17 Буренков Ю. В. Шевцова В. И. Ахьядов А. Д. Алферова И. П. машинное обучение сердечная недостаточность прогнозирование исходов методологическое качество PROBAST TRIPOD-ML 2026 2026-06-13 10.15829/1728-8800-2026-4736 Кардиоваскулярная терапия и профилактика Цель обзора — на основе анализа международных стандартов методологического качества и обзора существующей практики разработать адаптированный для российских условий алгоритм применения машинного обучения (МО) для создания воспроизводимых моделей прогнозирования течения хронической сердечной недостаточности (ХСН). Для этого были систематизированы принципы международных стандартов PROBAST (Prediction model Risk Of Bias Assessment Tool, оценка риска систематической ошибки) и TRIPOD-ML (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis — Machine Learning, отчетность), а также проведен расширенный поиск и методологическая оценка российских исследований за период 2016-2025гг, в которых МО применялось у пациентов с ХСН. В ходе анализа установлен критический дефицит российских работ, посвященных прогнозированию течения ХСН. Обзор существующих исследований выявил системные нарушения: отсутствие внешней валидации, утечку данных на этапе отбора признаков, неполную отчетность и игнорирование оценки клинической полезности. Причины этих проблем носят системный характер и связаны с фрагментацией данных, междисциплинарным разрывом и регуляторными пробелами. Разрыв между международными стандартами и российской практикой обусловлен не технологическим отставанием, а недостатком методологической культуры. В качестве решения предложен поэтапный практический алгоритм, фокусирующийся на строгом разделении данных, комплексной валидации, прозрачной отчетности и оценке клинической полезности. Внедрение данного алгоритма станет важным шагом для развития в России доказательного прогностического моделирования при ХСН. https://www.cardiojournal.online/publication/14393 https://www.cardiojournal.online/files/14796