17 Шепель Р. Н. Демко В. В. Гончаров М. В. Лукьянов М. М. Марцевич С. Ю. Бернс С. А. Драпкина О. М. госпитализация электронные медицинские карты медицинские информационные системы машинное обучение прогностические модели предотвратимые госпитализации опросники анкетирование предикторы госпитализации мультиморбидность полипрагмазия 2025 2026-02-08 10.15829/1728-8800-2025-4694 Кардиоваскулярная терапия и профилактика Рост числа госпитализаций пациентов с хроническими неинфекционными заболеваниями остаётся одной из ключевых проблем систем здравоохранения. Значительная часть таких госпитализаций потенциально предотвратима при своевременном амбулаторном наблюдении и эффективной работе первичного звена. Прогностические модели, основанные на данных медицинских информационных систем (МИС) и электронных медицинских карт (ЭМК), позволяют идентифицировать пациентов с повышенным риском госпитализации и совершенствовать тактику их ведения. В статье систематизирован и обобщен международный опыт использования прогностических моделей оценки риска госпитализации, разработанных на основе данных МИС и ЭМК. Проведен систематический обзор публикаций, представленных в отечественных и зарубежных библиографических базах данных (Scopus, PubMed, BMC Health Services Research, BMJ Research, Google Scholar, Elibrary, Oxford Academic, Wiley Online Library) за период 1993-2023гг. В анализ включены исследования, в которых применялись данные ЭМК и МИС для разработки и/или валидации прогностических моделей риска госпитализации. Информация систематизирована по категориям предикторов: заболевания и коморбидные состояния, назначения лекарственных препаратов, взаимодействие с медицинскими организациями (МО), социально-демографические и лабораторные показатели. В окончательный анализ включены 14 исследований, описывающих 28 моделей прогнозирования риска госпитализации. В большинстве работ использовалась логистическая регрессия; в отдельных исследованиях применялись методы машинного обучения (градиентный бустинг, случайный лес, байесовские ансамблевые модели). Наибольшую прогностическую значимость имели категории "заболевания и коморбидные состояния" (42,3%), "назначения лекарственных препаратов" (23,6%) и "взаимодействие с МО" (19,8%). Включение временных характеристик (частота и давность госпитализаций, посещений МО первичной медико-санитарной помощи и проведения лабораторных исследований) повышало точность моделей. Прогностические модели, основанные на данных ЭМК и МИС, демонстрируют высокую дискриминационную способность и позволяют оценивать риск госпитализаций на уровне первичной медико-санитарной помощи. Применение методов машинного обучения в отдельных исследованиях показало возможность более глубокого анализа взаимосвязей между предикторами и повышение точности прогнозирования. Перспективным направлением является дальнейшая разработка, внешняя валидация и адаптация моделей на расширенных массивах данных ЭМК и МИС с целью их последующего использования при организации диспансерного наблюдения и профилактике хронических неинфекционных заболеваний. https://www.cardiojournal.online/publication/14048 https://www.cardiojournal.online/files/14479