$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
El objetivo de este estudio fue desarrollar y evaluar un método no invasivo para distinguir a los pacientes con enfermedad pulmonar obstructiva crónica (EPOC) de aquellos con infecciones del tracto respiratorio (ITR) utilizando el análisis de señales de voz y el aprendizaje automático. Se recopilaron señales de voz de patrón fijo de 25 pacientes con EPOC y 25 pacientes con RTI (que sirvieron como grupo de control / comparación). Se realizó un análisis multidimensional de las características de la voz para identificar las características que diferencian significativamente a los dos grupos. Se seleccionaron características estadísticamente significativas y se sometieron a reducción de dimensionalidad. A continuación, se entrenaron y evaluaron los modelos de regresión logística (LR) y bosque aleatorio (RF) para distinguir la EPOC de la RTI. Inicialmente se analizaron más de 400 funciones de voz. Dieciocho características mostraron diferencias altamente significativas entre los pacientes con EPOC y RTI (P <; 0,05). En la tarea de distinguir a los pacientes con EPOC de los pacientes con RTI, el modelo LR logró un área de conjunto de prueba bajo la curva AUC de 0,95, superando significativamente al modelo de RF (AUC = 0,76). Este estudio demuestra la viabilidad de utilizar el análisis de voz y el aprendizaje automático, particularmente el modelo LR, como una herramienta no invasiva prometedora para diferenciar la EPOC de la RTI. Proporciona una base para la aplicación práctica y una mayor optimización de este enfoque basado en la voz en entornos clínicos que requieren un diagnóstico diferencial de afecciones respiratorias.