AI voor nauwkeurige diagnose van astma bij kinderen

Introductie

Astma is een veelvoorkomende chronische luchtwegaandoening bij kinderen en kan het dagelijks leven van zowel kinderen als hun gezinnen flink beïnvloeden. Typische klachten zijn hoesten, piepen, kortademigheid en een beklemmend gevoel op de borst. In ernstige gevallen kunnen astma-aanvallen leiden tot ziekenhuisopnames of zelfs levensbedreigend zijn.

Vroege en accute diagnose is daarom cruciaal. Toch is dat niet altijd eenvoudig. Symptomen kunnen sterk variëren per kind, en de diagnose wordt vaak gebaseerd op observaties en medische geschiedenis, zonder objectieve toetsing. Dit kan leiden tot misdiagnoses. Zo worden kinderen met een chronische hoest die geen astma hebben, een aandoening bekend als non-asthmatic chronic cough (NAC), soms ten onrechte als astmatisch gediagnosticeerd. Het verbeteren van de diagnostische nauwkeurigheid is dus van groot belang.

Hoe goed kan AI astma voorspellen?

Onderzoekers van Northwestern University en het Lurie Children’s Hospital onderzochten of kunstmatige intelligentie (AI) kan helpen bij het stellen van een preciezere astma-diagnose bij kinderen. Ze keken naar kinderen van 6 tot 18 jaar die tussen januari 2024 en januari 2025 hun kliniek bezochten met chronische hoest.

De kinderen werden ingedeeld als astmatisch of NAC, en er werden gegevens verzameld zoals demografie, klinische kenmerken en longfunctie. Vervolgens werden acht verschillende machine learning-modellen getest op hun vermogen om astma correct te herkennen:

Gradient Boosting
AdaBoost
Random Forest
Logistic Regression
Linear Discriminant Analysis (LDA)
Decision Tree
k-Nearest Neighbors (KNN)
Naive Bayes

De modellen werden beoordeeld op nauwkeurigheid, precisie, recall, F1-score, ROC AUC en Matthew’s correlation coefficient (MCC).

Wat de AI-modellen lieten zien

Van de 900 onderzochte kinderen had de helft astma en de andere helft NAC. Gemiddeld waren ze 9,4 jaar oud en iets meer dan de helft (52,9%) bestond uit jongens. Hoesten bij inspanning en terugkerende bronchitis bleken de belangrijkste signalen voor astma.

Qua prestaties staken enkele modellen er bovenuit:

Gradient Boosting: F1-score 0,974, ROC AUC 0,997
Random Forest: F1-score 0,972, ROC AUC 0,997
AdaBoost: F1-score 0,969, ROC AUC 0,995

Maar wat betekenen deze scores nu eigenlijk?

F1-score: Dit is een maat die zowel rekening houdt met de precisie (hoeveel voorspelde astma-gevallen daadwerkelijk astma zijn) als de recall (hoeveel van de echte astma-gevallen correct zijn geïdentificeerd). Een score dichtbij 1 betekent dat het model zowel weinig fout-positieven als weinig gemiste gevallen heeft. In dit onderzoek wijzen de hoge F1-scores dus op een betrouwbare en nauwkeurige diagnose.

ROC AUC: De Receiver Operating Characteristic Area Under the Curve geeft aan hoe goed het model onderscheid kan maken tussen kinderen met astma en NAC. Een waarde van 1 betekent perfecte scheiding. Hier laten waarden boven 0,99 zien dat de modellen bijna foutloos onderscheid kunnen maken tussen astmatische en niet-astmatische kinderen.

Kortom, deze hoge scores betekenen dat de modellen goed presteren en dat vooral Gradient Boosting, Random Forest en AdaBoost zeer betrouwbare hulpmiddelen kunnen zijn bij het diagnosticeren van astma bij kinderen. Logistic Regression, LDA, Decision Tree en Naive Bayes scoorden daarentegen gemiddeld, terwijl KNN duidelijk minder betrouwbaar bleek (F1-score 0,566, ROC AUC 0,615).

Discussie

Het onderzoek toont aan dat AI veelbelovend is bij het verbeteren van de diagnose van astma bij kinderen. Vooral de topmodellen waren in staat om nauwkeurig onderscheid te maken tussen echte astma en andere oorzaken van chronische hoest. Dit kan niet alleen de diagnose versnellen, maar ook onnodige behandelingen voorkomen.

Toch is voorzichtigheid verstandig: deze resultaten moeten nog bevestigd worden in grotere en cultureel diverse groepen kinderen voordat AI breed in de kliniek kan worden ingezet.