Проект «Пульс-Р» разрабатывает интерпретируемые модели машинного обучения для бинарной классификации ЭКГ (норма/аномалия) с целью поддержки врачебных решений. В медицине высокая точность недостаточна - критически важна прозрачность логики модели, чтобы эксперт мог проверить и доверять выводам. В проекте реализованы и сравнены четыре подхода: дерево решений, статистический метод Z-score, случайный лес с LIME, каждый из которых даёт свой тип объяснений (правила «если–то», аномальные точки, вклад признаков или аналогии). Итоговая гибридная стратегия объединяет случайный лес как основную модель с визуализацией ближайших соседей и выделением аномальных интервалов. Проект доказывает, что сочетание логической, статистической и аналогической интерпретируемости повышает доверие врача к автоматизированной диагностике эффективнее, чем любой метод по отдельности.