Niniejsze badanie przedstawia system oparty na uczeniu maszynowym do wczesnego przewidywania anemii sierpowatej przy użyciu ustrukturyzowanych danych klinicznych z morfologii krwi pacjentów. Proponowane podejście ma na celu rozwiązanie problemu ograniczeń konwencjonalnych metod diagnostycznych, które są zazwyczaj kosztowne, czasochlonne i wymagają specjalistycznej infrastruktury laboratoryjnej. Celem bylo zidentyfikowanie najlepiej dzialającego modelu i opracowanie aplikacji, która moglaby byc wykorzystywana przez personel medyczny w trudno dostępnych miejscach jako narzędzie wspierające wczesną diagnostykę tej choroby. Spośród ocenianych modeli najlepsze wyniki uzyskal model Random Forest, osiągając dokladnośc 98%, czulośc 98% i wynik F1 na poziomie 98%. Jego doskonale wyniki przypisuje się zdolności do uchwycenia nieliniowych interakcji między zmiennymi hematologicznymi, które są kluczowe dla diagnozy klinicznej. Przewidywania systemu zostaly zweryfikowane przez lekarzy specjalistów, wykazując dużą zgodnośc z tradycyjnymi diagnozami. Kluczową innowacją tego badania jest wykorzystanie ustrukturyzowanych danych z morfologii krwi.
