$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Ziel dieser Studie war es, eine nicht-invasive Methode zur Unterscheidung von Patienten mit chronisch obstruktiver Lungenerkrankung (COPD) und Patienten mit Atemwegsinfektionen (RTI) mittels Sprachsignalanalyse und maschinellem Lernen zu entwickeln und zu evaluieren. Es wurden Fixed-Pattern-Sprachsignale von 25 COPD-Patienten und 25 RTI-Patienten (die als Kontroll-/Vergleichsgruppe dienten) gesammelt. Eine mehrdimensionale Analyse von Sprachmerkmalen wurde durchgeführt, um Merkmale zu identifizieren, die die beiden Gruppen signifikant unterscheiden. Statistisch signifikante Merkmale wurden ausgewählt und einer Dimensionalitätsreduktion unterzogen. Logistische Regression (LR) und Random Forest (RF) Modelle wurden dann trainiert und auf ihre Klassifikationsleistung bei der Unterscheidung von COPD und RTI hin bewertet. Zunächst wurden über 400 Sprachmerkmale analysiert. Achtzehn Merkmale zeigten hochsignifikante Unterschiede zwischen COPD- und RTI-Patienten (P <; 0,05). Bei der Unterscheidung von COPD-Patienten und RTI-Patienten erreichte das LR-Modell eine Testset-Fläche unter der AUC-Kurve von 0,95 und übertraf damit das RF-Modell deutlich (AUC = 0,76). Diese Studie zeigt die Machbarkeit des Einsatzes von Stimmanalyse und maschinellem Lernen, insbesondere des LR-Modells, als vielversprechendes nicht-invasives Instrument zur Unterscheidung von COPD und RTI. Es bietet eine Grundlage für die praktische Anwendung und weitere Optimierung dieses sprachbasierten Ansatzes in klinischen Umgebungen, die eine Differentialdiagnose von Atemwegserkrankungen erfordern.