Картографический обзор инструментов на основе искусственного интеллекта для прогнозирования риска сердечно-сосудистых заболеваний

Недавний систематический обзор был посвящен изучению распространенности, типов и качества отчетности в исследованиях, использующих прогностические модели на основе искусственного интеллекта (ИИ) для оценки риска развития сердечно-сосудистых заболеваний (ССЗ) у лиц без установленного диагноза. Анализ 30 исследований, опубликованных после 2017 года, показал, что большинство из них применяли существующие модели на больших массивах данных, преимущественно используя унимодальные клинические данные и традиционные алгоритмы машинного обучения, такие как Random Forests и Support Vector Machines. Отмечено, что небольшое число мультимодальных исследований демонстрировали стабильно высокую производительность, а прямые сравнения с классическими шкалами риска, например Фрамингемской, показали сопоставимую или незначительно улучшенную дискриминационную способность моделей ИИ.

Несмотря на определенные успехи, обзор выявил критические недостатки, которые препятствуют широкому клиническому внедрению инструментов ИИ для прогнозирования ССЗ. Отсутствие стандартизированной и полной отчетности является серьезной проблемой: внешняя валидация была проведена лишь в семи исследованиях, а калибровка, то есть согласие между предсказанными и наблюдаемыми частотами событий, не сообщалась ни в одном из включенных 30 работ. Показатель чувствительности, крайне важный для выявления лиц с высоким риском, был упомянут только в четырех исследованиях, и ни в одном из них не проводился анализ кривой решений для оценки клинической полезности. Методологическая гетерогенность также ограничивает надежность выводов при сравнении различных подходов.

Таким образом, хотя инструменты прогнозирования риска ССЗ на основе ИИ обладают значительным потенциалом для улучшения ранней диагностики и, как следствие, исходов заболеваний, их текущее состояние требует существенных доработок. Будущие исследования должны в приоритетном порядке сосредоточиться на проведении внешней валидации в разнообразных популяциях, обязательном включении отчетов о калибровке и чувствительности наряду с дискриминационными метриками. Крайне важно также повсеместное внедрение стандартов отчетности, таких как TRIPOD-AI или PROBAST-AI, для обеспечения прозрачности, воспроизводимости и, в конечном итоге, возможности безопасного и эффективного применения этих технологий в клинической практике.