Diagnostische gelijkheid bevorderen door AI-screening van thoraxfoto's voor osteoporose in Aziatische bevolkingen

Verborgen risico in alledaagse gezondheidscontroles

Veel volwassenen, vooral in Azië, lopen rond met langzaam dunner wordende botten die hun risico op breuken later in het leven verhogen. Toch zal het merendeel nooit een botmeting krijgen, omdat de huidige richtlijnen zich richten op oudere vrouwen of omdat gespecialiseerde tests moeilijk toegankelijk zijn. Deze studie stelt een eenvoudige vraag met grote consequenties: kan een routinematige borstkasröntgenfoto, die al wordt gemaakt bij algemene gezondheidscontroles, samen met kunstmatige intelligentie worden gebruikt om mensen te signaleren waarvan de botten mogelijk gevaarlijk verzwakt zijn, lang voordat er een breuk optreedt?

Waarom verzwakte botten vaak gemist worden

Osteoporose maakt botten broos en vatbaar voor breuken en treft wereldwijd honderden miljoenen mensen. In Azië wordt verwacht dat heupfracturen sterk zullen toenemen naarmate de bevolking vergrijst, maar nationale screeningsrichtlijnen richten zich meestal alleen op oudere vrouwen en laten veel mannen en jongere volwassenen ongetest. De standaardtest, een DXA-botmeting, wordt onderbenut zelfs waar die beschikbaar is, en meer dan de helft van de ernstige fracturen doet zich voor bij mensen wiens botdichtheid niet laag genoeg is om de huidige drempels te overschrijden. Lichaamsgewicht biedt ook geen betrouwbare bescherming: in deze studie hadden veel mensen met een normaal gewicht toch zorgwekkend botverlies, wat een blinde vlek in de huidige screeningsaanpakken blootlegt.

Een borstkasröntgenfoto gebruiken als botcontrole

Het onderzoeksteam in Taiwan evalueerde een deep-learningtool die de botsterkte schat op basis van gewone borstkasröntgenfoto's. Deze röntgenfoto's, van voren genomen, laten routinematig delen van de wervelkolom zien. De software analyseert deze afbeelding, voorspelt de botmineraaldichtheid en markeert vermoedelijke afwijkende resultaten voor vervolgonderzoek. Om de tool te testen, gebruikten de auteurs gegevens van 2384 volwassenen die vrijwillig een preventief gezondheidscentrum bezochten en binnen zes maanden zowel een borstkasröntgenfoto als een DXA-scan van de lendenwervelzuil lieten maken. De groep was grotendeels van middelbare leeftijd, met een gemiddelde leeftijd van ongeveer 44 jaar en een ruime variatie in lichaamsmaten die typerend zijn voor Oost-Aziatische populaties.

Hoe goed de AI verzwakte botten opmerkte

Wanneer het AI-model mogelijke problemen aangaf, had ongeveer één op de drie van die personen daadwerkelijk een afwijkende botdichtheid op DXA, en het detecteerde correct 94 van de 118 bevestigde gevallen. Over de hele groep was het vermogen om normale en afwijkende botstatus te onderscheiden zeer sterk, met een hoge nauwkeurigheidsmaat bekend als de area under the curve. De tool werkte consistent bij mannen en vrouwen, jongere en oudere volwassenen, en in drie BMI-categorieën. Hij was vooral goed in het uitsluiten van ziekte: als de AI geen probleem vond, was de kans op daadwerkelijk normale botten extreem groot. Veel van de bevestigde gevallen waren vrouwen ouder dan 50 met een normaal lichaamsgewicht, een groep die anders over het hoofd gezien zou kunnen worden omdat ze niet duidelijk broos lijken.

Wat dit voor klinieken zou kunnen betekenen

Aangezien borstkasröntgenfoto's al miljoenen keren per jaar worden gemaakt, zou het toevoegen van een geautomatiseerde botcontrole geen extra afspraken of stralingsblootstelling vereisen. Beslisanalyses in de studie toonden aan dat het gebruik van de AI om te bepalen wie een DXA-scan moet krijgen meer voordeel zou bieden dan iedereen of niemand doorsturen voor verder onderzoek, met name onder vrouwen met een normaal of laag lichaamsgewicht. Praktisch gezien fungeert de software als een triagetool: het helpt selecteren welke patiënten moeten worden doorverwezen voor een volledige botmeting, waardoor apparatuur en aandacht van clinici efficiënter worden ingezet en gemiste gevallen worden verminderd.

Zorgvuldige stappen naar eerlijke en brede toepassing

De auteurs benadrukken dat hun bevindingen afkomstig zijn van één zorgsysteem met relatief weinig bevestigde afwijkende gevallen, waardoor de resultaten voor sommige kleinere subgroepen onzeker zijn. De tool is niet bedoeld om DXA of klinisch oordeel te vervangen, maar om deze aan te vullen, en hij heeft verder onderzoek nodig in verschillende ziekenhuizen, landen en etnische groepen. Desalniettemin laat het werk zien hoe zorgvuldig ontworpen AI kan bijdragen aan gelijkere toegang tot diagnose door niet uitsluitend te vertrouwen op leeftijd, geslacht of gewicht. Voor patiënten is de boodschap duidelijk: een vertrouwde borstkasröntgenfoto zou op termijn kunnen dienen als een vroegtijdig waarschuwingssysteem voor broze botten, waardoor artsen meer mensen kunnen beschermen tegen pijnlijke en levensveranderende fracturen.

Bronvermelding: Chen, SH., Chang, RE., Lien, CE. et al. Advancing diagnostic equity through artificial intelligence chest radiograph screening for osteoporosis in Asian populations. npj Digit. Med. 9, 359 (2026). https://doi.org/10.1038/s41746-026-02484-x

Trefwoorden: osteoporose, botdichtheid, kunstmatige intelligentie, borstkasröntgenfoto, screening