RT - article
SR - Electronic
T1 - Сравнение эффективности и методологического качества моделей машинного обучения для прогнозирования исходов при сердечной недостаточности с сохраненной и сниженной фракцией выброса: систематический обзор
JF - Российский кардиологический журнал
SP - 2026-04-25
DO - 10.15829/10.15829/1560-4071-2026-6721
A1 - Буренков Ю. В., 
A1 - Шевцова В. И., 
A1 - Кутилова Д. Е., 
A1 - Тарасова А. О., 
YR - 2026
UL - https://www.cardiojournal.online/publication/14244
AB - Цель. Провести сравнительную оценку эффективности и методологического качества моделей машинного обучения (machine learning, ML) для прогнозирования исходов у пациентов с хронической сердечной недостаточностью с сохраненной (ХСНсФВ) и сниженной (ХСНнФВ) фракцией выброса.Материал и методы. Проведен систематический поиск оригинальных работ в базах данных PubMed и eLibrary (2015-2025гг). В обзор было включено 20 исследований. Методологическое качество оценивалось по PROBAST.Результаты. Эффективность ML-моделей была сопоставимой для ХСНсФВ и ХСНнФВ (медиана AUC 0,812 в обеих группах, p=0,48). 70% исследований имели высокий риск смещения, преимущественно из-за отсутствия внешней валидации. Модели кластеризации демонстрировали клинически значимую стратификацию, выявляя фенотипы со статистически значимым повышенным риском (например, отношение рисков 2,99 (95% доверительный интервал 2,41-3,7, p<0,001)).Заключение. ML-модели показывают умеренно-высокую эффективность, однако отсутствие внешней валидации ограничивает их готовность к клиническому применению. Необходимы стандартизация методологии для будущих исследований и проспективная валидация.