Пакетный анализ 1000 случайных ОАК первично обратившихся пациентов из базы данных медицинского провайдера-партнера выявил, что 13% из них имели серьезные клинически значимые отклонений от нормы, требующие консультации врача-гематолога, что было подтверждено при ручном просмотре данных. <...> В 16% случаев отклонения от нормы носили клинически не значимый характер, а параметры 71% проанализированных анализов соответствовали референсным значениям. <...> Таким образом, созданная КСППР, может быть рекомендована для использования в клинической практике в качестве программного обеспечения, интегрированного с ЛИС или установленного на рабочем месте врача-терапевта. <...> Нейросетевая модель машинного обучения с функцией интерпретации общего анализа крови в клинической практике. <...> ФГБУН «Кировский НИИ гематологии и переливания крови ФМБА», Киров Актуальная сегодня проблема «больших данных» – это следствие информатизации различных сфер деятельности человека. <...> Лабораторная диагностика одна из самых информатизированных сфер медицины и источник непрерывного потока медицинских данных. <...> Аналитика большого количества данных требует использования методов машинного обучения и статистики. <...> Целью нашего исследования было создание модели машинного обучения предварительной дифференциальной диагностики ряда заболеваний крови на базе интерпретации результата общего анализа крови, выполненного на автоматическом гематологическом анализаторе и/или при ручном анализе мазка крови, а также с учетом пола и возраста. <...> В исследование включили 17 535 пациентов, которые сдали общий анализ крови при первичном обращении к гематологу. <...> Возраст пациентов составил от 16 до 99 лет, медиана – 47 лет. <...> Обучающая и контрольная выборки равнялись 85% и 15% случайно выбранных пациентов общей выборки соответственно. <...> В качестве метода машинного обучения использовали метод построения нейронной сети в программе Statistica 10. <...> У всех больных, включенных <...>