In onderzoek uit Zuid-Afrika laat een AI-model een grote nauwkeurigheid zien bij de diagnose van interstitiële longziekte (ILD). Bij de optimale drempelwaarde was het model effectief als screeningsinstrument met een groot vermogen om ILD uit te sluiten.1
Hogeresolutiecomputertomografie (HRCT) is essentieel voor de diagnose van ILD, maar is kostbaar en niet overal beschikbaar. Er worden steeds meer deep-learning algoritmen getest om te assisteren bij de diagnose via beeldvormende technieken. Onderzoekers uit Zuid-Afrika voerden een retrospectief onderzoek uit naar de bruikbaarheid van een algoritme op basis van deep learning bij de diagnose van ILD, toegepast op 295 longfoto’s van volwassenen. Het betrof in 156 gevallen bevestigde ILD; de andere 139 waren controles. Alle beelden werden geanalyseerd met behulp van een AI-model. Het onderscheidend vermogen werd beoordeeld aan de hand van de oppervlakte onder de ‘receiver operating characteristic’-curve (AUROC).
Het model behaalde een algehele AUROC van 0,926 (95%-BI 0,894-0,958). Bij de optimale drempelwaarde had het model een sensitiviteit van 92,3%, een specificiteit van 82,0%, en een positief en een negatief voorspellende waarde van respectievelijk 85,2% en 90,5%. Interstitiële opaciteit was de sterkste voorspeller voor ILD (gecorrigeerde oddsratio 494,8). De kalibratieanalyse liet een intercept zien van –0,138, een helling van 0,866 (95%-BI 0,67-1,06), een Hosmer-Lemeshow χ2 van 13,53 (p = 0,095) en een Brier-score van 0,0996.
De auteurs noemen als mogelijke voordelen van implementatie verbetering van de workflow, een efficiënte selectie van patiënten die verdere evaluatie behoeven en een lagere werklast voor zorgprofessionals. AI kan in deze context zorgen voor kosteneffectieve zorg en het aantal onnodige CT-scans bij onduidelijkheid over de diagnose verminderen.
Bron: