Современные системы здравоохранения все в большей степени зависят от структурированного обмена информацией между больницами, лабораториями и цифровыми платформами. Стандарт HL7 v2.x служит основой для такой коммуникации, однако его вариативный синтаксис и наличие необязательных сегментов создают сложности для машинной интерпретации. Для решения этой проблемы была разработана гибридная модель искусственного интеллекта, предназначенная для автоматизированной обработки и классификации HL7-сообщений, объединяющая структурное обучение и семантическую валидацию. Экспериментальный рабочий процесс включал генерацию синтетического набора данных, содержащего 3000 жизненных циклов пациентов и свыше 7000 сообщений ADT, с последующим этапом парсинга, инженерии признаков и обучения с учителем. В качестве базовых классификаторов были протестированы модели логистической регрессии, случайного леса и градиентного бустинга. Дополнительно была реализована семантическая надстройка, объединяющая методы распознавания именованных сущностей (Named Entity Recognition) и регулярных выражений, что позволило учитывать контекстные признаки, такие как имена врачей, наименования медицинских учреждений и диагностические индикаторы. После повторного обучения ансамблевые модели продемонстрировали заметное улучшение: точность модели Random Forest увеличилась на 9,3%, а F1мера – на 7,0%. Полученные результаты подтверждают, что добавление семантических признаков повышает интерпретируемость модели и ее устойчивость, устраняя разрыв между синтаксическим разбором структурированных сообщений и пониманием их смыслового содержания. Предложенный гибридный конвейер обработки данных может стать основой для интеллектуальных решений в области интероперабельности и разработки совместимых с FHIR систем обмена медицинскими данными нового поколения.