Искусственный интеллект в диагностике и прогнозе полиморбидности у пожилых

Abstract

Цель: оценить эффективность искусственного интеллекта в диагностике и прогнозировании полиморбидности у пожилых людей старше 65 лет на основе актуальной литературы. Материалы и методы. Проведен систематический обзор 153 исследований за период с 1 января 2020 г. по 1 марта 2025 г. по стандартам PRISMA 2020. Использован фреймворк PICOS: популяция - пожилые с полиморбидностью (два и более хронических заболевания), вмешательство - инструменты искусственного интеллекта (машинное обучение, глубокое обучение), исходы - точность диагностики и прогностическая эффективность. Поиск выполнен в PubMed, Scopus, Web of Science и Google Scholar. Данные синтезированы нарративно и количественно с помощью метаанализа в программном обеспечении R v. 4.3.2. Преимущество метода - способность выявлять скрытые закономерности по сравнению с клиническими шкалами. Результаты. Искусственный интеллект показал высокую точность в диагностике деменции (AUC = 0,833), инсульта (AUC = 0,91), сердечно-сосудистых заболеваний (AUC = 0,986-0,991) и остеопороза (AUC = 0,972). Прогностическая эффективность составила AUC ≈ 0,87 (95%-й доверительный интервал: 0,83-0,91) для смертности и госпитализаций. Однако при полиморбидности точность ниже (AUC = 0,787-0,93), что связано с гетерогенностью данных и сложностью взаимодействия патологий. Заключение. Искусственный интеллект улучшает диагностику и прогноз в гериатрии, особенно для отдельных заболеваний, но требует стандартизации данных и динамических моделей для полиморбидности. Цифровой эйджизм и качество данных остаются вызовами для внедрения.Aim. To evaluate the effectiveness of artificial intelligence in diagnosing and predicting multimorbidity in people over 65 years based on current literature data. Materials and methods. A systematic review of 153 studies from January 1, 2020 to March 1, 2025 was conducted following PRISMA 2020 guidelines. The PICO model was applied: population - elderly people with multimorbidity (two or more chronic conditions), intervention - artificial intelligence tools (machine learning, deep learning), outcomes - diagnostic accuracy and prognostic performance. Keyword searches were performed in PubMed, Scopus, Web of Science, and Google Scholar databases. Data were synthesized narratively and quantitatively via meta-analysis using the R software version 4.3.2. The method excels in detecting hidden patterns compared to clinical scales. Results. Artificial intelligence demonstrated high diagnostic accuracy for dementia (AUC = 0.833), stroke (AUC = 0.91), cardiovascular diseases (AUC = 0.986-0.991), and osteoporosis (AUC= 0.972). Prognostic performance reached AUC ≈ 0.87 (95% confidence interval: 0.83-0.91) for mortality and hospitalizations. However, for multimorbidity, accuracy was lower (AUC = 0.787- 0.93) due to data heterogeneity and the complexity of disease interactions. Conclusion. Artificial intelligence enhances diagnostic and prognostic capabilities in geriatrics, particularly for individual conditions, but requires data standardization and dynamic models for multimorbidity. Challenges, such as digital ageism and data quality, still hinder its implementation.