In order to choose the optimal parameters for easier diagnosis of systemic autoimmune diseases, the authors focused on data dimensionality reduction, using both feature selection and feature extraction. The Multiple Correspondence Analysis was used as a feature extraction method, with the aim of exploring the underlying data structure and detecting the crucial latent variables. The obtained latent variables were used as an input for the Discriminant Analysis which correctly classified 86.5% of all analyzed cases. The high rate of correctly classified objects indicates that it would be possible to automate diagnostic processes, which would lead towards the development of decision support systems in this area of medicine. In addition to their knowledge and experience, clinical experts would have further help in decision support systems. That can allow easier learning, faster checking of diagnostic steps, lower rates of misdiagnosed cases and easier communication with experts from other medical centers. / В данной работе представлена так называемая редукция размерности данных, проведенная методом селекции и экстракции характерных атрибутов, с целью выбора оптимальных параметров для диагностики заболеваний иммунной системы. Анализ множественной корреспонденции проведен не только при экстракции, но и при исследовании самой структуры данных, а также при диагностике латентных переменных. Благодаря проведенному анализу множественной корреспонденции на материале экстрагированных латентных переменных с максимальной точностью было классифицировано 86,5% наблюдаемых случаев. Высокий уровень точно классифицированных заболеваний свидетельствует о реальных возможностях автоматизации диагностических процессов, которая поможет в усовершенствовании системы поддержки диагностики системных заболеваний соединительной ткани. Данные системы отличаются надежностью и скоростью диагностики, они легко осваиваются и облегчают коммуникацию специалистов из различных медицинских учреждений. / Radi izbora optimalnih parametara u dijagnostici sistemskih autoimunih bolesti, autori su se u ovom radu fokusirali na tzv. reduckiju dimenzionalnosti podataka upotrebom metoda selekcije i ekstrakcije karakterističnih atributa. Višestruka analiza korespondencije korišćena je ne samo za ekstrakciju, već i za ispitivanje same strukture podataka, kao i za detekciju ključnih latentnih promenljivih. Na ekstrahovane latentne promenljive je, primenom diskriminantne analize, korektno klasifikovano 86,5% posmatranih slučajeva. Visoka uspešnost klasifikacije upućuje na realne mogućnosti automatizacije dijagnostičkog procesa, što bi rezultiralo razvojem sistema za podršku u dijagnostici sistemskih bolesti vezivnog tkiva. Ovakvi sistemi omogućuju lakše učenje, bržu i pouzdaniju dijagnostiku i lakšu komunikaciju sa ekspertima iz drugih medicinskih centara.