Aus elektronischen Gesundheitsakten von mehr als 400.000 Patienten im Alter ≥ 35 Jahre wurden zunächst zwölf Parameter ausgewählt. Diese dienten als Grundlage für die Entwicklung des Asthma/COPD Differentiation Classification (AC/DC)-Tools. Für die aktuelle Studie stellte ein Expertengremium – bestehend aus drei Pneumologen und vier Haus­ärzten unterschiedlicher Nationalität, die zugleich an der Entwicklung von AC/DC beteiligt gewesen waren, – einen Patientenpool zusammen. Bei 116 dieser Patienten aus einer prospektiven Beobachtungsstudie stellten sie die Diagnosen Asthma (n = 53), COPD (n = 43), Asthma/COPD-Overlap (ACO, n = 7) bzw. andere (n = 13). Dafür verwendeten sie u.a. folgende Informationen: klinische Charakteristika, aktuelle inhalative Medikation, Fragebogen zur Anamnese (inkl. Medical Research Council Dyspnoe-Skala, Asthma Control Questionnaire, Clinical COPD Questionnaire) und Ergebnisse der Spirometrie.

Diese Fälle (inklusive der Expertendiagnosen) wurden sodann 180 Hausärzten und 180 Pneumologen aus neun Ländern sowie dem ­AC/DC-Tool vorgelegt, die nun ihrerseits Diagnosen vergaben. Wie sich herausstellte, stimmten 73 % der Diagnosen des AC/DC-Tools, 61 % der Diagnosen der Pneumologen und 50 % der Diagnosen der Haus­ärzte mit den von den Experten angegebenen Diagnosen überein. Damit war das ­AC/DC-Tool sowohl den Pneumologen als auch den Hausärzten hinsichtlich der diagnostischen Genauigkeit statis­tisch überlegen. Und nicht genug damit: Während die Treffsicherheit der Hausärzte und Pneumologen bei den von Experten zuvor als schwierig eingeschätzten Fällen abnahm, zeigte die KI auch hier eine hohe Genauigkeit. Aus Sicht der Autoren könnte das AC/DC-Tool künftig Ärzte bei der Diagnose von Asthma, COPD und ACO in der klinischen Praxis unterstützen.

Quelle: Hocks JWH et al. J Allergy Clin Immunol In Practice 2023; DOI: 10.1016/j.jaip.2023.01.017