Cette étude prospective multicentrique chinoise évalue la performance de l’algorithme Cough Search, fondé sur l’apprentissage profond (deep learning) appliqué à l’analyse acoustique de la toux. Il repose sur un transformeur visuel (vision transformer [ViT]), un modèle pré-entraîné sur de grandes bases de données audio et optimisé sur des enregistrements de toux collectés à l’hôpital Ruijin de Shanghai entre novembre 2022 et novembre 2023. L’algorithme a été conçu pour classer les enregistrements de toux en deux catégories : BPCO ou non BPCO.
Pour ce faire, il a été entraîné sur une cohorte de 2 804 participants (557 BPCO et 2 247 non BPCO), après exclusion des enregistrements de mauvaise qualité par un système automatisé d’assurance qualité. La validation de l’algorithme a ensuite été conduite conjointement sur une cohorte équilibrée par sous-échantillonnage (151 BPCO et 225 non BPCO) et, prospectivement, sur une cohorte externe de 722 participants (105 BPCO et 617 non BPCO) de 4 hôpitaux de Shanghai, entre janvier 2023 et mars 2024. Les diagnostics de BPCO reposaient sur les critères GOLD (Global initiative for chronic obstructive lung disease) 20231 et une confirmation spirométrique (FEV1/FVC < 0,70 post-bronchodilatateur).
Les résultats, parus dans npj Primary Care Respiratory Medicine,2 montrent des performances diagnostiques élevées. Sur la cohorte de validation interne, l’aire sous la courbe (ASC) de ROC était de 0,92, avec une sensibilité de 82,8 % et une spécificité de 83,1 %. Sur la cohorte de validation externe, l’ASC atteignait 0,94, avec une sensibilité de 92,4 % et une spécificité de 85,6 %. La valeur prédictive négative était de 98,5 %, particulièrement pertinente pour exclure la maladie.
L’algorithme présentait une sensibilité supérieure à 91 % pour les stades sévères (GOLD 3 - 4), atteignant 100 % aux stades GOLD 4, et supérieure à 85 % pour les stades GOLD 1, indiquant qu’il reste performant bien que moins précis pour les stades modérés (GOLD 1 - 2). L’algorithme était robuste quel que soit le modèle de smartphone utilisé (sensibilité supérieure à 89 %).
L’analyse a révélé une séparation nette entre les profils acoustiques des patients BPCO et non BPCO, suggérant que les caractéristiques de la toux encodent des signatures physiopathologiques spécifiques. Par ailleurs, une régression logistique multivariée a identifié l’âge comme seul facteur indépendant d’erreur de classification (odds ratio [OR] par année = 1,11 ; IC95 % = [1,08 - 1,14]), sans effet significatif du sexe ni du tabagisme.
Ces résultats ouvrent la voie à un outil de dépistage accessible, non invasif, peu coûteux et adaptable à différents contextes cliniques, y compris en soins primaires ou en télémédecine. Il pourrait ainsi contribuer à réduire le délai diagnostique et améliorer la prise en charge des patients.
L’étude présente toutefois certaines limites : la spécificité réduite pour les stades précoces (GOLD 1 - 2) et vis-à-vis des pathologies à phénotype acoustique proche (bronchectasies ; spécificité de 64 %) ; l’exclusion de 11 % des participants en raison d’un échec de contrôle qualité des enregistrements et la sous-représentation des femmes.
2. Zhou J, Huang J, Wang Q, et al. A cough sound-based deep learning algorithm for accessible prompt detection of chronic obstructive pulmonary disease with smartphones. NPJ Prim Care Respir Med 28 mars 2026 (article sous presse accepté pour publication).