El estudio se realizó aplicando métodos de aprendizaje automático y minería de datos a la personalización del tratamiento. Esto permite investigar las características individuales de los pacientes. El método de personalización se basó en el método de agrupación y reglas asociativas. Se sugirió determinar la distancia promedio entre las instancias para encontrar las métricas de rendimiento óptimas. Se propuso la formalización de la etapa de preprocesamiento de datos médicos para encontrar soluciones personalizadas basadas en estándares actuales y protocolos farmacéuticos. El modelo de datos del paciente se construyó utilizando parámetros dependientes del tiempo y parámetros independientes del tiempo. El tratamiento personalizado suele basarse en el método del árbol de decisiones. Este enfoque requiere un tiempo de cálculo significativo y no puede ser paralelizado. Por lo tanto, se propuso agrupar a las personas por condiciones y determinar desviaciones de parámetros de los parámetros normativos del grupo, así como los parámetros promedio. La novedad del artículo es el nuevo método de agrupación, que se construyó a partir de un conjunto de algoritmos de agrupación, y el uso de la nueva medida de distancia con métricas de Hopkins, que fueron 0.13 menores que para el método de k-medias. El índice de Dunn fue 0.03 más alto que para el algoritmo BIRCH (balanced iterative reducing and clustering using hierarchies). La siguiente etapa fue la minería de reglas asociativas proporcionadas por separado para cada grupo. Esto permite crear un enfoque personalizado para el tratamiento para cada paciente basado en un monitoreo a largo plazo. El nivel de corrección de las decisiones médicas propuestas es del 86%, lo cual fue aprobado por expertos.