Настоящая статья представляет собой литературный обзор методов и алгоритмов, применяемых для обработки данных о заболеваемости с учётом демографических, временных и географических факторов. В рамках исследования рассматриваются как классические статистические модели (линейная и логистическая регрессия, модели временных рядов, метод главных компонент), так и современные методы машинного обучения, включая деревья решений, ансамблевые модели (Random Forest, Gradient Boosting), а также нейросетевые архитектуры. Особое внимание уделено вопросам предобработки данных: очистке, нормализации, работе с пропущенными значениями и агрегации по территориальным и возрастным признакам. Также обсуждаются проблемы интерпретируемости моделей, устойчивости к шуму, ограниченности исходных данных и внедрения алгоритмов в реальные медицинские информационные системы. Целью статьи является систематизация существующих подходов и выделение эффективных решений, применимых для построения автоматизированных систем мониторинга и анализа заболеваемости. На основе сравнительного анализа выявлены сильные и слабые стороны различных методов, а также обозначены перспективы их дальнейшего развития, включая интеграцию с геоинформационными системами, мобильными данными и предиктивными моделями на базе искусственного интеллекта.