En djupinlärningsalgoritm baserad på hostljud för tillgänglig och snabb upptäckt av kroniskt obstruktiv lungsjukdom med smarttelefoner

Att förvandla en enkel hostning till en hälsovink

Kroniska lungsjukdomar är vanliga, men verktygen för att diagnostisera dem kräver ofta ett sjukhusbesök, skrymmande utrustning och utbildad personal. Denna studie undersöker en mycket enklare idé: kan en kort, frivillig hostning inspelad med en vanlig smartphone hjälpa till att flagga personer som kan ha kroniskt obstruktiv lungsjukdom (KOL)? Om så är fallet skulle miljontals människor kunna screenas snabbt och billigt, särskilt där tillgången till specialistvård är begränsad.

Varför KOL är svårt att fånga tidigt

KOL är en långvarig lungsjukdom som gör det svårt att andas och är en ledande orsak till sjukdom och död världen över. Många med KOL vet inte om sin sjukdom, delvis eftersom tidiga symtom kan vara vaga och lätta att bortse från. Standardtestet, spirometri, mäter hur mycket luft en person kan andas ut, men kräver specialutrustning, utbildad personal och en samarbetsvillig patient. Dessa krav gör det svårt att använda testet brett, särskilt hos äldre och i kliniker med begränsade resurser.

Lyssna noggrant på hostljudet

Forskare har funnit att lungsjukdomar subtilt kan förändra både röst- och hostljud. Förträngda luftvägar, inflammation och ökad slemproduktion påverkar alla hur luften rör sig genom bröstet och halsen. Tidigare forskning visade att enkla datorprogram kunde plocka upp mönster kopplade till sjukdomar som KOL, pneumoni och tuberkulos. Dessa äldre metoder förlitade sig dock på handplockade ljudfunktioner och små dataset, vilket begränsade hur väl de fungerade i verkliga miljöer.

Bygga verktyget Cough Search för telefon

Författarna skapade ett smartphonebaserat system kallat Cough Search som lyssnar på frivilliga hostningar och avgör om de troligen kommer från någon med KOL eller utan. Först filtrerar en kvalitetskontrollmodul bort oanvändbara ljud som harklingar, bakgrundsbrus eller ofullständiga hostningar. De återstående hostutbrotten omvandlas till färgrika ljudkartor kallade spektrogram, som visar hur ljudenergi fördelas över tid och frekvens. Dessa spektrogram matas sedan in i en kraftfull djupinlärningsmodell baserad på transformer-teknik, tränad för att upptäcka mönster som skiljer KOL-hostningar från icke-KOL-hostningar.

Testa verktyget på sjukhus och kliniker

Teamet tränade och finjusterade systemet på hostinspelningar från mer än 2 800 vuxna vid ett stort sjukhus i Shanghai, och testade det sedan prospektivt vid fyra sjukhus, inklusive distriktsnivåcenter. Totalt ingick 722 personer i den externa testgruppen, 105 med bekräftad KOL och 617 utan. Jämfört med standardkliniska diagnoser baserade på expertgranskning och andningstester separerade Cough Search korrekt KOL från icke-KOL i de flesta fall. Det uppnådde ett area under kurvan på 0,94, med cirka 92 % känslighet (fånga personer som verkligen hade KOL) och 86 % specificitet (undvika falsklarm) i den externa gruppen, och liknande resultat i interna tester.

Hur väl det fungerar över olika personer och enheter

Forskarlaget kontrollerade om verktyget uppträdde rättvist över ålder, kön, rökhistorik och sjukdomsstadie. Prestandan var starkast hos personer med mer svår KOL, där känsligheten var över 91 % för avancerade stadier och fortfarande hög för måttlig sjukdom. Modellen fungerade på olika smartphone-märken och i både toppnivåsjukhus och distriktskliniker. Viss ojämnhet kvarstod: noggrannheten var något lägre hos äldre vuxna, kvinnor och personer i mycket tidiga stadier av sjukdomen, och vissa andra lungsjukdomar, såsom bronkiektasier, kunde fortfarande förvirra systemet. Analyser av modellens interna egenskaper visade att den huvudsakligen förlitade sig på specifika tidsfönster och lågfrekventa delar av hostan, vilket stämmer överens med vad läkare vet om hur KOL förändrar luftflödet.

Vad detta kan innebära för vardagsvården

I enkla ordalag visar studien att en snabb hostning i en smartphone kan ge en överraskande pålitlig indikation på om någon kan ha KOL, särskilt när sjukdomen är måttlig eller svår. Medan det inte kan ersätta en full medicinsk utredning eller detaljerade andningstester, kan denna typ av verktyg fungera som en enkel första kontroll i vårdcentraler, apotek eller till och med hemma. Använt på detta sätt kan Cough Search hjälpa till att förkorta den långa fördröjningen mellan de första symtomen och en säker diagnos, vilket ger människor en bättre chans att tidigt ta hand om sin lunghälsa.

Citering: 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

Nyckelord: KOL, hostanalys, screening med smartphone, djupinlärning, andningshälsa