Юрий Владиславович Буренков — ординатор 1-го года обучения по специальности "Терапия", факультет подготовки кадров высшей квалификации
Студенческая ул., д. 10, Воронеж, 394036
Studencheskaya str., 10, Voronezh, 394036
Вероника Ивановна Шевцова — к.м.н., доцент, доцент кафедры инфекционных болезней и клинической иммунологии
Студенческая ул., д. 10, Воронеж, 394036
Studencheskaya str., 10, Voronezh, 394036
Диана Евгеньевна Кутилова — студентка 5 курса, лечебный факультет
ул. Победы, д. 85, Белгород, 308007
Pobedy str., 85, Belgorod, 308007
Арина Олеговна Тарасова. — студентка 5 курса, лечебный факультет
ул. Победы, д. 85, Белгород, 308007
Pobedy str., 85, Belgorod, 308007
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.
Aim. To assess performance and methodological quality of machine learning (ML) models for predicting outcomes in patients with heart failure with preserved (HFpEF) and reduced (HFrEF) ejection fraction.
Material and methods. A systematic search of original publications in PubMed and eLibrary (2015-2025) was conducted. Twenty studies were included in the review. Methodological quality was assessed using PROBAST.
Results. The performance of the ML models was comparable for HFpEF and HFrEF (median AUC, 0,812 in both groups, p=0,48). The analysis showed that 70% of the studies were at high risk of bias, primarily due to the lack of external validation. The clustering models demonstrated clinically meaningful stratification, identifying phenotypes with significantly increased risk (e.g., hazard ratio 2,99 (95% confidence interval 2,41-3,7, p<0,001)).
Conclusion. ML models demonstrate moderate-to-high performance. However, the lack of external validation limits their readiness for clinical application. Standardization of methodology for future studies and prospective validation are needed.
The authors declare that there are no conflicts of interest present.