Коронарная болезнь сердца остаётся одной из основных причин смертности и инвалидизации в мире. Своевременная диагностика позволяет снизить частоту осложнений и уменьшить нагрузку на систему здравоохранения. Однако традиционные методы остаются дорогими, инвазивными и ограниченно доступными. Недавние исследования подтверждают перспективность применения методов машинного обучения в клинической практике. В этой связи возникает вопрос: можно ли достоверно прогнозировать наличие заболевания, используя только клинико-демографические данные, без визуализационных методов?Целью данной работы было оценить точность и практическую ценность таких моделей. На объединённом протоколе данных UCI Heart Disease (n = 920) был обучен алгоритм LightGBM, который показал следующие результаты: accuracy = 0.8696, precision = 0.8679, recall = 0.9020, F1-score = 0.8846. Полученные данные дополняют результаты предыдущих исследований, основанных на визуализации.Исследование включало сравнение нескольких алгоритмов при единых условиях предварительной обработки и валидации, проверку калибровки вероятностей и интерпретацию с помощью метода SHAP. Анализ показал, что ключевые предикторы (например, депрессия STсегмента) согласуются с клиническими знаниями. Это подтверждает возможность применения модели для первичного скрининга и направления на дополнительную диагностику. В целом, калиброванные и интерпретируемые алгоритмы на основе открытых клинических данных могут стать ценным инструментом маршрутизации пациентов в условиях ограниченных ресурсов.