AI słucha twojego kaszlu: Jak smartfon może przewidzieć wyniki badania płuc?

Spirometria, czyli badanie pojemności płuc, to złoty standard w diagnostyce chorób układu oddechowego, takich jak astma czy przewlekła obturacyjna choroba płuc (POChP). Jest precyzyjna, powtarzalna i niezbędna do monitorowania postępów choroby. Ma jednak jedną, fundamentalną wadę: jest trudno dostępna. Wymaga specjalistycznego sprzętu, wykwalifikowanego personelu i wizyty w placówce medycznej. Dla milionów ludzi, zwłaszcza w krajach o niskich i średnich dochodach, gdzie zasoby medyczne są ograniczone, dostęp do spirometrii jest luksusem. Prowadzi to do masowego niedodiagnozowania chorób płuc i opóźnień w leczeniu.

Ale co, gdybyśmy mogli uzyskać przybliżony obraz funkcji naszych płuc, używając narzędzia, które każdy z nas ma w kieszeni – smartfona? Co, gdyby sygnałem, który poddamy analizie, było coś tak naturalnego i powszechnego jak kaszel? Nowe, przełomowe badania pokazują, że analiza akustyczna dźwięku kaszlu przy użyciu sztucznej inteligencji może z zaskakującą dokładnością przewidywać kluczowe parametry spirometryczne. To technologia, która ma potencjał, by zdemokratyzować diagnostykę pulmonologiczną i przenieść ją z laboratoriów prosto do naszych domów.

Od dźwięku do diagnozy: jak AI uczy się słuchać kaszlu?

Kaszel i manewr forsownego wydechu w spirometrii mają ze sobą wiele wspólnego. Oba zjawiska opierają się na podobnej mechanice: skurczu mięśni oddechowych w celu wytworzenia wysokiego ciśnienia w klatce piersiowej i gwałtownego przepływu powietrza przez drogi oddechowe. Patologie, takie jak zwężenie oskrzeli w astmie czy utrata elastyczności płuc w POChP, zmieniają właściwości tego przepływu. A zmiana przepływu powietrza zmienia dźwięk kaszlu.

Naukowcy postanowili sprawdzić, czy tę subtelną korelację da się uchwycić i zmierzyć. W tym celu przeprowadzili badanie na grupie ponad 1200 osób, u których zebrano dwa rodzaje danych:

1. Nagrania dźwiękowe: Uczestnicy byli proszeni o kilkukrotne, dobrowolne kaszlnięcie do mikrofonu smartfona.

2. Wyniki spirometrii: Bezpośrednio po nagraniu każdy uczestnik przechodził standardowe badanie spirometryczne.

Następnie, wykorzystując zaawansowane algorytmy uczenia maszynowego, nauczono model AI rozpoznawać związek między cechami akustycznymi dźwięku kaszlu a konkretnymi wartościami parametrów spirometrycznych, takich jak FEV1 (natężona objętość wydechowa pierwszosekundowa) i FVC (natężona pojemność życiowa).

Co usłyszała sztuczna inteligencja? Obiecujące wyniki

Wyniki eksperymentu pokazały, że stworzony model regresyjny jest w stanie z dużą skutecznością przewidywać kluczowe wskaźniki spirometryczne na podstawie samego dźwięku kaszlu.

Co oznaczają te liczby?

• Dokładność (accuracy) na poziomie ~70% oznacza, że w 7 na 10 przypadków system poprawnie zaklasyfikował wynik jako prawidłowy lub nieprawidłowy.

• Czułość (sensitivity) na poziomie ~77% dla wskaźnika FEV1/FVC oznacza, że system poprawnie zidentyfikował ponad trzy czwarte osób, które faktycznie miały nieprawidłowy wynik. Jest to kluczowe dla narzędzia przesiewowego – lepiej błędnie zaalarmować osobę zdrową, niż przeoczyć chorobę.

• Wysoka czułość (87%) w przewidywaniu nieprawidłowego FVC sugeruje, że model jest szczególnie dobry w wykrywaniu potencjalnych chorób restrykcyjnych, które ograniczają pojemność płuc.

Co ważne, analiza wykazała, że atrybuty biologiczne, takie jak wiek, płeć czy waga, miały minimalny wpływ na wyniki. Oznacza to, że model opiera swoje predykcje niemal wyłącznie na samej informacji zawartej w dźwięku kaszlu, co świadczy o sile i uniwersalności tej metody.

Kto skorzysta najbardziej? Diagnostyka w zasięgu ręki

Technologia ta nie ma na celu zastąpienia „złotego standardu”, jakim jest spirometria. Jej potencjał leży gdzie indziej – w stworzeniu łatwo dostępnego, taniego i nieinwazyjnego narzędzia do badań przesiewowych i wstępnej diagnostyki, zwłaszcza w warunkach ograniczonych zasobów.

Kto może na tym zyskać?

1. Mieszkańcy krajów rozwijających się: Gdzie ponad 50% osób z przewlekłymi chorobami układu oddechowego nie ma dostępu do specjalistycznej opieki.

2. Pacjenci w opiece podstawowej: Lekarze rodzinni mogliby używać tej technologii do szybkiej, wstępnej oceny pacjentów z kaszlem, zanim skierują ich na kosztowną i czasochłonną spirometrię.

3. Osoby starsze i o niższym statusie socjoekonomicznym: Grupy te są nieproporcjonalnie dotknięte problemem niedodiagnozowania i często mają utrudniony dostęp do specjalistów.

4. Monitorowanie w domu: Pacjenci z już zdiagnozowanymi chorobami mogliby codziennie monitorować stan swoich płuc, co pozwoliłoby na wczesne wykrywanie zaostrzeń.

Jesteśmy świadkami narodzin nowej gałęzi medycyny – akustycznej epidemiologii. Wykorzystanie dźwięków produkowanych przez nasze ciało, analizowanych przez potężne algorytmy AI, otwiera drzwi do świata, w którym wczesna diagnostyka wielu chorób może stać się tak prosta, jak nagranie kilku sekund dźwięku na smartfonie.

FAQ – Najczęściej zadawane pytania

1. Czy ta technologia jest już dostępna jako aplikacja na telefon?
   Opisane badanie wykorzystywało platformę AI o nazwie „Swaasa”, która jest rozwijana jako oprogramowanie klasy medycznej. Zanim takie narzędzia trafią do powszechnego użytku, muszą przejść rygorystyczne procesy certyfikacji, aby zapewnić ich bezpieczeństwo i skuteczność.

2. Czy rodzaj kaszlu (suchy, mokry) ma znaczenie dla analizy?
   Tak, cechy takie jak „suchość” czy „wilgotność” kaszlu są jednymi z setek parametrów akustycznych (cech), które algorytm bierze pod uwagę. Model uczy się rozpoznawać, które kombinacje tych cech najlepiej korelują z wynikami spirometrii.

3. Na czym polegał proces „selekcji cech” (Feature Selection)?
   Z każdego nagrania kaszlu algorytm wyodrębnił ponad 200 różnych cech akustycznych (np. częstotliwość, energia, współczynniki cepstralne w skali melowej – MFCC). Selekcja cech to proces, w którym za pomocą metod statystycznych (np. analizy korelacji) wybiera się te cechy, które niosą najwięcej informacji i są najważniejsze dla zadania predykcyjnego, eliminując jednocześnie te, które są zbędne lub wprowadzają „szum”.

4. Czy ta technologia może wykryć inne choroby, np. COVID-19?
   Tak, analiza dźwięku kaszlu jest obiecującym kierunkiem badań również w diagnostyce chorób zakaźnych. Istnieją już badania (wymienione w bibliografii tego artykułu), które pokazują, że algorytmy AI potrafią z dużą trafnością odróżnić kaszel osoby chorej na COVID-19 od kaszlu związanego z innymi infekcjami lub astmą.

5. Jakie są największe ograniczenia tej metody?
   Głównym ograniczeniem jest fakt, że jest to metoda pomocnicza, a nie definitywna diagnoza. Wynik „nieprawidłowy” jest sygnałem, że pacjent powinien udać się na pełne badanie spirometryczne. Ponadto, skuteczność modelu zależy od jakości nagrania i może być niższa w hałaśliwym otoczeniu