Kunstmatige intelligentie en longfunctieonderzoek

Huidige toepassingen, lopend onderzoek en een toekomstbeeld voor het vak van longfunctieanalist

Kunstmatige intelligentie (AI) is in korte tijd doorgedrongen tot vrijwel elk medisch domein. Binnen de longfunctie lijkt die ontwikkeling minder zichtbaar, maar wie beter kijkt ziet dat er de afgelopen jaren fundamentele stappen zijn gezet. Niet in de vorm van futuristische gadgets, maar juist op zeer concrete punten: interpretatie van longfunctietesten, kwaliteitsbewaking van metingen en nieuwe manieren om longfunctie te meten.

In dit artikel wil ik een overzicht geven van:

wat er nu al mogelijk is,
wat er onderzocht en ontwikkeld wordt,
en welke kansen én veranderingen AI in de toekomst kan brengen voor het vak van longfunctieanalist.

Dit is geen pleidooi voor automatisering om de automatisering, maar een inhoudelijke verkenning van hoe AI kan bijdragen aan kwaliteit, consistentie en betere diagnostiek.

Waarom AI juist binnen de longfunctie relevant is

Longfunctieonderzoek is sterk gestandaardiseerd, maar tegelijkertijd buitengewoon interpretatiegevoelig. Twee ervaren beoordelaars kunnen op basis van exact dezelfde metingen tot verschillende conclusies komen. Dat geldt niet alleen voor complexe casuïstiek, maar ook voor ogenschijnlijk eenvoudige spirometrieën.

Daarbij spelen meerdere factoren een rol:

het toenemende aantal parameters
complexere referentiewaarden en correcties
combinaties van technieken (spirometrie, diffusie, longvolumes, FOT)
en niet in de laatste plaats: menselijke variatie

AI is bij uitstek geschikt om patronen te herkennen in grote, multivariabele datasets. Niet om klinisch denken te vervangen, maar om consistentie aan te brengen en interpretatie te ondersteunen.

AI bij interpretatie van longfunctieonderzoek

Van vaste regels naar waarschijnlijkheden

Traditionele interpretatie van longfunctieonderzoek is grotendeels regelgebaseerd: grenswaarden, percentielen, beslisbomen. AI-modellen werken fundamenteel anders. Ze analyseren grote hoeveelheden historische longfunctietesten met bekende diagnoses en leren patronen herkennen die samenhangen met specifieke ziektebeelden.

De uitkomst is geen zwart-wit oordeel, maar een kansverdeling: hoe waarschijnlijk past dit patroon bij obstructie, restrictie, ILD, astma of een combinatie daarvan?

Dat sluit beter aan bij de klinische realiteit, waarin longfunctie zelden eenduidig is.

ArtiQ: praktijkervaring naast wetenschap

Een van de meest uitgewerkte voorbeelden is de AI van ArtiQ, een Belgische spin-off uit de academische wereld. Tijdens een kadertraining heb ik deze AI in actie gezien, waarbij de output werd vergeleken met de interpretaties van een groep ervaren longfunctieanalisten. De resultaten waren indrukwekkend.

Wat mij vooral bijbleef:

de consistentie van de AI
het ontbreken van “interpretatieve ruis”
het vermogen om complexe combinaties van afwijkingen logisch te wegen

AI bleek niet beter omdat het creatiever is, maar omdat het altijd dezelfde regels toepast, zonder vermoeidheid, aannames of contextverlies. In die zin functioneert het als een uiterst betrouwbare tweede beoordelaar.

Belangrijk hierbij is dat de beste resultaten niet ontstaan bij AI versus mens, maar bij AI + mens. De combinatie leidt aantoonbaar tot betere diagnostische accuratesse, met name bij complexe ziektebeelden zoals interstitiële longaandoeningen.

Nieuwe meetmogelijkheden door AI: verder kijken dan de klassieke longfunctie

Misschien wel het meest interessante aspect van kunstmatige intelligentie binnen de longfunctie is dat het nieuwe manieren mogelijk maakt om longgezondheid te meten: toegankelijker, patiëntvriendelijker en met minder zware apparatuur.

Traditionele metingen van longvolumes, zoals totale longcapaciteit (TLC) en residuaal volume (RV), vereisen doorgaans bodyplethysmografie of gasverdunningsmethoden. Deze onderzoeken zijn betrouwbaar, maar brengen ook beperkingen met zich mee: ze zijn kostbaar, vragen gespecialiseerde apparatuur en vinden vrijwel uitsluitend plaats in ziekenhuisomgevingen of gespecialiseerde longfunctielaboratoria.

AI helpt dit paradigma te verschuiven door meer informatie te halen uit eenvoudiger, al bestaande metingen.

Longvolumemeting zonder klassieke bodybox: kansen én kanttekeningen

Een vaak genoemd voorbeeld is de PulmOne MiniBox+, een compact systeem dat longvolumes meet zonder gebruik te maken van een traditionele bodybox. Het apparaat combineert alternatieve meetprincipes met geavanceerde algoritmes om longvolumes te schatten die normaal gesproken alleen via plethysmografie beschikbaar zijn.

Het grote voordeel is duidelijk:

geen cabine
minder ruimte nodig
lagere drempel voor patiënten
eenvoudiger plaatsing buiten een gespecialiseerd lab

Technisch gezien is dit een indrukwekkend voorbeeld van wat mogelijk is wanneer algoritmes en fysiologische modellering slim worden gecombineerd.

Tegelijkertijd is nuance belangrijk. Persoonlijk zie ik de MiniBox vooral als een inspirerend technologisch voorbeeld, maar minder als een directe vervanger van de bodybox in de dagelijkse praktijk:

De prijs blijft hoog, wat brede implementatie bemoeilijkt.
Het argument “geen gassen” is geen valide onderscheid t.o.v. bodyplethysmografie.
De echte meerwaarde zit in cabinless meten, workflow en patiëntcomfort, niet in fundamenteel andere fysiologie.

Desondanks laat de MiniBox vooral één belangrijk punt zien: klassieke meetmethoden zijn niet onaantastbaar. Met behulp van AI en slimme modellering kunnen longvolumes ook op andere manieren benaderd worden dan we decennialang gewend zijn.

Voor mij is de MiniBox daarom vooral geen eindpunt, maar een richtingaanwijzer.

Longvolumes voorspellen met AI op basis van spirometrie

Nog interessanter vind ik onderzoek waarbij AI wordt ingezet om longvolumes te voorspellen op basis van gewone spirometrie.

In een grootschalige studie (2025) werd machine learning toegepast op een dataset van meer dan 120.000 spirometrieën waarvan ook longvolumes bekend waren. Het AI-model leerde patronen herkennen in:

flow-volume-curves
volume-tijd-curves
patiëntkenmerken

Op basis daarvan kon het model parameters zoals TLC en RV schatten zonder dat een bodybox nodig was. De prestaties waren opvallend goed, met AUC-waarden tussen ongeveer 0,81 en 0,98 voor het herkennen van afwijkende longvolumepatronen.

Praktisch betekent dit dat het algoritme op basis van een eenvoudige spirometrie redelijk betrouwbaar kon inschatten of er sprake was van:

restrictie (lage TLC)
hyperinflatie (verhoogde TLC/RV)

Bijna vergelijkbaar met wat een volledige plethysmografische meting zou laten zien.

Dit opent interessante perspectieven:

screening in de eerste lijn
triage vóór verwijzing
gebruik in telemonitoring of thuismetingen

Zeker in omgevingen waar toegang tot uitgebreide longfunctie beperkt is, kan dit type AI-ondersteuning een grote meerwaarde hebben.

Forced Oscillation Technique (FOT): bij uitstek geschikt voor AI

Een andere meetmethode die sterk profiteert van AI is de Forced Oscillation Technique (FOT), ook wel oscillometrie genoemd.

FOT meet de respiratoire impedantie door tijdens rustige ademhaling kleine drukoscillaties toe te dienen. Het onderzoek is:

snel
inspanningsonafhankelijk
patiëntvriendelijk
gevoelig voor afwijkingen in de perifere luchtwegen

Het grote nadeel is dat de interpretatie complex is. FOT genereert veel parameters over meerdere frequenties, en de klinische betekenis daarvan is niet altijd eenduidig.

Hier komt AI duidelijk in beeld.

In meerdere studies is machine learning toegepast op oscillometrische data om patiënten te classificeren als:

gezond
astmatisch
COPD

Met behulp van neurale netwerken konden deze modellen:

astma en COPD van elkaar onderscheiden met accuratesse rond de 85%
gezonde proefpersonen onderscheiden van patiënten met longaandoeningen met meer dan 90% nauwkeurigheid

Dit levert technisch en klinisch bewijs dat AI-ondersteunde interpretatie van FOT-data daadwerkelijk toegevoegde waarde heeft.

Daarnaast zijn er studies waarin oscillometrie gecombineerd met AI wordt onderzocht voor:

vroege detectie van longbetrokkenheid bij systeemziekten (zoals sclerodermie)
het opsporen van small airway dysfunction die met spirometrie niet zichtbaar is

Met AI kan de rijkdom aan data die FOT oplevert eindelijk klinisch benut worden, in plaats van beperkt te blijven tot losse parameters.

In de nabije toekomst is het goed denkbaar dat patiënten die geen goede spirometrie kunnen uitvoeren – bijvoorbeeld door leeftijd, comorbiditeit of ziekte – toch waardevolle diagnostische informatie leveren door simpelweg één minuut rustig te ademen in een oscillometriesysteem, waarbij AI de interpretatie ondersteunt.

Juist omdat FOT weinig inspanning vraagt en rijk is aan data, lijkt deze techniek bij uitstek geschikt voor verdere AI-ontwikkeling binnen de longfunctie.

Tot slot: AI als versneller, niet als vervanger

Wat in vrijwel alle besproken toepassingen terugkomt, is dat AI zelden iets fundamenteel nieuws meet. De winst zit niet in nieuwe fysiologie, maar in betere benutting van bestaande informatie. AI versnelt, verdiept en structureert wat we al doen, maar doet dat consequenter en op grotere schaal.

Dat maakt AI binnen de longfunctie wezenlijk anders dan veel andere technologische innovaties. Het is geen nieuw apparaat dat “erbij komt”, maar een laag die zich door het hele proces heen vlecht:

van datakwaliteit,
via interpretatie,
naar besluitvorming.

Juist daardoor is de impact zo groot.

Van meting naar betekenis

Waar longfunctieonderzoek traditioneel sterk leunt op het correct uitvoeren van metingen, verschuift de kern van het vak langzaam richting duiding en betekenisgeving. AI kan helpen bij:

het herkennen van patronen die wij moeilijk kunnen overzien,
het objectiveren van kwaliteitscriteria,
het ondersteunen van complexe interpretatie.

Maar AI kan geen klinische context plaatsen, geen patiënt zien, geen verhaal wegen. Dat blijft mensenwerk.

De uitdaging voor de komende jaren is daarom niet of AI “goed genoeg” is, maar of wij bereid zijn ons vak mee te laten evolueren.

Toekomstbeeld: wat betekent dit voor het vak?

Als groot voorstander van AI zie ik vooral kansen, maar het zou onrealistisch zijn om te ontkennen dat dit ook ingrijpende veranderingen kan brengen voor het beroep van longfunctieanalist.

Mogelijke verschuivingen:

Minder nadruk op technische beoordeling
Meer focus op interpretatie en klinische context
Grotere rol in multidisciplinaire besluitvorming
Meer behoefte aan inhoudelijke expertise, minder aan routine

AI zal bepaalde taken deels overnemen. Dat kan voelen als een bedreiging, maar ik zie het vooral als een kans om het vak te verdiepen. De longfunctieanalist van de toekomst is minder “uitvoerder” en meer specialist in longfunctie-inzicht.

Conclusie

AI is geen toekomstmuziek binnen de longfunctie. Het gebeurt al, vaak op de achtergrond. De vraag is niet of AI een rol gaat spelen, maar hoe bewust we die rol vormgeven.

Als we AI inzetten als hulpmiddel voor kwaliteit, consistentie en verdieping, kan het ons vak sterker maken dan ooit. Mits we zelf de regie houden.

Een andere rol voor de longfunctieanalist

In dat toekomstbeeld verandert de longfunctieanalist:

minder technisch uitvoerend,
meer inhoudelijk adviserend,
sterker gepositioneerd als expert in longfunctie-inzicht.

Dat vraagt andere vaardigheden:

kritisch kunnen kijken naar AI-output,
begrijpen waar modellen hun grenzen hebben,
en vooral: weten wanneer je AI moet volgen en wanneer juist niet.

AI maakt het vak niet eenvoudiger, maar wel inhoudelijk rijker.

Epiloog: waarom dit geen hype is

AI binnen de longfunctie is geen modewoord en geen marketingverhaal. Het groeit vanuit concrete problemen die iedere longfunctieprofessional herkent:

variabele kwaliteit,
interpretatieverschillen,
toenemende complexiteit,
en druk op tijd en middelen.

Juist daarom geloof ik dat AI hier blijvend zal zijn. Niet als vervanging van expertise, maar als versterking ervan.

De vraag is niet of AI onderdeel wordt van ons vakgebied.

De vraag is of wij zorgen dat het op de juiste manier gebeurt.

Literatuur en bronnen (selectie)

Topalovic M, et al. (2019) – Artificial intelligence outperforms pulmonologists in the interpretation of pulmonary function tests
- https://pubmed.ncbi.nlm.nih.gov/30765505/ Peer-reviewed studie waarin AI-software PFT-interpretatie vergeleek met longartsen en zeer hoge patroonherkenning liet zien.
Das N, et al. (2023) – Collaboration between explainable AI and pulmonologists improves accuracy of PFT interpretation
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10196345/ Onderzoek waaruit blijkt dat samenwerking tussen AI en arts/analist de interpretatie van PFT’s verbetert.
Berger KI, et al. (2021) – Validation of a novel compact system for the measurement of lung volumes
- https://pubmed.ncbi.nlm.nih.gov/33539839/ Validatiestudie van de MiniBox (cabinless longvolumemeting) versus conventionele bodyplethysmografie.
PulmOne MiniBox+ studie (samenvatting) – TLC-meting met MiniBox+ vergeleken met bodybox-methoden
- https://www.pulm-one.com/minibox-lung-volumes-shown-to-be-equivalent-to-body-box-in-multi-center-study/ Samenvatting door de fabrikant van de klinische validatie met correlatiegegevens t.o.v. bodybox-meting.

Topalovic M, et al. – AI en PFT interpretatie (PubMed commentaar/abstract)
- https://pubmed.ncbi.nlm.nih.gov/31167887/ Een korte PubMed-vermelding van het Topalovic-werk over AI-interpretatie van PFT’s.
Ergonomische/technische achtergrond voor MiniBox+
- https://respirology.clarionmedical.com/hubfs/MEDICAL/SURGICAL/PulmOne%20MiniBox%2B/Interview_with_the_Experts_What_Makes_the_Minibox_different_PUO-DOC20051.pdf Technische vergelijking body box vs. MiniBox+ (pdf). Geen peer-review maar verklaart meetprincipe en verschillen.

Dit artikel is gebaseerd op een selectie van peer-reviewed literatuur, technische validatiestudies en praktijkervaringen binnen de longfunctie, gepubliceerd vanaf 2016.