Машинное обучение в прогнозировании неблагоприятных сердечно-сосудистых событий у пациентов с сахарным диабетом 2 типа. Мнение по проблеме

Наговицин А. К.; Бакутина Ю. Ю.; Кочкина И. А.; Чернуцкий В. В.

Статья

Машинное обучение в прогнозировании неблагоприятных сердечно-сосудистых событий у пациентов с сахарным диабетом 2 типа. Мнение по проблеме

Наговицин А. К.,

Бакутина Ю. Ю.,

Кочкина И. А.,

Чернуцкий В. В.

2026

https://doi.org/10.15829/10.15829/1560-4071-2026-6899

В работе анализируются перспективы использования машинного обучения для оценки сердечно-сосудистого риска у пациентов с сахарным диабетом 2 типа. Показано, что современные алгоритмы, в частности нейронные сети, демонстрируют высокую эффективность в прогнозировании риска. Однако, несмотря на высокую точность моделей, их внедрение ограничено рядом проблем, таких как дефицитом внешней проверки на независимых выборках и сложностью интеграции в системы поддержки врачебных решений. Подчеркивают, необходимость в стандартизации дизайна исследований и обеспечении прозрачности работы алгоритмов для внедрения машинного обучения в широкую клиническую практику.

Наговицин А. К., Бакутина Ю. Ю., Кочкина И. А., Чернуцкий В. В. Машинное обучение в прогнозировании неблагоприятных сердечно-сосудистых событий у пациентов с сахарным диабетом 2 типа. Мнение по проблеме. Российский кардиологический журнал. 2026;31(2S):6899. https://doi.org/10.15829/10.15829/1560-4071-2026-6899

Цитирование

Список литературы

1. Joseph JJ, Deedwania P, Acharya T, et al. Comprehensive Management of Cardiovascular Risk Factors for Adults With Type 2 Diabetes: A Scientific Statement From the American Heart Association. Circulation. 2022;145(9):e722-e759. doi:10.1161/CIR.0000000000001040.

2. GBD 2021 Diabetes Collaborators. Global, regional, and national burden of diabetes from 1990 to 2021, with projections of prevalence to 2050: a systematic analysis for the Global Burden of Disease Study 2021. Lancet. 2023;402(10397):203-34. doi:10.1016/S0140-6736(23)01301-6.

3. Oikonomou EK, Khera R. Machine learning in precision diabetes care and cardiovascular risk prediction. Cardiovasc Diabetol. 2023;22(1):259. doi:10.1186/s12933-023-01985-3.

4. Dziopa K, Asselbergs FW, Gratton J, et al. Cardiovascular risk prediction in type 2 diabetes: a comparison of 22 risk scores in primary care settings. Diabetologia. 2022;65(4):64456. doi:10.1007/s00125-021-05640-y.

5. Бакулин Г. Г., Сережина Е. К., Обрезан А. Г. Анализ актуальных подходов к оценке сердечно-сосудистого риска: вклад традиционных шкал риска и машинного обучения. Кардиология: новости, мнения, обучение. 2025;13(4):26-33. EDN: HRUBSQ.

6. Kwiendacz H, Wijata AM, Nalepa J, et al. Machine learning profiles of cardiovascular risk in patients with diabetes mellitus: the Silesia Diabetes-Heart Project. Cardiovasc Diabetol. 2023;22(1):218. doi:10.1186/s12933-023-01938-w.

7. Hunter DJ, Holmes C. Where Medical Statistics Meets Artificial Intelligence. N Engl J Med. 2023;389(13):1211-9. doi:10.1056/NEJMra2212850.

8. Nur A, Tjandra S, Yumnanisha DA, et al. Predicting the risks of stroke, cardiovascular disease, and peripheral vascular disease among people with type 2 diabetes with artificial intelligence models: a systematic review and meta-analysis. Narra J. 2025;5(1):e2116. doi:10.52225/narra.v5i1.2116.

9. Xu C, Shi F, Ding W, et al. Development and validation of a machine learning model for cardiovascular disease risk prediction in type 2 diabetes patients. Sci Rep. 2025;15(1):32818. doi:10.1038/s41598-025-18443-7.

10. Liu Y, Wang P, Wang M, et al. Development and External Validation of a Machine LearningBased Model for Predicting Heart Failure Risk in Type 2 Diabetes. Diabetes Metab Syndr Obes. 2025;18:4177-91. doi:10.2147/DMSO.S558687.

11. Tang D, Liang F, Gu X, et al. Exploration and analysis of risk factors for coronary artery disease with type 2 diabetes based on SHAP explainable machine learning algorithm. Sci Rep. 2025;15(1):29521. doi:10.1038/s41598-025-11142-3.

12. Kee OT, Harun H, Mustafa N, et al. Cardiovascular complications in a diabetes prediction model using machine learning: a systematic review. Cardiovasc Diabetol. 2023;22(1):13. doi:10.1186/s12933-023-01741-7.

13. Salih AM, Galazzo IB, Gkontra P, et al. A review of evaluation approaches for explainable AI with applications in cardiology. Artif Intell Rev. 2024;57(9):240. doi:10.1007/s10462-024-10852-w.

14. Sang H, Lee H, Lee M, et al. Prediction model for cardiovascular disease in patients with diabetes using machine learning derived and validated in two independent Korean cohorts. Sci Rep. 2024;14(1):14966. doi:10.1038/s41598-024-63798-y.

15. Tang Y, Zheng X, Yang X, et al. Machine learning-based integration of pericoronary adipose tissue and clinical risk factors for cardiovascular risk prediction in type 2 diabetes: a retrospective cohort study. Eur J Med Res. 2025;30(1):961. doi:10.1186/s40001-025-03237-4.

Документы

Источник

Информация

Автор

Наговицин А. К. ФГБОУ ВО Воронежский государственный медицинский университет им. Н. Н. Бурденко Минздрава России; ООО "Медицинский центр Широких Сердец"
Бакутина Ю. Ю. ФГБОУ ВО Воронежский государственный медицинский университет им. Н. Н. Бурденко Минздрава России
Кочкина И. А. ФГБОУ ВО Воронежский государственный медицинский университет им. Н. Н. Бурденко Минздрава России
Чернуцкий В. В. ФГБОУ ВО Воронежский государственный медицинский университет им. Н. Н. Бурденко Минздрава России

Название журнала

Российский кардиологический журнал

Ключевые слова

Статья