Analyse van ademgeluiden in een konijnenmodel van tracheomalacie

Waarom naar ademhaling luisteren ertoe doet

Artsen stellen ernstige ademhalingsproblemen zoals een verslapte luchtpijp meestal vast met behulp van beeldvorming en kleine camera’s die in de luchtweg worden gebracht. Deze onderzoeken kunnen belastend zijn, vooral voor baby’s en jonge kinderen, en zijn niet altijd eenvoudig te herhalen. Deze studie onderzoekt of zorgvuldige analyse van ademgeluiden, gecombineerd met moderne computeranalyse, een zachte, niet-invasieve manier kan bieden om te detecteren wanneer de luchtpijp te slap is en dreigt samen te vallen.

Wanneer de luchtpijp zacht wordt

Tracheomalacie is een aandoening waarbij de luchtpijp (trachea) haar stijfheid verliest en tijdens de ademhaling de neiging heeft nauwer te worden of in te klappen. Mensen met dit probleem kunnen geluidige ademhaling, kortademigheid en in ernstige gevallen korte periodes van ademstilstand ervaren. Tegenwoordig vertrouwen artsen op röntgenfoto’s, CT-scans en bronchoscopie—waarbij een scopie in de luchtwegen wordt gebracht—om de diagnose te bevestigen. Deze methoden brengen blootstelling aan straling, vereisen sedatie en brengen bepaalde risico’s met zich mee, wat een bijzonder punt van zorg is bij kwetsbare pasgeborenen en zuigelingen.

Een veilig alternatief voor zieke baby’s bouwen

Aangezien het onethisch zou zijn om rechtstreeks op zuigelingen te experimenteren, creëerden de onderzoekers een gecontroleerd diermodel dat de luchtweg van een klein kind nabootst. Ze opereerden vijf konijnen en verwijderden zorgvuldig een deel van de kraakbeenringen die de luchtpijp normaal openhouden. Dit leverde een verzwakte luchtweg op die tijdens inademing opende en tijdens uitademing vernauwde, wat sterk overeenkomt met een belangrijke vorm van tracheomalacie. Met een klinische stethoscoopkop en een gestandaardiseerd opnameapparaat geplaatst op de hals en borst, namen ze ademgeluiden op terwijl ze ook de druk in de luchtweg maten, zodat veranderingen in geluid daadwerkelijk de veranderingen in luchtstroom en luchtwegvorm weerspiegelden.

Ademhalingen omzetten in cijfers

Het team richtte zich op de uitademingsfase, waar de geluiden het sterkst en meest consistent waren. Zij gebruikten een veelgebruikt audiobehandelingspakket om elke uitademing in zeer korte segmenten te verdelen en elk segment te beschrijven met duizenden eenvoudige kenmerken, zoals luidheid, hoe toonhoogte en timbre over frequenties waren verdeeld en hoe die eigenschappen in de tijd veranderden. Uit elke ademhaling haalden ze 6.373 zulke kenmerken, en vervolgens reduceerden ze dit aantal tot 51 die betrouwbaar verschilden tussen normale en verslapte luchtpijpen in ten minste vier van de vijf konijnen. Deze kenmerken vormden het uitgangsmateriaal voor computerprogramma’s die de twee toestanden van elkaar moesten onderscheiden.

Computers trainen om problemen te horen

Drie typen machine learning-modellen werden getest: logistieke regressie, support vector machines en een moderne boomgebaseerde methode genaamd LightGBM. Om ‘valsspelen’ te voorkomen, groeperden de onderzoekers de data per konijn en luchtwegconditie, zodat ademhalingen uit dezelfde situatie niet zowel in de trainings- als in de testsset terechtkwamen. Alle modellen presteerden redelijk goed, maar LightGBM stak er bovenuit. Het onderscheidingsvermogen tussen normale en verzwakte luchtwegen bereikte een nauwkeurigheidsniveau dat in medische statistiek als sterk wordt beschouwd: de area under the curve was boven 0,78 voor individuele ademhalingen en boven 0,80 wanneer beslissingen werden gemiddeld per konijn. De belangrijkste kenmerken waren laagfrequente componenten van zogenoemde Mel-frequency cepstral coefficients, instrumenten uit spraakherkenning die bijzonder goed zijn in het vastleggen van de algemene ‘vorm’ en subtiele fluctuaties van een geluid.

Wat de geluiden onthullen

Het belang van deze laagfrequente patronen suggereert dat een instabiele luchtpijp de luchtstroom door de keel veranderd op manieren die te subtiel zijn voor het menselijke oor, maar duidelijk genoeg voor algoritmen. Zelfs wanneer ademgeluiden geen duidelijke piep- of fluittonen bevatten, konden de modellen nog steeds kleine vervormingen in toon en ritme oppikken die op vernauwing van de luchtweg wezen. Opmerkelijk genoeg werd dit bereikt met standaard medische apparatuur die vergelijkbaar is met wat artsen al gebruiken voor dagelijks luisteren, gecombineerd met relatief eenvoudige computerverwerking.

Van labkonijnen naar kinderafdelingen

Aangezien konijnenluchtpijpen qua grootte vergelijkbaar zijn met die van pasgeborenen, biedt dit model een realistische testomgeving voor hulpmiddelen gericht op pediatrische zorg. Hoewel de studie slechts vijf dieren en één specifiek type luchtwegverzwakking gebruikte, legt het belangrijk fundament. De resultaten tonen aan dat niet-invasieve geluidsopnamen, gekoppeld aan machine learning, betrouwbaar een verslapte luchtpijp kunnen signaleren zonder de noodzaak van straling of scopes. Met grotere studies en testen bij menselijke patiënten zou deze benadering kunnen uitgroeien tot een bedrand-screeningtool die artsen helpt beslissen welke kinderen echt invasieve onderzoeken nodig hebben—en welke veilig kunnen worden gevolgd met niets meer dan een gevoelige ‘slimme stethoscoop’.

Bronvermelding: Ismael, A.C., Omiya, Y., Higuchi, M. et al. Respiratory sound analysis in a rabbit tracheomalacia model. Sci Rep 16, 12249 (2026). https://doi.org/10.1038/s41598-026-42275-8

Trefwoorden: tracheomalacie, ademgeluiden, machine learning, niet-invasieve diagnose, pediatrische luchtweg