Se han desarrollado varios métodos para detectar la malaria en los últimos años, cada uno con su propio conjunto de ventajas. Estos métodos incluyen el análisis microscópico, basado en antígenos y molecular de muestras de sangre. Este estudio tuvo como objetivo desarrollar un nuevo procedimiento alternativo para uso clínico utilizando un gran conjunto de datos de espectros Raman mejorados en la superficie para distinguir glóbulos rojos normales e infectados. Se utilizaron algoritmos PCA-LDA para producir modelos para separar glóbulos rojos infectados (3D7) y glóbulos rojos normales basados en sus espectros Raman. Se consideraron tanto los espectros normalizados promedio como la imagen espectral. Sin embargo, estos espectros iniciales apenas podían diferenciar las células normales de las células infectadas. Luego, se aplicó un análisis de discriminación para ayudar en la clasificación y visualización de los diferentes conjuntos de datos espectrales. Los resultados mostraron una clara separación en las coordenadas PCA-LDA. También se realizó una prueba ciega para evaluar la eficiencia del modelo de separación PCA-LDA y se logró una precisión de predicción de hasta el 80%. Teniendo en cuenta que la precisión de separación PCA-LDA mejorará cuando se incorpore un conjunto más grande de datos de entrenamiento en la base de datos existente, el método propuesto podría ser altamente efectivo para la identificación de glóbulos rojos infectados con malaria.