontrollerat prospektivt protokoll kan skilja sig från rörig implementering i verkligheten. Plattformen förblir undersökande och 90 procents noggrannhet när det gäller att skilja normala från onormala betyder inte att den på ett tillförlitligt sätt kan skilja fyra olika sjukdomar åt i varje fall - multiklassintervallen gör det tydligt.
Regleringsvägen är nästa flaskhals. Eftersom Swaasa är positionerat som en programvara som en medicinsk anordning, kommer dess diagnostiska indikationer att behöva rensa de tillsynsprocesser som gäller för kliniska beslutsverktyg innan det kan gå från prövningsanvändning till rutinvård. Prospektiv validering publicerad i en peer-reviewed tidskrift är en förutsättning för det samtalet, inte ett substitut för det.
Det finns också en praktisk asymmetri som fungerar till plattformens fördel. Spirometri kräver utrustning, kalibrering och en utbildad tekniker i rummet; en hostregistrering kräver en enhet som de flesta patienter redan äger och en manöver som varje patient redan känner till. Inom screening, där målet är att avgöra vem som behöver bekräftande tester snarare än att ge en slutlig diagnos, kan ett lite mindre exakt test som når tio gånger fler människor rädda fler liv än ett exakt test som sitter i en sjukhuskällare. Rättegångens upptäckt att prestationerna höll sig stabila över ålders- och könsgrupper är exakt den typ av konsistens som ett screeningverktyg behöver skala.
Ändå spelar banan roll. En telefonbaserad skärm validerad mot spirometri hos fler än 3 000 deltagare är inte längre ett salongstrick. Nästa test är implementering: om hostbaserad AI-screening kan hålla sin noggrannhet på kliniker, apotek och hem, och om tillsynsmyndigheter och läkare omfamnar en diagnostisk signal som kommer från ett ljud som de flesta knappt tänker på.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
