Estudio observacional durante 24 horas en condiciones de vida real de 20 pacientes adultos (9 mujeres, 11 hombres) con tos persistente debido a patologías respiratorias específicas (IRA, neumonía, EPOC, cáncer, asma, bronquiectasias, sarcoidosis), que se agruparon en 6 conjuntos de comparación (G1-G6) contrastando EPOC globalmente con el resto de enfermedades (G2,G3 sin incluir cáncer de pulmón) e individualmente con (G4 --IRA y neumonía--,G5 --crónicas no EPOC--, G6 --cáncer de pulmón--) y pacientes crónicos vs. no crónicos (G1). Se analizaron espectrogramas de audio de 1 segundo con una red neuronal convolucional (CNN) para detectar  eventos de tos e identificar las enfermedades de los pacientes dentro de los grupos definidos. Los modelos se validaron también con dos bases de datos independientes: CoughVid, que recoge grabaciones de tos obtenidas de forma remota sin supervisión clínica, y Coswara, que incluye grabaciones en contexto clínico.

El modelo de detección de tos alcanzó una sensibilidad del 87 % y una especificidad del 95 % al evaluarse sobre nuestra base de datos. En cuanto a la identificación de enfermedades, se entrenaron modelos para comparar patologías individualmente, considerando los cuatro grupos mencionados. En cuatro de los seis experimentos realizados, los modelos superaron una precisión media del 85 %. En particular, el modelo entrenado para distinguir asma del resto fue validado con Coswara, alcanzando un 80 % de precisión.

Los resultados obtenidos destacan el potencial del enfoque propuesto como herramienta eficaz para la detección temprana de enfermedades pulmonares en entornos de diagnóstico remoto.