$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
O objetivo deste estudo foi desenvolver e avaliar um método não invasivo para distinguir pacientes com doença pulmonar obstrutiva crônica (DPOC) daqueles com infecções do trato respiratório (ITR) usando análise de sinal de voz e aprendizado de máquina. Sinais de voz de padrão fixo foram coletados de 25 pacientes com DPOC e 25 pacientes com ITR (servindo como grupo controle/comparação). A análise multidimensional de características de voz foi realizada para identificar características que diferenciam significativamente os dois grupos. Características estatisticamente significativas foram selecionadas e submetidas à redução de dimensionalidade. Os modelos de Regressão Logística (LR) e Random Forest (RF) foram então treinados e avaliados quanto ao desempenho de classificação na distinção entre DPOC e ITR. Mais de 400 recursos de voz foram inicialmente analisados. Dezoito características mostraram diferenças altamente significativas entre pacientes com DPOC e ITR (P <; 0,05). Na tarefa de distinguir pacientes com DPOC de pacientes com RTI, o modelo LR alcançou uma área de conjunto de teste sob a curva AUC de 0,95, superando significativamente o modelo de RF (AUC = 0,76). Este estudo demonstra a viabilidade do uso da análise de voz e do aprendizado de máquina, particularmente o modelo LR, como uma ferramenta não invasiva promissora para diferenciar a DPOC da ITR. Ele fornece uma base para a aplicação prática e otimização adicional dessa abordagem baseada em voz em ambientes clínicos que requerem diagnóstico diferencial de condições respiratórias.