Een deep-learningalgoritme dat op hoestgeluid is gebaseerd voor toegankelijke en snelle detectie van chronische obstructieve longziekte met smartphones

Een eenvoudige hoest als gezondheidssignaal

Chronische longaandoeningen komen veel voor, maar de middelen om ze te diagnosticeren vergen vaak een ziekenhuisbezoek, omvangrijke apparatuur en getraind personeel. Deze studie onderzoekt een veel eenvoudiger idee: kan een korte, vrijwillige hoest die met een gewone smartphone is opgenomen mensen helpen signaleren die mogelijk chronische obstructieve longziekte (COPD) hebben? Als dat zo is, zouden miljoenen mensen snel en goedkoop gescreend kunnen worden, vooral op plaatsen waar de toegang tot specialistische zorg beperkt is.

Waarom COPD vroeg moeilijk te ontdekken is

COPD is een langdurige longziekte die ademhalen bemoeilijkt en een belangrijke oorzaak is van ziekte en sterfte wereldwijd. Veel mensen met COPD weten niet dat ze het hebben, deels omdat vroege symptomen vaag kunnen zijn en gemakkelijk te negeren. De standaardtest, spirometrie, meet hoeveel lucht iemand kan uitblazen, maar vereist speciale apparatuur, getraind personeel en een meewerkende patiënt. Deze voorwaarden maken breed gebruik lastig, vooral bij ouderen en in klinieken met beperkte middelen.

Nauw luisteren naar het geluid van een hoest

Wetenschappers hebben geleerd dat longproblemen subtiel zowel stem- als hoestgeluiden kunnen veranderen. Vernauwde luchtwegen, ontsteking en extra slijm beïnvloeden hoe lucht door borst en keel beweegt. Eerder onderzoek toonde aan dat eenvoudige computerprogramma’s patronen konden herkennen die samenhingen met ziekten zoals COPD, longontsteking en tuberculose. Die oudere methoden vertrouwden echter op handmatig gekozen geluidskenmerken en kleine datasets, wat hun bruikbaarheid in praktijksituaties beperkte.

Het bouwen van de Cough Search-phone tool

De auteurs ontwikkelden een smartphone-gebaseerd systeem genaamd Cough Search dat vrijwillige hoesten beluistert en beoordeelt of ze waarschijnlijk van iemand met COPD of zonder COPD komen. Eerst filtert een kwaliteitscontrolemodule onbruikbare geluiden eruit, zoals het schrapen van de keel, achtergrondlawaai of onvolledige hoesten. De overgebleven hoestbursts worden omgezet in kleurrijke geluidskaarten, zogenaamde spectrogrammen, die laten zien hoe de geluidsenergie over tijd en frequentie is verdeeld. Deze spectrogrammen worden vervolgens ingevoerd in een krachtig deep-learningmodel gebaseerd op transformer-technologie, getraind om patronen te ontdekken die verschillen tussen COPD- en non-COPD-hoesten.

Het instrument testen in ziekenhuizen en klinieken

Het team trainde en verfijnde het systeem met hoestopnames van meer dan 2.800 volwassenen in een groot ziekenhuis in Sjanghai, en testte het daarna prospectief in vier ziekenhuizen, waaronder districtszorgcentra. In totaal waren in de externe testgroep 722 mensen opgenomen, 105 met bevestigde COPD en 617 zonder. Vergeleken met standaard klinische diagnosen op basis van deskundige beoordeling en ademhalingstests, onderscheidde Cough Search COPD van non-COPD in de meeste gevallen correct. Het bereikte een area under the curve van 0,94, met ongeveer 92% sensitiviteit (het vinden van mensen die daadwerkelijk COPD hadden) en 86% specificiteit (het vermijden van valse alarmen) in de externe groep, en vergelijkbare resultaten in de interne tests.

Hoe goed het werkt bij verschillende mensen en apparaten

De onderzoekers controleerden of het hulpmiddel eerlijk presteerde over leeftijd, geslacht, rookgeschiedenis en ziektefase. De prestaties waren het sterkst bij mensen met ernstiger COPD, waar de sensitiviteit boven de 91% lag voor gevorderde stadia en nog steeds hoog was bij matige ziekte. Het model werkte op verschillende smartphonemerken en zowel in topklinieken als in districtsziekenhuizen. Er bleven echter ongelijkheden bestaan: de nauwkeurigheid was iets lager bij ouderen, vrouwen en mensen in een zeer vroeg stadium van de ziekte, en bepaalde andere longproblemen, zoals bronchiectasie, konden het systeem nog steeds verwarren. Analyses van de interne kenmerken van het model toonden dat het voornamelijk vertrouwde op specifieke tijdvensters en lage-tonale delen van de hoest, wat overeenkomt met wat artsen weten over hoe COPD de luchtstroom verandert.

Wat dit kan betekenen voor de dagelijkse zorg

In eenvoudige bewoordingen laat de studie zien dat een korte hoest in een smartphone een verrassend betrouwbaar signaal kan geven of iemand mogelijk COPD heeft, vooral wanneer de ziekte matig of ernstig is. Hoewel het geen volledige medische evaluatie of gedetailleerde ademhalingstests kan vervangen, kan dit soort hulpmiddel dienen als een eenvoudige eerste controle in eerstelijnsklinieken, apotheken of zelfs thuis. Op deze manier gebruikt, zou Cough Search kunnen helpen de lange vertraging tussen de eerste symptomen en een definitieve diagnose te verkorten, waardoor mensen eerder de kans krijgen hun longgezondheid te beheren.

Bronvermelding: Zhou, J., Huang, J., Wang, Q. et al. A cough sound-based deep learning algorithm for accessible prompt detection of chronic obstructive pulmonary disease with smartphones. npj Prim. Care Respir. Med. 36, 32 (2026). https://doi.org/10.1038/s41533-026-00486-6

Trefwoorden: COPD, hoestanalyse, smartphone-screening, deep learning, ademhalingsgezondheid