AI, capnografie en de onbenutte rijkdom van longfunctie-data
Kunstmatige intelligentie (AI) dringt in hoog tempo door tot vrijwel elk medisch domein. Ook binnen de longfunctie groeit de belangstelling, al blijft die ontwikkeling vooralsnog vaak beperkt tot interpretatiehulpmiddelen of losse innovaties. Tegelijkertijd ontstaat steeds duidelijker het besef dat AI niet alleen nieuwe technieken mogelijk maakt, maar vooral een ander licht werpt op data die we al jaren verzamelen.
In een eerder artikel beschreef ik hoe AI kan bijdragen aan interpretatie, kwaliteitsbewaking en nieuwe meetmethoden binnen de longfunctie. Kort daarna kreeg ik een tip van een arts over een Brits systeem, N-Tidal Diagnose van TidalSense, dat op basis van een korte CO₂-ademtest met behulp van AI een COPD-diagnose zou kunnen ondersteunen.
Dat voorbeeld bleek vooral interessant omdat het een fundamentelere vraag oproept. Niet zozeer over dit specifieke apparaat, maar over onze dagelijkse praktijk als longfunctieprofessionals.
Wij meten al decennialang ademgassen, tonen realtime capnogrammen op inspannings- en ademgassystemen en slaan enorme hoeveelheden meetdata op in onze databases. Toch gebruiken we die informatie maar gedeeltelijk. De vraag dringt zich op of we met behulp van AI niet veel meer inzicht zouden kunnen halen uit bestaande longfunctie-data, zonder direct nieuwe apparatuur aan te schaffen.
In dit artikel verken ik:
- wat TidalSense precies doet en waarom dit diagnostisch interessant is,
- welke technische keuzes hierbij een rol spelen,
- in hoeverre vergelijkbare analyses denkbaar zijn met bestaande longfunctie- en inspanningsapparatuur,
- en welke beperkingen en kansen er liggen op het gebied van patenten, data-eigenaarschap en wetgeving.
Dit is geen pleidooi voor snelle implementatie of technologische hype, maar een inhoudelijke verkenning van een bredere vraag: benutten we de rijkdom aan longfunctie-data die we al jaren tot onze beschikking hebben wel optimaal?
Wat is N-Tidal Diagnose (TidalSense)?
N-Tidal Diagnose is een draagbaar diagnostisch systeem dat COPD probeert te herkennen op basis van een korte meting van uitgeademde CO₂ tijdens rustige ademhaling. In plaats van geforceerde manoeuvres of klassieke spirometrie ademt de patiënt ongeveer 75 seconden ontspannen door een mondstuk.
Tijdens deze meting registreert het systeem het volledige capnogram, oftewel de CO₂-concentratie als functie van de tijd. Uit de vorm van deze curve worden kenmerken geëxtraheerd, zoals hellingen, plateaufase en timing binnen de ademcyclus. Deze kenmerken worden vervolgens geanalyseerd met behulp van machine-learning-modellen die zijn getraind om patronen te herkennen die passen bij COPD.
Volgens de fabrikant laat het systeem een hoge sensitiviteit en specificiteit zien en wordt het inmiddels in pilots binnen de Britse NHS ingezet als point-of-care hulpmiddel in de eerste lijn. Het concept is aantrekkelijk: een korte, inspanningsonafhankelijke test met minimale belasting voor de patiënt, die toch diagnostische informatie oplevert.
Maar capnografie bestaat al decennia
Voor iedereen die werkt met inspanningsergometrie of ademgasanalyse voelt dit idee meteen vertrouwd. In vrijwel alle moderne systemen meten we al end-tidal CO₂, ademfrequentie en ventilatie, en tonen we realtime het capnogram op het scherm.
Capnografie is al meer dan veertig jaar onderdeel van de klinische praktijk. Ook de analyse van de vorm van het capnogram – zoals de overgang tussen fasen II en III, de helling van het alveolaire plateau en effecten van dode ruimte – is geen nieuwe wetenschap. Deze principes zijn uitgebreid beschreven in de literatuur en worden al lang toegepast in anesthesie, intensive care en inspanningsdiagnostiek.
Het fundamentele verschil zit daarom niet in de gemeten parameter of het sensorprincipe, maar in de manier waarop de data tegenwoordig wordt geanalyseerd. Waar capnografie traditioneel vooral kwalitatief of globaal wordt beoordeeld, gebruikt TidalSense AI om systematisch patronen in de curvevorm te herkennen en te koppelen aan ziektebeelden.
Precies daar ontstaat een interessante gedachte: als we deze ademcurves al jaren meten, waarom zou een vergelijkbare AI-analyse dan niet ook mogelijk zijn met bestaande longfunctie- of inspanningsapparatuur?
Wat is N-Tidal Diagnose (TidalSense)?
N-Tidal Diagnose is een draagbaar diagnostisch systeem dat COPD probeert te herkennen op basis van een korte meting van uitgeademde CO₂ tijdens rustige ademhaling. Geen geforceerde manoeuvres, geen spirometrie, maar ongeveer 75 seconden ontspannen ademen door een mondstuk.
Het systeem:
• registreert het volledige capnogram (CO₂-concentratie versus tijd),
• extraheert kenmerken uit de vorm van de curve (hellingen, plateaufase, timing),
• en gebruikt machine-learning-modellen om patronen te herkennen die passen bij COPD.
De fabrikant rapporteert hoge sensitiviteit en specificiteit, en het systeem wordt inmiddels in pilots binnen de Britse NHS ingezet als point-of-care hulpmiddel in de eerste lijn.
Het principe is elegant: geen inspanningsafhankelijke test, minimale belasting voor de patiënt, en toch diagnostische informatie.
Wat doet TidalSense technisch anders?
Hoewel de basisparameter hetzelfde is, zijn er wel degelijk enkele belangrijke technische verschillen tussen de aanpak van TidalSense en de manier waarop capnografie doorgaans binnen longfunctie- en inspanningssystemen wordt gebruikt.
Resolutie en signaalkwaliteit
Voor een betrouwbare AI-analyse van de vorm van het capnogram is een hoge signaalkwaliteit essentieel. Dat betekent een voldoende hoge samplingfrequentie, minimale filtering van het ruwe signaal, een stabiele nul-lijn en een sensor met een snelle respons. Juist die eigenschappen zijn nodig om subtiele verschillen in de vorm van afzonderlijke ademteugen te kunnen herkennen.
Veel bestaande ademgassystemen zijn daar niet primair op ontworpen. Het capnogram wordt vaak sterk gemiddeld of gefilterd, omdat de focus ligt op globale parameters zoals de EtCO₂-trend of de berekening van VCO₂. Voor micro-vormanalyse van individuele ademcurves is het signaal in die systemen meestal onvoldoende gedetailleerd.
TidalSense kiest hier bewust een andere benadering en maakt gebruik van high-resolution capnografie die specifiek is geoptimaliseerd voor vormherkenning in plaats van alleen trendanalyse.
Synchronisatie met ademhaling en flow
Een tweede belangrijk punt is de synchronisatie tussen het capnogram en de ademhaling. Voor het extraheren van betekenisvolle kenmerken moet exact bekend zijn waar elke in- en uitademing begint en eindigt, hoe de CO₂-curve is gekoppeld aan de flow, en hoe eventuele transportvertragingen – bijvoorbeeld bij side-stream metingen – zijn gecorrigeerd.
In veel bestaande systemen lopen flow en capnogram niet perfect synchroon. Er kan sprake zijn van variabele vertraging in de meting en ademcurves worden meestal niet expliciet gelabeld per ademteug. Voor visuele beoordeling is dat vaak geen probleem, maar voor AI-modellen, die sterk afhankelijk zijn van consistente en reproduceerbare input, is dit een cruciale beperking.
Toegang tot ruwe data: de echte bottleneck
Misschien wel het grootste verschil zit in de toegang tot data. De meeste commerciële longfunctie- en inspanningssystemen tonen het capnogram op het scherm en rapporteren EtCO₂-waarden of breath-by-breath gemiddelden, maar geven de gebruiker doorgaans geen toegang tot de volledige ruwe capnogram-waveforms.
Wat ontbreekt is de mogelijkheid om volledige CO₂-tijdseries per ademteug te exporteren, met voldoende resolutie om machine-learning op toe te passen. Zonder die ruwe data is een vergelijkbare AI-analyse eenvoudigweg niet mogelijk.
TidalSense heeft dit fundamenteel anders ingericht. Het systeem slaat alle ademcurves expliciet op, stuurt deze naar een cloudplatform en gebruikt de volledige golfvormen als input voor de machine-learningmodellen. Die architectuur is vanaf het begin ontworpen met data-analyse als primair doel.
In theorie: kan dit met bestaande apparatuur?
Mijn professionele inschatting is dat dit technisch gezien absoluut mogelijk is, mits er samenwerking is met de leverancier van de apparatuur. Als een fabrikant bereid is om ruwe capnogram-data beschikbaar te maken, sampling en filtering aan te passen en de synchronisatie met flow te verbeteren, dan is er geen fundamentele fysiologische of meetkundige reden waarom vergelijkbare analyses niet gerealiseerd zouden kunnen worden.
Sterker nog, veel bestaande systemen beschikken zelfs over meer informatie dan TidalSense alleen. Naast capnografie meten zij vaak ook flow-curves, volume-integratie, ademfrequentie en diverse ventilatieparameters, en in sommige gevallen zelfs FOT-data. Dat opent de deur naar nog rijkere combinaties van signalen dan capnografie alleen.
En hoe zit het met patenten?
De vraag of deze vorm van AI-ondersteunde capnografie gepatenteerd is, ligt voor de hand. Zeker wanneer een technologie commercieel succesvol lijkt, ontstaat al snel de indruk dat het onderliggende idee “dichtgetimmerd” zal zijn. In de praktijk ligt dat genuanceerder.
Capnografie zelf is al decennialang een gevestigde techniek. Het meten van uitgeademde CO₂, het weergeven van het capnogram en zelfs de interpretatie van de curvevorm zijn uitgebreid beschreven in de klassieke literatuur. Het idee om de vorm van een CO₂-curve te gebruiken voor fysiologische of diagnostische interpretatie is daarmee geen nieuw concept. Op dat niveau bestaat er dus veel zogenoemde prior art, wat betekent dat dit fundament niet opnieuw te patenteren is.
Waar patenten in dit domein wél een rol spelen, is in de specifieke uitwerking. Het is aannemelijk dat TidalSense bescherming heeft aangevraagd of verkregen op onderdelen zoals hun sensorontwerp, de manier waarop sampling en signaalverwerking plaatsvinden, de selectie en combinatie van kenmerken die uit het capnogram worden geëxtraheerd, en de concrete machine-learning-pipeline die wordt gebruikt voor classificatie en rapportage. Ook de gekozen workflow — bijvoorbeeld cloud-gebaseerde analyse en terugkoppeling van resultaten — kan onderdeel zijn van een beschermde implementatie.
Dat betekent dat TidalSense hun eigen oplossing kan beschermen, maar niet het gehele idee van “AI toepassen op capnogrammen voor COPD-diagnostiek” kan monopoliseren. Patenten beschermen een specifieke technische route, niet het onderliggende probleem of het klinische doel.
Voor andere leveranciers of onderzoeksinitiatieven blijft er daarom ruimte om een eigen benadering te ontwikkelen. Dat kan door gebruik te maken van andere sensoren, andere filters en samplingstrategieën, alternatieve vormen van feature-extractie of zelfs end-to-end modellen die direct op de ruwe golfvorm worden getraind. Ook de klinische positionering kan verschillen, bijvoorbeeld door de technologie in te zetten als screeningsinstrument, beslisondersteuning of onderzoeksapplicatie in plaats van als primaire diagnostische test.
Voor daadwerkelijke commerciële implementatie is een zogeheten freedom-to-operate-analyse uiteraard altijd noodzakelijk. Daarmee wordt beoordeeld of een specifieke technische uitwerking niet inbreuk maakt op bestaande patenten. Conceptueel gezien lijkt dit veld echter zeker niet volledig afgesloten.
Wat dit vooral onderstreept, is dat de kern van de innovatie niet ligt in één gepatenteerd apparaat, maar in de combinatie van data, analyse en interpretatie. Juist daar ligt ruimte voor samenwerking tussen longfunctielabs, onderzoekers en leveranciers, mits vanaf het begin bewust wordt omgegaan met intellectueel eigendom en transparantie.
Een gemiste kans in de longfunctie?
Wat mij misschien nog wel het meest fascineert aan de technologie van TidalSense, is dit:
De longfunctie- en inspanningswereld beschikt al jaren over precies de data die nu als innovatief wordt gepresenteerd.
We meten al decennialang:
• capnogrammen,
• ademcurves,
• ventilatieprofielen,
• flow-volume-lussen,
• diffusiewaarden,
• longvolumes,
• en steeds vaker ook FOT-data.
Maar diagnostisch benutten we deze informatie slechts gedeeltelijk. Buiten:
• EtCO₂-trends,
• ventilatoire equivalenten,
• en globale interpretatiekaders,
laten we een enorme hoeveelheid vorminformatie en multivariabele samenhang grotendeels liggen.
TidalSense laat zien dat juist in die vorm van data – bijvoorbeeld de geometrie van het capnogram – diagnostische waarde kan zitten die we klinisch nooit systematisch hebben ontsloten.
De echte gemiste kans: onze eigen historische databanken
Wat dit nóg interessanter maakt, is dat vrijwel elk longfunctielab inmiddels beschikt over enorme hoeveelheden historische meetdata die digitaal zijn opgeslagen.
Denk aan:
• duizenden tot tienduizenden spirometrieën,
• ademgasmetingen bij inspanning,
• capnogrammen,
• diffusietesten,
• longvolumemetingen,
• en in sommige centra ook FOT-onderzoeken.
Deze databanken bevatten:
• exact dezelfde ruwe signalen,
• dezelfde curvevormen,
• dezelfde ademhalingspatronen,
waar AI-modellen juist goed in zijn: patronen herkennen, correlaties leggen en subtiele verschillen opsporen die voor het menselijk oog moeilijk zichtbaar zijn.
In feite ligt in veel longfunctielabs al jaren een perfecte trainingsdataset te wachten.
Waarom gebeurt hier nu niets mee?
Dat hier tot nu toe zo weinig met deze historische longfunctie-data is gedaan, heeft weinig te maken met een gebrek aan klinische relevantie. De oorzaken liggen vooral in praktische barrières die zich in de loop der jaren hebben opgebouwd.
Veel leveranciers bieden bijvoorbeeld geen toegang tot ruwe meetdata. Wat beschikbaar is voor de gebruiker, beperkt zich vaak tot samenvattingen, gemiddelden of visuele weergaven, terwijl de onderliggende signalen niet exporteerbaar zijn. Daarnaast staan data vaak opgeslagen in propriëtaire formaten, waardoor hergebruik buiten het oorspronkelijke softwaresysteem lastig of zelfs onmogelijk wordt.
Ook zijn de meeste databases nooit ontworpen met geavanceerde data-analyse in gedachten. Ze zijn ingericht voor verslaglegging en rapportage, niet voor grootschalige patroonherkenning of modeltraining. Daar komt bij dat de koppeling tussen meetdata en klinische diagnoses in de praktijk vaak onvolledig is, waardoor het moeilijk wordt om betrouwbare trainingssets samen te stellen.
Het is belangrijk om te benadrukken dat dit geen fysiologische beperkingen zijn. De data zelf is rijk en klinisch relevant. Het gaat hier om technische en organisatorische obstakels.
Met de huidige stand van zaken op het gebied van opslagcapaciteit, rekenkracht en open-source machine-learning zijn dit in principe oplosbare problemen. De drempels zijn vooral praktisch van aard, niet fundamenteel. Dat maakt deze uitdaging tegelijk complex én kansrijk.
Van “oude data” naar nieuwe inzichten
Wat TidalSense in feite laat zien, is niet zozeer een nieuwe manier van meten, maar een nieuwe manier van kijken naar metingen die al lang bestaan. De kracht van hun benadering zit niet in het toevoegen van een extra parameter, maar in het systematisch analyseren van patronen die in bestaande signalen besloten liggen.
Precies dat principe zou ook toepasbaar kunnen zijn op veel andere onderdelen van het longfunctieonderzoek. Denk aan de vorm van spirometrische curves, frequentie-afhankelijke profielen uit FOT-metingen, de dynamiek binnen diffusietesten of de variatie in capnogramvormen tijdens rust en inspanning. In al deze metingen schuilt informatie die we traditioneel slechts gedeeltelijk benutten.
Het idee dat we met behulp van AI in historische datasets nieuwe fenotypes zouden kunnen herkennen, vroege ziektepatronen zouden kunnen opsporen of betere risicostratificatie zouden kunnen toepassen, is dan ook niet langer futuristisch. Technisch gezien ligt dit inmiddels binnen handbereik.
De technologie van TidalSense is in dat opzicht interessant, maar misschien nog interessanter is de spiegel die zij ons voorhouden. Namelijk dat we binnen de longfunctie al jaren beschikken over rijke, diagnostisch waardevolle data die nooit volledig is ontsloten. Niet omdat deze data onvoldoende relevant was, maar omdat de analytische middelen ontbraken om er werkelijk diepgaande inzichten uit te halen.
Met de opkomst van AI verandert dat fundamenteel.
Wet- en regelgeving: de onzichtbare maar bepalende barrière
Naast technische en organisatorische drempels is er nog een minstens zo belangrijke factor die bepaalt wat wel en niet mogelijk is: privacywetgeving.
Vrijwel alle longfunctiegegevens vallen onder de strengste categorie persoonsgegevens binnen de AVG (Algemene Verordening Gegevensbescherming). Het gaat om medische data die direct of indirect herleidbaar zijn tot individuele patiënten. Dat betekent dat:
• data niet zomaar voor nieuwe doeleinden gebruikt mag worden,
• hergebruik voor AI-training juridisch een nieuw verwerkingsdoel vormt,
• expliciete toestemming of een duidelijke onderzoeksgrondslag vereist is,
• en volledige anonimisering in de praktijk vaak lastig is bij complexe meetdata.
Zelfs wanneer data technisch beschikbaar is, mag deze juridisch vaak niet zonder meer worden ontsloten.
Dit maakt grootschalige AI-analyse in de zorg fundamenteel anders dan in commerciële sectoren. Waar in andere domeinen data relatief vrij gebruikt kan worden, vraagt medische AI om:
• ethische toetsing,
• dataminimalisatie,
• pseudonimisering of anonimisering,
• duidelijke governance-structuren,
• en vaak goedkeuring van METC en functionaris gegevensbescherming.
Data is er wel, maar vaak ‘opgesloten’
In de praktijk leidt dit ertoe dat waardevolle longfunctiegegevens vaak moeilijk toegankelijk zijn. Ze zijn doorgaans opgesloten in ziekenhuisinformatiesystemen en of meetsystemen en sterk verbonden aan het oorspronkelijke diagnostische doel waarvoor ze zijn verzameld. Hergebruik voor andere toepassingen, zoals AI-analyse, is daardoor juridisch niet vanzelfsprekend en vaak alleen mogelijk onder strikte voorwaarden.
Daarnaast mogen meetgegevens meestal niet zonder aanvullende toestemming worden gekoppeld aan klinische uitkomsten, terwijl juist die koppeling essentieel is voor zinvolle modeltraining en validatie. Het delen van data met externe partijen, zoals leveranciers of onderzoeksconsortia, is eveneens aan strenge regels gebonden en in veel gevallen helemaal niet toegestaan.
Deze beperkingen worden verder versterkt doordat veel leveranciers werken met gesloten dataformaten en beperkte exportmogelijkheden. Zelfs wanneer hergebruik binnen dezelfde organisatie wenselijk is, kan dit technisch en juridisch complex zijn.
Zo ontstaat een paradoxale situatie: we beschikken over precies de data die nodig is om AI-modellen te trainen en nieuwe inzichten te genereren, maar mogen of kunnen deze data in de praktijk nauwelijks benutten.
Maar: niet onmogelijk, wél zorgvuldig
Tegelijkertijd is deze situatie geen onoverkomelijke blokkade. In reactie op precies dit probleem – het spanningsveld tussen datagedreven innovatie en strikte privacywetgeving – zijn de afgelopen jaren binnen de gezondheidszorg verschillende concrete methoden ontwikkeld om medische data toch verantwoord te kunnen hergebruiken.
Binnen academische centra en onderzoeksnetwerken wordt bijvoorbeeld steeds vaker gewerkt met retrospectief onderzoek op basis van goedgekeurde onderzoeksprotocollen, waarbij het doel van datagebruik expliciet wordt vastgelegd en getoetst door ethische commissies. Pseudonimisering, met gescheiden sleutelbeheer, vormt daarbij een essentiële basis om patiëntgegevens te beschermen en herleidbaarheid te minimaliseren.
Daarnaast is er de opkomst van federated learning: een vorm van machine learning waarbij data het ziekenhuis of onderzoekscentrum niet verlaat. In plaats daarvan worden algoritmen lokaal getraind en worden alleen geaggregeerde modelupdates gedeeld. Deze aanpak wordt inmiddels actief onderzocht en toegepast in verschillende medische domeinen, juist omdat zij samenwerking tussen instellingen mogelijk maakt zonder centrale data-opslag en daarmee beter aansluit bij privacywetgeving zoals de AVG.
Ook AI-training binnen streng beveiligde ziekenhuisomgevingen, waarbij rekenkracht en analyse naar de data toe worden gebracht in plaats van andersom, blijkt in de praktijk haalbaar. In meerdere onderzoeksprojecten wordt aangetoond dat dergelijke privacy-bewuste architecturen technisch werkbaar zijn en klinisch relevante resultaten kunnen opleveren, zij het met extra organisatorische en technische complexiteit.
Belangrijk is dat deze benaderingen geen theoretische concepten meer zijn, maar actief worden onderzocht en in sommige gevallen al toegepast binnen de gezondheidszorg. Ze laten zien dat verantwoord hergebruik van medische data mogelijk is, mits dit vanaf het begin zorgvuldig wordt ingericht.
Juist hier ligt een belangrijke rol voor longfunctielabs, klinische onderzoekers en leveranciers. Door samen te werken aan transparante onderzoeksopzetten en AI-toepassingen volgens het principe van privacy-by-design, kan innovatie plaatsvinden zonder het vertrouwen van patiënten of de juridische kaders uit het oog te verliezen.
Een nieuwe uitdaging voor het vakgebied
De opkomst van AI betekent daarmee niet alleen een technische en klinische verandering, maar ook een juridische en organisatorische verschuiving.
De longfunctieprofessional van de toekomst krijgt mogelijk te maken met vragen als:
• wie is eigenaar van meetdata?
• wie mag modellen trainen op deze gegevens?
• hoe borgen we transparantie en uitlegbaarheid?
• en hoe beschermen we patiëntvertrouwen?
AI in de longfunctie is dus niet alleen een verhaal van algoritmes en sensoren, maar ook van ethiek, governance en regelgeving.
Toekomstbeeld: capnografie + AI als aanvulling op spirometrie?
Ik zie deze ontwikkeling nadrukkelijk niet als een vervanging van spirometrie. De waarde van spirometrie binnen de longfunctie blijft onverminderd groot. Wel lijkt het realistisch dat AI-ondersteunde capnografie in de toekomst een aanvullende rol kan gaan spelen binnen het diagnostische proces.
Die rol zou zich op verschillende manieren kunnen manifesteren. Denk aan laagdrempelige screening in de eerste lijn, waar snelle en patiëntvriendelijke tests gewenst zijn. Ook bij patiënten die moeite hebben met geforceerde manoeuvres, bijvoorbeeld door leeftijd, comorbiditeit of ziekte, kan een inspanningsonafhankelijke ademtest een waardevol alternatief bieden. Daarnaast zou AI-analyse van capnogrammen kunnen helpen bij triage vóór verwijzing, of als aanvulling bij complexe diagnostiek in de tweede of derde lijn, bijvoorbeeld in combinatie met FOT-metingen en uitgebreide ademgasanalyse.
In dat toekomstbeeld is het voorstelbaar dat een korte periode van rustige ademhaling, gecombineerd met AI-analyse, al een eerste indruk kan geven van obstructieve pathofysiologie. Wat nu nog als innovatief wordt gezien, voelt daarmee ineens veel minder futuristisch en sluit juist logisch aan bij de bestaande longfunctiepraktijk.
Conclusie
De technologie van TidalSense is technisch elegant en klinisch interessant. Maar misschien nog interessanter is de vraag die zij onbedoeld oproepen:
Hebben wij al jaren diagnostische informatie in handen die we nooit volledig benut hebben?
Capnografie is oud.
AI is nieuw.
De combinatie zou wel eens een onverwachte nieuwe laag in de longfunctie kunnen openen.
En misschien, met de juiste samenwerking tussen longfunctielabs, onderzoekers en leveranciers, hoeft daar geen nieuwe hardware voor aangeschaft te worden.
De echte uitdaging ligt niet in de sensoren of de algoritmes, maar in de bereidheid om bestaande data, systemen en kaders opnieuw te durven bekijken.
Bronnen (selectie)
- Rieke N. et al. The future of digital health with federated learning. npj Digital Medicine, 2020. Beschrijft federated learning als privacy-behoudende AI-aanpak voor medische data.
- Kaissis G. et al. Secure, privacy-preserving and federated machine learning in medical imaging. Nature Machine Intelligence, 2020. Overzicht van federated learning en privacy-bescherming binnen klinische AI.
- Sheller M.J. et al. Federated learning in medicine: facilitating multi-institutional collaborations without sharing patient data. Scientific Reports, 2020. Praktische voorbeelden van federated learning in ziekenhuizen.
- Rodolfo Stoffel Antunes et al. Federated learning for healthcare: systematic review. Artificial Intelligence in Medicine, 2022. Review van toepassingen en randvoorwaarden voor federated learning in de zorg.
- European Commission – Ethics Guidelines for Trustworthy AI Richtlijnen voor privacy-by-design en verantwoord AI-gebruik in Europa.
- Officiële productpagina van N-Tidal Diagnose
Deze pagina beschrijft het systeem zelf: CE-gemarkeerd medisch apparaat, AI-analyse van CO₂-waveforms en diagnostische rapportage binnen enkele minuten. 👉 https://tidalsense.com/n-tidal-diagnose/ - Talker et al. Diagnosis and Severity Assessment of COPD Using a Novel Fast-Response Capnometer and Interpretable Machine Learning
Geef een reactie