Diese Studie präsentiert ein auf maschinellem Lernen basierendes System zur Früherkennung von Sichelzellenanämie unter Verwendung strukturierter klinischer Daten aus Blutbildern von Patienten. Der vorgeschlagene Ansatz zielt darauf ab, die Einschränkungen herkömmlicher Diagnosemethoden zu adressieren, die oft kostspielig sind und zeitaufwendige spezialisierte Laborinfrastrukturen erfordern. Das Ziel war es, das leistungsfähigste Modell zu identifizieren und eine Anwendung zu entwickeln, die vom medizinischen Personal in schwer zugänglichen Gebieten als Unterstützungswerkzeug für die Früherkennung dieser Krankheit eingesetzt werden kann. Unter den evaluierten Modellen erzielte das Random-Forest-Modell die beste Leistung mit einer Genauigkeit von 98 %, einer Sensitivität von 98 % und einem F1-Score von 98 %. Seine überlegene Leistung wird seiner Fähigkeit zugeschrieben, nicht-lineare Interaktionen zwischen hämatologischen Variablen zu erfassen, die für die klinische Diagnose entscheidend sind. Die Vorhersagen des Systems wurden von medizinischen Fachkräften validiert und zeigten eine hohe Übereinstimmung mit traditionellen Diagnosen. Eine zentrale Innovation dieser Studie ist die Nutzung strukturierter Blutbilddaten.