No Brasil, cerca de sessenta milhões de pessoas sofrem ou adquirem algum tipo de doença diariamente. No entanto, o tempo médio dos diagnósticos por hemogramas, utilizados para identificação de grande parte destas doenças, ainda é muito longo. Isso pode resultar no agravamento dos casos e demora no atendimento, assim como na diminuição da qualidade de vida dos pacientes. Além disso, em alguns casos, o tempo de espera pode resultar em quadros irreversíveis e até mesmo no óbito das pessoas afetadas. Nesse cenário, os recursos tecnológicos como os softwares de inteligência artificial podem auxiliar na diminuição do tempo de emissão dos diagnósticos e, consequentemente, no tempo de resposta e de cuidado dos pacientes. À vista disso, o projeto consiste no desenvolvimento de um software que auxilie na análise de hemogramas e otimização de diagnósticos médicos. Para isso, a metodologia foi dividida em três etapas. Na primeira delas, intitulada “Padronagem médica”, foi feito um levantamento do padrão de variáveis relacionadas a doenças que podem ser identificadas com auxílio de hemogramas. Dentre os resultados obtidos, diabetes, anemia, leucemia, dengue, policitemia, tuberculose, hanseníase, meningite, clamídia, esquistossomose, febre maculosa e malária foram as principais patologias encontradas. Além disso, hemoglobina, leucócitos, plaquetas, glicose, colesterol, íons e hormônios foram os principais resultados encontrados no que concerne aos principais fatores indicativos sanguíneos de referência para as doenças apresentadas. Na segunda fase, foram desenvolvidos os fundamentos teóricos e práticos do software, com base nas redes neurais artificiais. Além disso, em Python, foram elaborados modelos de regressão para verificar a viabilidade das análises, que contaram com datasets reais, baseados em 1227 hemogramas anonimizados. Por fim, na terceira fase, entre os modelos de algoritmos de inteligência artificial testados, Support Vector (0,02) e Multiple Linear (0,61) tiveram as performances mais baixas, enquanto Polynomial (0,97), Random Forest (1,0) e Decision tree (1,0) apresentaram os melhores desempenhos. Ademais, a fim de expandir as análises obtidas, optamos por utilizar uma segunda ferramenta denominada “Classificação”, na mesma fase, na qual montamos uma base de dados modelo que pode ser usada para interpretar correlações entre padrões hematológicos e o comportamento de doenças complexas e multivariadas. Realizamos com isso, a segunda avaliação dos modelos por meio do teste de acurácia de 87 pontos percentuais e com uma matriz de confusão. Diante dos resultados, verificamos que a alta performance nos testes indica que a Inteligência artificial pode ser promissora para a elaboração de diagnósticos médicos mais eficientes, melhorando a qualidade de vida das pessoas e, sobretudo, diminuindo o número de mortes em nosso país. Palavras-chave: Deep Learning; Redes neurais; Diagnósticos médicos; Hemogramas;