Материал и методы. Проведен обзор отечественных и зарубежных исследований, направленных на оценку эффективности различных методов машинного обучения (МО) для оценки сердечно-сосудистых рисков. Особое внимание уделялось характеристикам используемых алгоритмов и выбору входных данных, а также оценке качества прогнозов.
Результаты. Традиционные методы прогнозирования, такие как шкалы SCORE 2 и Framingham, часто ограничены в способности полноценно оценивать риск из-за упрощенного учета факторов влияния. В отличие от них алгоритмы МО могут обрабатывать нелинейные взаимодействия многочисленных факторов, обеспечивая более точные и персонализированные прогнозы.
Заключение. Машинное обучение предлагает значительное улучшение прогностических моделей, однако его внедрение в клиническую практику остается сложной задачей. Дискуссия о потенциале моделей МО сосредоточена на необходимости их адаптации к различным популяциям, а также на важности интерпретации результатов для обеспечения клинической применимости.