La espirometría es un estudio no invasivo que mide los volúmenes pulmonares y la velocidad del flujo aéreo espirado en función del tiempo, lo cual permite valorar el estado de los bronquios. Cuando los bronquios están obstruidos, como sucede en enfermedades pulmonares tales como el asma o el enfisema, el aire dentro de los pulmones sale más lentamente que cuando los bronquios son normales, complicando el proceso respiratorio. El uso básico de la espirometría es para la detección de enfermedades restrictivas y obstructivas, resultando de un incremento de la resistencia al flujo en las vías respiratorias, lo cual puede deberse a: i) deterioro de la estructura alveolar, lo que resulta en un cierre prematuro de las vías aéreas, ii) disminución en el diámetro de las vías causado por un broncoespasmo o presencia de secreciones que incrementan la resistencia al flujo, iii) bloqueo parcial de la vía traque faríngea que, en casos extremos, puede deberse a un tumor que disminuye el diámetro de la vía, ocasionando un flujo turbulento.

Las enfermedades respiratorias afectan a los pulmones y a otras partes del aparato respiratorio humano y pueden ser producto de infecciones, consumo directo o indirecto de sustancias contaminantes que se encuentran en el ambiente. La prevención y el control de estas enfermedades deben ser una prioridad absoluta en la toma de decisiones en el sector de la salud. Una técnica básica para el estudio de la función pulmonar es la espirometría, la cual representa una prueba necesaria para la evaluación y el seguimiento de las enfermedades respiratorias. En la actualidad, se usan sistemas computarizados basados en técnicas de Machine Learning para asistir el proceso de diagnóstico de una enfermedad respiratoria a partir de registros de espirometría. No obstante, aún no existen métodos definitivos para estructurar y clasificar estos registros, de forma que se logre un diagnóstico adecuado.

Por lo anterior, en esta investigación se realizó el diseño de una metodología de comparación para el diagnóstico de la salud respiratoria a través de patrones espirométricos como son Normal, Obstructivo y Mixto. Por medio del uso de técnicas de pre-procesamiento, selección de características e implementando cuatro métodos de subconjuntos con el fin de identificar el conjunto de parámetros más relevante. Igualmente se utilizaron dos métodos de reducción de dimensiones, LDA y PCA, y, finalmente técnicas de clasificación supervisadas basada en K-vecinos más cercanos (KNN), clasificador de Parzen, Clasificador de soporte vectorial (SVC), Bosques aleatorios (RF) y Redes neuronales (ANN). En búsqueda de la mejor metodología, se evalúa el rendimiento mediante la determinación del error de clasificación, la sensibilidad (Se), la especificidad (Sp), la exactitud (Acc) y el costo computacional. Donde clasificadores como RF, SVC y ANN fueron los más adecuados alcanzando valores que permiten un diagnóstico clínico muy preciso, logrando una exactitud del 98%, indicando un alto desempeño en el diagnóstico de la salud respiratoria.