Introduction : l’arrêt cardiaque extrahospitalier ( ACREH ) est un problème de santé publique majeur car il est fréquent et doté d’une morbi-mortalité élevée. Son pronostic repose essentiellement sur le déclenchement de la chaine de survie, elle-même basée sur l’identification de l’ACREH. Cette dernière peut être mise en défaut lorsque l’ACREH n’est pas identifié ou lorsqu’il l’est trop tardivement. Des systèmes d’aide pourraient augmenter le taux d’ACREH reconnus au premier appel et raccourcir ces délais. Le champ de l’intelligence artificielle pourrait en constituer un. Un modèle d’apprentissage automatique basé sur le contenu sémantique a déjà été développé pour prédire l’ACREH. Le contenu phonatoire probablement discriminant reste quant à lui inexploité. Objectif : l’objet de cette étude est, à partir d’une comparaison de deux populations ACREH et non ACREH, de créer et d’évaluer des modèles prédictifs d’ACREH s’appuyant sur l’analyse du spectre vocal de l’appelant lors d’un appel au 15. Matériel et méthodes : 2000 enregistrements ont été extraits de la base de données du SAMU 35 sur une période de janvier 2015 à juin 2019. 1578 enregistrements ont été inclus. 747 dans le groupe ACREH. 831 dans le groupe NON ACREH. Deux modèles statistiques ont été expérimentés pour construire l’algorithme. Le premier reposant sur une régression logistique binaire. Le deuxième reposant sur une méthode d’apprentissage automatique à partir d’un réseau de neurones profonds. Résultats : les deux groupes ACREH et non ACREH présentaient des différences significatives concernant plusieurs variables issues de l’analyse de la phonation. Ces variables nous ont permis de construire deux modèles prédictifs, tous les deux performants pour identifier l’ACREH. Avec respectivement 71,2 % de réponses correctes pour la régression et une aire sous la courbe ROC de 0,779 pour le réseau de neurones profonds. Conclusion : cette étude montre la possibilité de prédire l’ACREH avec des algorithmes prédictifs basés sur des paramètres phonatoires. Mais les performances de ces algorithmes dans cette étude sont cependant insuffisantes pour envisager de les laisser seuls décideurs. La construction de modèles intégrant en plus des données phonatoires, des données sémantiques et visuelles pourraient en améliorer l’efficience.