У дисертаційній роботі вирішено важливу науково-прикладну проблему розроблення та удосконалення моделей, методів і засобів машинного навчання в задачах класифікації, кластеризації, прогнозування та візуалізація результатів опрацювання персональних даних для адаптації медичних рішень до пацієнта. У роботі введено поняття персоналізації, персоналізованих рішень та медичних даних пацієнта. Проаналізовано правові вимоги щодо використання персоналізованих медичних даних, існуючі практичні рішення, що відображають основні підходи до використання медичних даних та урахування персоналізації за результатами аналізу існуючих систем штучного інтелекту у сфері медицини. Проведено порівняльний аналіз класичних методів та визначені обмеження, що характерні при опрацюванні медичних персоналізованих даних. Визначено найбільші обмеження під час опрацювання універсальними методами великих та малих мультимодальних медичних наборів даних, що визначили актуальну науково-прикладну проблему щодо розробки нових чи удосконалення існуючих методів штучного інтелекту щодо підвищення точності процесу обробки великих та малих мультимодальних медичних даних для пошуку персоналізованих рішень та сформувати завдання наукового дослідження.^UThe dissertation solved an important scientific and applied problem of developing and improving models, methods and tools of machine learning in the tasks of classification, clustering, forecasting and visualization of the results of personal data processing for adapting medical solutions to the patient.The work introduces the concepts of personalization, personalized solutions, and patient medical data. Legal requirements for the use of personalized medical data, existing practical solutions reflecting the main approaches to the use of medical data and taking into account personalization based on the analysis of existing artificial intelligence systems in the field of medicine are analyzed. A comparative analysis of classical methods was carried out and the limitations characteristic of the processing of personalized medical data were determined. The biggest limitations during the processing of large and small multimodal medical data sets by universal methods were determined, which identified an actual scientific and applied problem regarding the development of new or improvement of existing methods of artificial intelligence to increase the accuracy of the process of processing large and small multimodal medical data to find personalized solutions and form tasks scientific research.