Der erste Schritt besteht aus einem Algorithmus zur Präklassifizierung, basierend auf einem Fragebogen zu Krankheitssymptomen über die Erfordernis weiterer Atemfunktionstests. Der zweite Algorithmus kombiniert Methoden eines künstlichen neuronalen Netzwerks (ANN) und Fuzzylogik (FL) – eine Methode der Mustererkennung für Patienten.
Getestet wurde das fertige Modell an Daten von 859 Asthma- und 636 COPD-Patienten sowie von 155 gesunden Kontrollprobanden. Als Vergleichswert dienten die von Pulmonologen gestellten Diagnosen. Mit einer Sensitivität von 96,45 % und einer Spezifität von 98,71 % identifizierte das Modell Patienten mit Asthma und COPD mit hoher Genauigkeit. Es stufte auch fast alle (98,71 %) der Patienten mit normaler Lungenfunktion korrekt ein. Dadurch konnte die Erfordernis weiterer Untersuchungen um 49,23 % verringert werden, was eine hohe Kostenersparnis verspricht.
Die Anwendung dieses Klassifizierungssystems könnte somit Ärzten eine hilfreiche Unterstützung sein, die viel Zeit und Kosten spart, und auch den Behandlungserfolg steigern könnte. GH