Zespół badaczy wykazał, że właściwe przetworzenie danych wstępnych ma większy wpływ na wydajność klasyfikacji dźwięków oddechowych niż wybór architektury modelu. Porównując klasyczne SVM-y ze współczesnymi głębokim uczeniem, osiągnięcia obu podejść były bardzo zbliżone, choć klasyczne metody okazały się lepsze dla klas minoritarnych (recall 0.71 dla najrzadszej klasy).
Najbardziej zaskakującym wynikiem badania była rola feature scalingu. Standaryzacja cech, rutynowy krok dla SVM-ów z jądrem RBF, podniosła makro recall z 0.51 do 0.78 - wzrost o 27 punktów procentowych. To największy zmienny efekt obserwowany w całym eksperymencie, znacznie większy niż różnice między architekturami modelami. Zespół testował również augmentację danych (SMOTE, waveform augmentation, SpecAugment), ale żadna z tych technik nie przyniosła mierzalnej poprawy.
Z praktycznego punktu widzenia klasyczne klasyfikatory mają znaczące zalety dla klinik o ograniczonych zasobach. SVM-y osiągają czas odpowiedzi 51-74 ms na laptopie bez GPU, podczas gdy głębokie modele wymagają runtime'u PyTorch o rozmiarze 449 MB. Badacze odkryli również, że źródło nagrania jest silnie powiązane z etykietą diagnozy - natywna częstotliwość próbkowania wykazywała Cramer's V równe 0.65, co wskazuje na potrzebę ostrożności przy interpretacji wyników modelu.