Observeren maakt al van oudsher deel uit van ‘de geneeskunst’. Hier komen verschillende zintuigen bij kijken, onder andere het zicht (inspectie), het gehoor, de tastzin en, in mindere mate, de reukzin en de smaak (die laatste twee zijn nagenoeg volledig uit de praktijk verdwenen). Onze zintuigen zijn niet onfeilbaar, en de vraag is dan of ze vervangbaar zijn door technologie die beter in staat is om snel, betrouwbaar en reproduceerbaar bepaalde klinische tekenen te analyseren. We zullen dat illustreren met enkele voorbeelden op het vlak van het zicht, het gehoor en de reukzin.

Introductie

De geneeskunde baseert zich sinds oudsher op observatie. De benadering van de geneeskunde op basis van de kunst van zorgvuldig en scrupuleus pathologische tekenen op te sporen wordt toegeschreven aan Hippocrates van Kos (460-377 v.C.). Maar of hij wel echt de geestelijke vader van de observatiegeneeskunde is, wordt soms in twijfel getrokken (1). Heraclitus van Efese (6e eeuw v.C., dus een eeuw vóór Hippocrates) had al uiteenzettingen gehouden over het belang van de “dingen die waarneembaar zijn via het zicht, de tastzin, het gehoor, de neus, de tong en de intelligentie… om zich een oordeel te vormen”.

De op klinische observatie gebaseerde benadering verdwijnt later zo goed als overal, op een paar verzetshaarden na (bijvoorbeeld de geneeskunde in de Arabische wereld), en in de plaats daarvan doet in zowat de hele westerse wereld een ware karikatuur van ‘de geneeskunst’ zijn intrede; een situatie die trouwens verschillende eeuwen zal aanhouden. Pas in de 19e eeuw is er opnieuw sprake van hetzelfde kwaliteitsniveau als in de 2e eeuw n.C. (2).

De laatste 200 jaar zien we dat technische onderzoeken (in het bijzonder medische beeldvorming en biologische tests) de medische wereld steeds meer hebben veroverd en zelfs de symptomatologie van haar voetstuk hebben gestoten (2, 3). Volgens sommigen leidde dit zelfs tot ‘klinische luiheid’ (4). Inspectie (wat visueel vaststelbaar is) en observatie (die beroep doet op onze zintuigen) hebben de facto plaats moeten ruimen voor die alomtegenwoordige technologie, die trouwens blijft evolueren. De vooruitgang van de technologie is vandaag exponentieel, vooral sinds de ontwikkeling van de artificiële intelligentie (AI), wat heeft geleid tot een heuse ontwrichting (een breuk) in de medische praktijk. Sommigen trekken echter aan de alarmbel, want “er bestaat geen groter gevaar dan een kloof tussen de technische en humanistische aspecten van het medische beroep” (2).

Creëert de alomtegenwoordige en razendsnelle technologische vooruitgang geen ultieme paradox? Is dit niet dé gelegenheid om het beroep van zorgverlener opnieuw zin te geven door te automatiseren waar mogelijk? We zouden de kostbare tijd die we zo besparen veel nuttiger kunnen besteden aan meer empathie, een betere begeleiding, stimulatie van het (holistische) inzicht en investeren in het uitleggen en coördineren van de zorgtrajecten van patiënten (of algemener van de gezondheid, volgens de algemene definitie van de Wereldgezondheidsorganisatie).

Bovendien is er een groot individueel verschil in het gebruik van onze zintuigen en gaat die capaciteit progressief achteruit met de leeftijd (van de zorgverlener). Zouden we daarom die technologische vooruitgang niet beter verwelkomen en het beroep resoluut richten op de menselijke relatie? Aspecten als luisteren, bespreken en een relatie met respect voor de andere opbouwen, krijgen dan een centrale plaats, nadat ze die jammer genoeg kwijtgespeeld waren ten gunste van het toenemende aantal financieel gevaloriseerde verrichtingen (3).

De sector van onderzoek en ontwikkeling investeert nu massaal in de ontwikkeling van ‘substituerende’ systemen voor menselijke zintuigen. Vaak zijn de technieken er zelfs op ­ge­ïnspireerd (5). We zullen er hier een bewust klein gehouden aantal van bespreken. Ze vervangen bepaalde van onze zintuigen uitstekend omdat ze doorgaans sneller, betrouwbaarder en efficiënter zijn.

Het zicht

De visuele inspectie van een patiënt maakt het mogelijk om gemakkelijk (en soms bijna onmiddellijk) bepaalde klinische tekenen te ontdekken die wijzen op bepaalde ziekten. De lijst van die klinische tekenen is lang. We gaan die uiteraard niet allemaal opsommen, maar enkele voorbeelden illustreren goed ons vermogen om ‘een diagnose te zien’. Met de eerste blik die we op de patiënt werpen, gewoon door naar zijn gezicht en hals te kijken, kunnen we meteen bepaalde tekenen opmerken die wijzen op een bepaalde ziekte (bijvoorbeeld zwelling van de hals in een context van het venacavasuperiorsyndroom). Als hij u een hand geeft bij het binnenkomen, merkt u misschien een erythema palmare op dat u kan doen denken aan levercirrose. Let ook op de vorm van de handen, want als de persoon een cubitale deviatie ter hoogte van de metacarpofalangeale gewrichten en een palmaire subluxatie vertoont, kan dat wijzen op reumatoïde artritis.

De huid is uiteraard iets dat meteen zichtbaar is tijdens deze eerste inspectie. We gaan er dieper op in. De zorgverlener moet proberen om afwijkingen op te sporen, bijvoorbeeld een abnormale kleur, het al dan niet aanwezig zijn van een vorm van huiduitslag of van huidletsels die de arts eventueel in de richting van een oncologische diagnose kunnen sturen.

Een visuele inspectie van de huid van het hele lichaam is echt cruciaal om maligne huidletsels, vooral melanomen, vroeg te kunnen opsporen. In de symptomatologie hebben we de fameuze ‘ABCDE-regel’ geleerd: de ‘A’ van asymmetrie (niet rond en symmetrisch), de ‘B’ van begrenzing (regelmatig of onregelmatig), de ‘C’ van ‘color’ (kleur) (homogeen of polychroom), de ‘D’ van diameter (kleiner of groter dan 6mm) en de ‘E’ van evolutief karakter (groeisnelheid). De literatuur wijst er echter op dat het percentage foute interpretaties van dergelijke pigmentletsels hoog lijkt. We kunnen ons niet veroorloven om louter te vertrouwen op onze visuele capaciteiten om een schijnbaar goed­aardig letsel te onderscheiden van een kwaadaardig letsel. We hebben onze beperkingen, zodat we andere middelen moeten gebruiken om tot een correcte diagnose te komen (6). Nu kunnen we AI inzetten, waarmee zelfs personen zonder specifieke dermatologische expertise een correcte differentiaaldiagnose kunnen stellen. Zo stelt een applicatie zoals DermaScan® (smartphone-app, met CE-markering) de gebruiker in staat om 588 huidziekten te identificeren! Volgens de ontwerpers bedraagt de algemene nauwkeurigheid 97% (sensitiviteit van 73%, specificiteit van 95%). Verschillende publicaties tonen het potentiële voordeel van dergelijke applicaties in de eerste lijn aan, want met de hulp van dit soort technologie komen huisartsen en verpleegkundigen vaker tot diagnoses die daadwerkelijk overeenstemmen met die van de dermatoloog (7).

Om een melanoom op te sporen kan een specifieke applicatie zoals Nomela® helpen. In studies die zijn uitgevoerd in Schotland en Engeland is 100% sensitiviteit (mogelijkheid op een positief resultaat als de hypothese wordt getoetst) bereikt voor non-melanoomletsels. Met dat resultaat is het uiteraard niet nodig om de patiënt naar een dermatoloog te sturen voor een tweede opinie.

AI is ontegensprekelijk massaal aan een opmars bezig in de dermatologie, bijvoorbeeld om goedaardige van kwaadaardige huidletsels te onderscheiden, om de diagnose en de follow-up van inflammatoire huidziekten zoals psoriasis te verbeteren, voor de specificatie en de follow-up van huidulcera, of zelfs om het klinische verloop van een huidletsel te voorspellen (8, 9). Natuurlijk zijn er nog heel wat problemen en barrières uit de weg te ruimen vooraleer het tot een grootschalig gebruik van dergelijke applicaties komt. In de lijst van problemen vinden we onder andere de selectiebiases: er is immers vastgesteld dat er weinig patiënten met een gekleurde huid opgenomen zijn in de studies die zijn uitgevoerd om het algoritme op te stellen en te valideren. Daarnaast zijn er ook problemen met de standaardisatie. Maar wat nog belangrijker is, is dat de invoering van dergelijke applicaties in de klinische routine een culturele omslag bij het medische korps vereist. Slechts 23% van de ondervraagde dermatologen lijkt echt het fijne te weten van AI. Velen beseffen niet dat AI er onvermijdelijk aankomt in hun specialisme, hoewel 77% a priori vindt dat AI bedoeld is om de diagnoses te helpen verbeteren (10, 11).

De biases inzake patiëntenselectie (bepaalde huidskleuren zijn ondervertegenwoordigd in de studies) beïnvloeden sterk de doeltreffendheid van de neuronale netwerken in AI en zetten de externe validiteit ervan (buiten de initiële cohorte die is gebruikt voor het opstellen van het model en de interne validatie) op de helling (12). Om de transparantie van AI te verbeteren en selectiebiases te vermijden, heeft het MIT Media Lab een vergelijking gemaakt tussen de Fitzpatrick Skin Test (FST), die gebaseerd is op annotaties van ervaren dermatologen op een set afbeeldingen uit dermatologieatlassen en -boeken, en een automatisch algoritme (Individual Typology Angle, ITA-FST) om de huidskleur te bepalen (12, 13). Daaruit blijkt dat het algoritme minder betrouwbaar is dan de experts om huidtypes te klasseren volgens huidskleur. Bijgevolg blijft het (althans nu nog) nodig om een beroep te doen op menselijke experts om de selectiebiases doeltreffend te elimineren bij het valideren van een algoritme. En die stap is absoluut noodzakelijk als we de grote onrechtvaardigheid die er bestaat in de zorg niet nog willen vergroten (14). Omgekeerd is het algoritme niet bruikbaar voor personen met een huidskleur die niet overeenstemt met die van de cohorte die is gebruikt om het model op te stellen.

We kunnen weliswaar begrip opbrengen voor de vrees van specialisten in de dermatologie (een van de vele specialismen in de geneeskunde waar AI de zekerheden doet wankelen), maar het is nu al duidelijk dat de coronacrisis, toen de toegang tot de gezondheidszorg beperkt was, voor een significante vertraging in de diagnoses heeft gezorgd. Dat is een bijzonder nadelige situatie, vooral voor huidkanker (15). De opgelopen achterstand in de oncologie zal over het algemeen niet weggewerkt zijn vóór 2033. En dat op voorwaarde dat de gezondheidssector 5% boven de capaciteit van voor de gezondheidscrisis kan draaien. De situatie is dus allesbehalve zeker, rekening houdend met de huidige crisis, met het flagrante tekort aan menselijke en financiële middelen (16). In zo’n context kunnen we niet anders dan massaal onze toevlucht nemen tot nieuwe technologieën. Het goede nieuws is dat AI resultaten haalt die minstens vergelijkbaar zijn met die van ervaren dermatologen (17). En om de technologie echt voor iedereen toegankelijk te maken en een grootschalige screening aan te bieden, heeft het Massachusetts Institute of Technology (MIT) in Boston AI ontwikkeld die in staat is om op beelden die met een groothoeklens zijn gemaakt eventuele verdachte pigmentletsels aan te duiden. Het plan is om dit soort technieken te gebruiken om een schifting uit te voeren van de personen en zo overbelasting van de dermatologen die al overstelpt zijn met allerlei aanvragen te vermijden (18).

Het gehoor

Vanaf het eerste contact luisteren we aandachtig naar de patiënten (de ene zorgverlener al wat meer dan de andere). Luisteren is een kostbare en complexe vaardigheid. Kostbaar omdat het een manier is om een band te smeden. En moeilijk en complex omdat er allerhande gevoelens meespelen, in een context waarin we onder tijds- en financiële druk staan.

Wie de oren spitst, kan soms geluiden identificeren die wijzen op bepaalde ziekten (een typisch voorbeeld: een gewijzigd timbre in een context van aangetaste stembanden). Vanaf een bepaalde leeftijd kan iedereen echter ten prooi vallen aan presbyacusis, waardoor ons hoorvermogen de facto afneemt. Voor wat het waard is, vermelden we dat het in elk geval veel minder fijn is dan dat van de dieren (mensen horen geluiden tussen 16 hertz – lage tonen– en 20.000 Hertz – hoge tonen – terwijl een hond geluiden met een frequentie tussen 20-40 Hertz en 60.000 Hertz kan horen).

De waarneming van geluiden maakt integraal deel uit van het diagnostische proces: deze auscultatie dient om de werking van diverse interne organen te beoordelen. De techniek is niet nieuw. Ze heeft definitief haar intrede gedaan in de medische praktijk toen René Laennec (1781-1826) de stethoscoop heeft uitgevonden. Aanvankelijk was die bedoeld om zedig afstand te creëren tussen het oor van de arts en de borst van de patiënt. Laennec was eerst geïnteresseerd in geluiden die ontstonden bij percussie van de thorax, een methode die Joseph Leopold von Auenbrugger (1722-1809) voor het eerst heeft beschreven. Een kleine anekdote: deze Oostenrijkse arts was de zoon van een herbergier en hij paste die percussietechniek toe op wijnvaten in de herberg van zijn vader om te kijken hoe vol ze waren.

Nu gebruiken zorgverleners de stethoscoop nog steeds om de van diverse organen afkomstige geluiden te onderscheiden. Ze bepalen bijvoorbeeld de frequentie, de intensiteit, de duur en de kwaliteit van het geluid. Maar voor het instrument dat symbool staat voor het medische beroep is niet noodzakelijk een getraind oor meer nodig. Zelfs de expertise van de ‘auscultatiekampioenen’ staat ter discussie. Op het cardiologiecongres in Londen in 2015 presenteerde een Californische onderzoeker de resultaten van een studie die was uitgevoerd op meer dan 1.000 gediplomeerde cardiologen, waaruit uiteindelijk bleek dat het auscultatievermogen van de cardiologen na verloop van tijd ­achteruitging. Om het op peil te houden, is herhaalde en regelmatige training nodig.

Er verschijnen steeds vaker advertenties voor intelligente stethoscopen die in staat zijn om zelf de auscultatiegeluiden te interpreteren. Je hoeft dus geen ervaren en getrainde cardioloog meer te zijn. Als die stethoscoop bovendien is uitgerust met een hulpmiddel dat een elektrocardiogram (met één enkele afleiding, zoals met de Eko DUO) kan maken, zal het niemand nog verbazen dat huisartsen gemakkelijk de diagnose van hartfalen met verminderde ventriculaire ejectiefractie kunnen stellen. Dat soort diagnose gebeurt meestal in het ziekenhuis, zelfs als de patiënt voordien naar de huisarts is geweest met symptomen (19). Dit type techniek maakt het dus mogelijk om in de eerste lijn vroeg, eenvoudig, vrij goedkoop en niet invasief de diagnose te stellen van een aandoening die best zo snel mogelijk wordt behandeld.

Pneumologen zijn ook professionals van de auscultatie, ook al is iedereen het erover eens dat er veel verschil is tussen waar­nemers onderling wat de interpretatie van de ademhalings­geluiden betreft. Die hangt sterk af van de expertise en de kennis (20). Ook hier doen de digitale en intelligente stethoscopen hun intrede. De prijzen dalen, zodat ze zelfs aan bijvoorbeeld jonge ouders (zonder enige expertise) worden verkocht om te luisteren naar de ademhalingsgeluiden van hun kind en zo allerlei afwijkingen vast te stellen of te onderscheiden (een voorbeeld van een elektronische stethoscoop voor thuisgebruik is de StethoMe®). Omdat het menselijk oor niet meer nodig is bij deze manier van auscultatie effent dit het pad voor stethoscopen zonder oorbuizen of ook draagbare miniatuurstethoscopen die doorlopend de cardiorespiratoire geluiden registreren (21).

De stem als biomarker

De stem kan fungeren als biomarker (objectief en meetbaar element dat een biologisch en/of pathologisch proces weergeeft, of een beoordelingsmiddel voor de respons op een bepaalde behandeling). Een biomarker is dus nuttig voor de diagnose, de classificatie van afwijkingen, de monitoring op afstand en om een prognose te doen (22). Onlangs is aangetoond dat deze biomarker cardiovasculaire ziekten kan voorspellen (23). Bij acute hartdecompensatie maakt stemanalyse op afstand het mogelijk om gemakkelijk en niet-invasief de toestand van de patiënt te beoordelen, waardoor er minder ziekenhuisopnames nodig zijn (24). De beperkingen van deze AI (de klassieke beperkingen, zoals de biases inzake patiëntenselectie en stemsteekproeven, de therapietrouw van patiënten) zijn uitvoerig besproken in een begeleidende editorial, maar daarin ligt het accent vooral op het belang van de rechtvaardige toegang tot die innovatieve technologieën, ongeacht de socio-economische achtergrond (25).

Door te luisteren naar wat de patiënt ons vertelt en ook hoe hij dit doet, kunnen we ontzettend veel te weten komen over zijn persoonlijkheid en zijn geestelijke gezondheid. Zijn manier van spreken (de toon en de intensiteit bijvoorbeeld) verschaft ons informatie over zijn emoties, angsten, een opgewonden toestand (22). Niet verwonderlijk dus dat verschillende onderzoeks­teams zich nu toeleggen op het gebruik van deze biomarker in de neurodegeneratieve ziekten.

Bij de ziekte van Parkinson komen stemstoornissen vaak en bijzonder vroeg voor (26), maar ze ontsnappen vaak aan de aandacht. Dat die stemwijzigingen zo vroeg in het ziekteproces optreden is niet vreemd, als we denken aan de complexiteit en de finesse die vereist zijn voor de motorische beheersing van de stembanden (veel complexer dan de beheersing van de onderste ledematen). Er bestaan dus verschillende publicaties waarin sprake is van een identificeerbaar foneem dat wijst op de ziekte. Bijzonder interessant met het oog op de efficiëntie is dat dit via de smartphone kan, en dat de kwaliteit goed genoeg is voor een betrouwbare analyse (27). Bepaalde onderzoekers gebruiken op dit moment geluiden die ze via de smartphone hebben verzameld, in combinatie met een foto van het gezicht, om zo snel mogelijk de eerste tekenen van de ziekte op te sporen (28). Omdat er geen objectieve tests bestaan, vinden anderen dat we moeten overwegen om de stem te gebruiken als alternatief voor grootschalige screening, of om de eventuele doeltreffendheid van een behandeling longitudinaal te meten. Dat is gebeurd in de context van het ‘Parkinson Voice Initiative’, waarin in recordtijd de stem van meer dan 10.000 proefpersonen is verzameld om te bepalen welke stemkenmerken een discriminerend vermogen bezitten (29).

Voor de ziekte van Alzheimer en andere neurocognitieve stoornissen lijkt de analyse van de stem (vloeiendheid, aarzeling, cadans), maar ook van de syntax, de semantiek en de rijkdom van de woordenschat een betrouwbaar en goedkoop middel om vroege tekenen op te sporen (30, 31). Het lijkt ook niet uitgesloten om zo te kunnen vaststellen om welk type cognitieve stoornissen het gaat (31).

In de geestelijke gezondheid ligt het voor de hand dat de vocale expressie verandert naargelang het stressniveau. Ook daar kan een vocale biomarker die gemakkelijk te gebruiken is via een smartphone van pas komen (32). Het prestigieuze Lincoln Laboratory, een onderdeel van het MIT, werkt aan een screeninginstrument om posttraumatische stress vast te stellen door “de hoogte, het gekraak en de articulatorische dynamiek” in de stem van een persoon te analyseren, ten eerste om te voldoen aan een militaire vraag, maar ook voor toepassing in de burgermaatschappij (33). Ook depressie weerklinkt in de stem, en de analyse van het akoestische profiel kan dienen om de ernst ervan te bepalen (34). De auteurs stellen bovendien dat dit een veel objectievere benadering is dan de bestaande vragenlijsten, want patiënten hebben de neiging om daarop een sociaal wenselijk antwoord te geven, dat dus niet overeenstemt met de werkelijkheid.

Tijdens de covid-19-crisis hebben we een ware boom van vocale biomarkers meegemaakt. Die worden, in combinatie met de registratie van de hoest en de ademhalingsgeluiden, gebruikt om de diagnose van covid-19 te stellen (35). De longitudinale analyse in de tijd (audiodynamisch) maakt de voorspelling van de eventuele progressie van de ziekte mogelijk en zorgt bijgevolg voor een vlottere planning van de ziekenhuiscapaciteit in crisisperiodes (36). De stem kan ook dienen om te kijken of de post-covid-19-symptomen, vooral langdurige vermoeidheid, verdwenen zijn (37, 38).

De coronacrisis is hiervoor een echte ‘booster’ geweest. De toekomst zal uitwijzen welke applicaties blijvertjes zijn, maar dit is een domein waar de kansen voor het grijpen liggen, en dat beseft de industrie maar al te goed.

De reukzin

De reukzin als diagnostisch middel dateert uit de tijd van Hippocrates, die stelde dat bepaalde ziekten de lichaamsgeur beïnvloeden. Het gebruik van de reukzin is trouwens eerst in Turkije door Galenus van Pergamon (129-201 van onze tijdrekening) en vervolgens in Iran door Avicenna (Ibn Sina, 980-1037) weer opgepikt (39).

Een bepaald aantal ziekten wijzigen inderdaad de lichaamsgeur, want ze veranderen de biochemische processen, en zijn zo eventueel detecteerbaar met de menselijke reukzin. Maar ons reukvermogen is maar pover vergeleken met dat van ­dieren. De literatuur bulkt van voorbeelden over het vermogen van dieren om geuren die wijzen op een bepaalde ziekte te detecteren (niet alleen honden, het oerklassieke voorbeeld, maar ook mieren) (40). Uiteraard is dit geen ­praktische oplossing, want het ligt nogal moeilijk om dieren in te schakelen in een klinische omgeving. Er zijn trouwens verschillende initiatieven geweest om snuffelhonden in te zetten om covid-19 op te sporen, maar die zijn niet doorgevoerd. Bepaalde onderzoekers maken nu echter gebruik van het uitzonderlijke reukvermogen van honden om na te gaan of het mogelijk is een specifieke signatuur van vluchtige organische stoffen te gebruiken om ze te implementeren in een technologische ontwikkeling: een elektronische neus (41).

Bepaalde vluchtige organische stoffen komen terecht in het zweet, de adem of de urine van het individu en zijn dus gemakkelijk ‘op te snuiven’, zelfs door mensen. Een voorbeeld daarvan is een ammoniakgeur bij patiënten met nierfalen, een geur van rauwe vis bij leverfalen of de kenmerkende fruitige geur van diabetische ketose. De lijst is lang en bevat verrassend genoeg ook geestesziekten. Zo gaan bepaalde vormen van psychose gepaard met een gebrekkige persoonlijke hygiëne, die leidt tot halitose, een fenomeen dat kan wijzen op een slechte therapietrouw en een relaps. Omgekeerd – en dat is zeer interessant, vooral in de huidige context (42) – kan een verslechtering of verandering van het reukvermogen bij patiënten met een potentieel risico op een psychose (vooral schizofrenie) een sleutelelement vormen voor een vroege diagnose van de geestesziekte (43).

Wat geldt voor geestesziekten, geldt ook voor de neurologie. In 2015 haalde een Schotse verpleegster, Joy Milne, de voorpagina van de kranten omdat ze in staat is de ziekte van Parkinson te detecteren via haar reukzin (44). Naar aanleiding van die vaststelling hebben onderzoekers verschillende technieken ontwikkeld (voornamelijk spectrometrie) om een huidwisser ‘te besnuffelen’ en zo de diagnose van de ziekte van Parkinson te stellen (45, 46). Typisch voor de ziekte van Parkinson is overvloedig en wasachtig sebum (bestempeld als seborroe), dat verschillende onderdelen bevat die uitstekende kandidaat-vluchtige organische biomarkers vormen.

Op basis daarvan zijn er door onderzoek en ontwikkeling verschillende methodes ontstaan waarmee het mogelijk is om het ‘volatiloom’ van diverse bronnen (zoals de adem, de urine, het bloed of en sebum) te analyseren en aan de hand daarvan een diagnose te stellen. Idealiter moet de ontwikkelde technologie voldoen aan de volgende criteria: eenvoudig en snel, efficiënt, betrouwbaar, in miniatuurformaat, zonder risico voor de patiënt, met een hoge sensitiviteit en specificiteit, en indien mogelijk bruikbaar zonder bijzondere expertise.

Van de meest recente mededelingen in dit domein vermelden we bijvoorbeeld het onderzoek dat de firma Cardea heeft verricht in San Diego in Californië (gesponsord door de Bill & Melinda Gates Foundation voor een bedrag van 1,1 miljoen dollar) (47). Daar wordt gewerkt aan een ‘Biosignal Processing Unit’, een elektronische neus gebaseerd op de technologie van biocompatibele halfgeleiders (in feite een chip in grafeen met geurreceptoren afkomstig van insecten), die in staat is om biologische informatie om te zetten in een elektrisch signaal. De technologie is voornamelijk ontwikkeld voor het opsporen van infectieziekten, vooral in ontwikkelingslanden. Aan de universiteit van Freiburg in Duitsland proberen ze een chip te ontwikkelen die antibiotica kan detecteren in de uitgeademde lucht. Daarmee zouden ze de therapietrouw kunnen meten en de behandeling kunnen personaliseren (48). Het gaat om een ‘microfluidic biosensor’ met eiwitten (bevestigd op een polymere film) die antibiotica (zoals penicilline) kan herkennen. Ongeveer in dezelfde lijn ligt het onderzoek naar de mogelijkheid om een elektronische neus op basis van halfgeleiders met metaaloxide te gebruiken om de respons op een behandeling met immuunmodulatoren – momenteel bijzonder in trek in de oncologie – te voorspellen aan de hand van de analyse van de VOS in de uitgeademde lucht (49).

Gezien de recente ontwikkelingen in dit gebied kunnen we alweer kort en bondig besluiten dat de techniek de menselijke zintuigen ruim overtroffen heeft.

Conclusies

De technologische ontwrichting in de zorgsector verandert ‘de geneeskunst’ ingrijpend. We evolueren naar ‘zintuiglagen’, die het gebruik van twee elementen omvatten: de menselijke zintuigen – die doorgaans ingezet worden in het proces van de diagnose, de behandeling en de follow-up van de patiënt – en diverse sensoren (extrasomatische middelen) die allerlei lichamelijke tekenen kunnen meten en interpreteren. Dit alles is met elkaar verstrengeld, en wordt gekenmerkt door interactie en constante onderlinge voeding (50).

Hoewel sommige technologieën ons in staat stellen om bepaalde klinische tekenen beter op te merken en te kwantificeren, blijft het nog altijd een feit dat we een patiënt ook subjectief beoordelen. Deze algemene indruk is in elk geval moeilijker te vatten met om het even welke technologie, voorlopig toch nog niet althans. We mogen ook niet vergeten dat het de bedoeling is dat technologie ons helpt om tijd te besparen, die we kunnen besteden aan de menselijke dimensie van het beroep van zorgverlener.

• Dienst Radiotherapie, CHU de Liège; École de Santé Publique, Faculteit Geneeskunde, ULiège

• 1. Longhi V. Hippocrate a-t-il inventé la médecine d’observation? Cahiers «Mondes Anciens» histoire et anthropologie des mondes anciens, 2018, 11, https://doi.org/10.4000/mondesanciens.2127.

  2. Hoerni B, Bénézech M. Les aléas de l’examen clinique. Histoire des sciences médicales. 1996 Tome XXX, 2, 205-213.

  3. Faustinella F. The power of observation in clinical medicine. Int J Med Educ 2020;30(11):250-1.

  4. Villey R, Mandonnet C, Campbell P. Histoire du diagnostic médical. Paris, Masson, 1976.

  5. Svechtarova MI, Buzzacchera I, Toebes BJ, et al. Sensor devices inspired by the five senses: a review. Electroanalysis 2016;28(6):1201-41.

  6. Dinnes J, Deeks JJ, grainge MJ, et al. Visual inspection for diagnosing cutaneous melanoma in adults (review). Cochrane Database of Systematic Reviews 2018;112 CD013194.

  7. Jain A, Way D, Gupta V, et al. Development and assessment of an artificial intelligence-based tool for skin condition diagnosis ,by primary care physicians and nurse practitioners in tele-dermatology practices. JAMA Netw open 2021;4(4):e217249.

  8. Mahmood F, Bendayan S, Ghazawi FM Livinov IV. Editorial: the emerging role of artificial intelligence in dermatology. Front Med 2021; https://doi.org/10.3389/fmed.2021.751649.

  9. Du AX, Emam S, Gniadecki R. Review of machine learning in predicting dermatological outcomes. Front Med 2020; https://doi.org/10.3389/fmed.2020.00266.

  10. Polesie S, Gillstedt M, Kittler H, et al. Attitudes towards artificial intelligence within dermatology: an international online survey. BJD 2020;183:158-92.

  11. Gomolin A, Netchiporouk E, Gniadecki R, Litvinov I. Artificial intelligence applications in dermatology: where do we stand? Front Med 2020; https://doi.org/10.3389/fmed.2020.00100.

  12. Groh M, Harris C, Soenksen L, et al. Evaluating deep neural networks trained on clinical images in dermatology with the Fitzpatrick 17k dataset. MIT Media Lab 2021; https://www.media.mit.edu/publications/evaluating-deep-neural-networks-trained-on-clinical-images-in-dermatology-with-the-fitzpatrick-17k-dataset/  Dernière consultation en ligne, le 17 décembre 2022.

  13. Groh M, Harris C, Daneshjou R, Badri O, Koochek A. Towards transparency in dermatology image datasets with skin tone annotations by experts, crowds, and an algorithm. MIT Media Lab 2022; https://www.media.mit.edu/publications/towards-transparency-in-dermatology-image-datasets-with-skin-tone-annotations-by-experts-crowds-and-an-algorithm/  dernièer consultation en ligne, le 19 décembre 2022

  14. Adamson AS, Smith A. Machine learning and health care disparities in dermatology. JAMA Dermatol 2018;154(11):1247-8.

  15. Marson JW, Maner BS, Harding TP, et al. The magnitude of COVID-19’s effect on the timely management of melanoma and nonmelanoma skin cancers. J AM Acad Dermatol 2021;84(4):1100-3.

  16. Thomas C, Poku-Amanfo E, Patel P. The state of health and care 2022. Institute for Public Policy Research, 2022. https://www.ippr.org/files/2022-08/state-of-health-and-care-march-22.pdf Dernière consultation en ligne, le 19 décembre 2022.

  17. Das K, Cockerell CJ, Patil A, et al. Machine learning and its application in skin cancer. Int J Environ Res Public Health 2021;18:13409.

  18. Soenksen LR, Kassis T, Coinover ST, et al. Using deep learning for dermatologist-level detection of suspicious pigmented skin lesions from wide-field images. Sci Transl Med 2021;13(581):eabb3652.

  19. Bachtiger P, Petri CF, Scott FE, et al. Point-of-care screening for heart failure with reduced ejection fraction using artificial intelligence during ECG-enabled stethoscope examination in London, UK: a prospective, observational, multicentre study. Lancet Digit Health 2022; https://doi.org/10.1016/s2589-7500(21)00256-9.

  20. Kim Y, Hyon Y, Lee S, et al. The coming era of a new auscultation system for analyzing respiratory sounds. BMC Pulm Med 2022; 22:119.

  21. Lee SH, Kim YS, Yeo MK, et al. Fully portable continuous real-time auscultation with a soft wearable stethoscope designed for automated disease diagnosis. Science Advances 2022;8(21):5867.

  22. Fagherazzi G, Fischer A, Ismael M, Despotovic V. Voice for health: the use of vocal biomarkers from research to clinical practice. Digit Biomark 2021;15:78-88.

  23. Deep Sigh Sara J, Maor E, Orbelo D, et al. Noninvasive voice biomarker is associated with incident coronary artery disease events at follow-up. Mayo Clinic Proc 2022;97(5):835-46.

  24. Amir O, Abraham WT, Azzam ZS, et al. Remote speech analysis in the evaluation of hospitalized patients with acute decompensated heart failure. J Am Coll cardiol 2022;10(1):41-9.

  25. Ravindra NG, Kao DP. Extracting vocal biomarkers for pulmonary congestion with a smartphone app. J Am Coll Cardiol 2022;10(1):50-1.

  26. Ma A, Lau KL, Thyagarajan D. Voice changes in Parkinson’s Disease: what are they telling us? J Clin Neurosci 2020;72:1-7.

  27. Motin MA, Pah ND, Rgahav S, Kumar DK. Parkinson’s disease detection using smartphone recorded phonemes in real world conditions. IEEE Access 2022;10:97600-9.

  28. Lim WS, Chiu S, Wu MC, et al. An integrated biometric voice and facial features for early detection of Parkinson’s Disease. npj Parkinson’s Disease 2022;8:145.

  29. Arora S, Tsanas A. Assessing Parkinson’s Diseases at scale using telephone-recorded speech: insights from the Parkinson’s Voice initiative. Diagnostics 2021;11(10):1892.

  30. Martinez-Nicolas I, Llorente TE, Martinez-Sanchez F, Meilan JJG. Ten years of research on automatic voice and speech analysis of people with Alzheimer’s disease and mild cognitive impairment: a systematic review article. Front Psychol 2021;12:620251.

  31. Shoaip N, Rezk A, El-Sappagh S, et al. Alzheimer’s disease diagnosis based on a semantic rule-based modeling and reasoning approach. Computers, Materials & Continua 2021;69(3):31-3548.

  32. Abbasi J. Using speech markers to diagnose PTSD. JAMA 2019;321(22):2155.

  33. Lincoln Laboratory, Massachusetts Institute of Technology. Vocal biomarker-based PTSD screening tool. https://www.ll.mit.edu/r-d/projects/vocal-biomarker-based-ptsd-screening-tool Dernière consultation en ligne le 20 décembre 2022.

  34. Zhao Q, fan HZ, Li YL, et al. Vocal acoustic features as potential biomarkers for identifying/diagnosing depression: a cross-sectional study. Front Psychiatry 2022;13:815678.

  35. Despotovic V, Isamel M, Cornil M, Mc Call R, Fagherazzi G. Detection of COVID-19 from voice, cough and breathing patterns: dataset and preliminary results. Comput Biol Med 2021;138:104944.

  36. Dang T, Han J, Xia T, et al. Exploring longitudinal cough, breath and voice data for COVID-19 progression prediction via sequential deep learning: model development and validation. J Med Internet Res 2022;24(6):e37004.

  37. Fagherazzi G, Zhang L, Higa E, et al. A voice-based biomarker for monitoring symptom resolution in adults with COVID-19: findings from the prospective Predi-COVID cohort study. PLOS Digit Health 2022;1(10):e0000112.

  38. Elbéji A, Zhang L, Higa E, et al. Vocal biomarker predicts fatigue in people with COVID-19: results from the prospective Predi-COVID cohort study. BMJ Open 2022;12:e062463.

  39. Coucke PA. La médecine du futur. Poser un diagnostic: avez-vous du flair? Rev Med Liège 2019;74(11):611-5.

  40. Piqueret B, Bourachot B, Leroy C, et al. Ants detect cancer cells through volatile organic compounds. iScience 2022;25(3):103959.

  41. Guest C, Harris R, Sfanos KS, et al. Feasibility of integrating canine olfaction with chemical and microbial profiling of urine to detect lethal prostate cancer. Plos One 2021; https://doi.org/10.1371/journal.pone.0245530. Dernière consultation en ligne le 15 décembre 2022.

  42. Vasile CI, Vasile MC, Zlati ML, et al. Post COVID-19 infection psychosis: could SARS-CoV-2 virus infection be a neuropsychiatric condition that triggers psychotic disorders? A case-based short review. Infection and Drug Resistance 2022;15:4697-705.

  43. University Of Melbourne. “Could You Suffer From Psychosis? The Nose Knows.” ScienceDaily. ScienceDaily, 29 October 2003. www.sciencedaily.com/releases/2003/10/031029064717.htm Dernière consultation en ligne, le 15 décembre 2022.

  44. Kwon D. A supersmeller can detect the scent of Parkinson’s disease, leading to an experimental test for the illness. Scientific America,  2022 https://www.scientificamerican.com/article/a-supersmeller-can-detect-the-scent-of-parkinsons-leading-to-an-experimental-test-for-the-illness/  Dernière consultation en ligne, le 15 décembre 2022.

  45. Trivedi DK, Sinclair E, Xu E, Sarkar D. Discovery of volatile biomarkers of Parkinson’s disease from sebum. ACS Cent Sci 2019;5(4):599-606.

  46. Sarkar D, Sinclair E, Lim SH, Walton-Doyle C. Paper spray ionization ion mobility mass spectrometry of sebum classifies biomarker classes for the diagnosis of Parkinson’s disease. JACS Au 2022,2(9):2013-22.

  47. Precision Medicine. Cardea Bio’s electronic nose will detect infectious disease. Precision Medicine 2022; https://www.insideprecisionmedicine.com/topics/molecular-dx-topic/infectious-disease-diagnostics/cardea-bios-electronic-nose-will-detect-infectious-diseases/ Dernière consultation en ligne 15 décembre 2022.

  48. Ates HC, et al Biosensor-enabled multiplexed on-site therapeutic drug monitoring of antibiotics. Advanced Materials 2021 doi.org/10.1002/adma.202104555.

  49. de Vries R, Muller M, van der Noort V, et al. Prediction of response to anti-PD-1 therapy in patients with non-small-cell lung cancer by electronic nose analysis of exhaled breath. Ann Oncol 2019;30(10):1660-6.

  50. Masien S. Layers of sense: the sensory work of diagnostic sensemaking in digital health. Digital Health 2017;3:1-9.