$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Het doel van deze studie was het ontwikkelen en evalueren van een niet-invasieve methode om patiënten met chronische obstructieve longziekte (COPD) te onderscheiden van patiënten met luchtweginfecties (RTI) met behulp van spraaksignaalanalyse en machine learning. Spraaksignalen met een vast patroon werden verzameld van 25 COPD-patiënten en 25 RTI-patiënten (die als controle-/vergelijkingsgroep fungeerden). Er werd een multidimensionale analyse van spraakkenmerken uitgevoerd om kenmerken te identificeren die de twee groepen significant onderscheiden. Statistisch significante kenmerken werden geselecteerd en onderworpen aan dimensionaliteitsreductie. Logistische regressie (LR) en Random Forest (RF) modellen werden vervolgens getraind en geëvalueerd op classificatieprestaties bij het onderscheiden van COPD van RTI. In eerste instantie werden meer dan 400 spraakfuncties geanalyseerd. Achttien kenmerken vertoonden zeer significante verschillen tussen COPD- en RTI-patiënten (P <; 0,05). Bij het onderscheiden van COPD-patiënten van RTI-patiënten bereikte het LR-model een testsetgebied onder de AUC van 0,95, waarmee het aanzienlijk beter presteerde dan het RF-model (AUC = 0,76). Deze studie toont de haalbaarheid aan van het gebruik van spraakanalyse en machine learning, met name het LR-model, als een veelbelovend niet-invasief hulpmiddel om COPD te onderscheiden van RTI. Het biedt een basis voor de praktische toepassing en verdere optimalisatie van deze spraakgebaseerde benadering in klinische omgevingen die een differentiële diagnose van ademhalingsaandoeningen vereisen.