PT - JOURNAL ARTICLE
AU - Шепель Р. Н., 
AU - Демко В. В., 
AU - Гончаров М. В., 
AU - Лукьянов М. М., 
AU - Марцевич С. Ю., 
AU - Бернс С. А., 
AU - Драпкина О. М., 
TI - Современные возможности определения риска и предикторов госпитализации на основе данных медицинских информационных систем. Систематический обзор
DP - 2026-02-08
TA - Кардиоваскулярная терапия и профилактика
4100 - 10.15829/1728-8800-2025-4694
SO - https://www.cardiojournal.online/publication/14048
AB - 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.