Искусственный интеллект в прогнозировании сердечно-сосудистых осложнений сахарного диабета 2-го типа: обзор прогностических моделей, их интерпретируемости и клинической применимости

Введение. Данная работа представляет собой критический обзор медицинских систем искусственного интеллекта (ИИ). Авторы анализируют 3 систематических обзора 2026 г. по проблеме прогнозирования осложнений сахарного диабета 2-го типа (СД2). Рассматриваются диабетическая ретинопатия, нефропатия и сердечно-сосудистые заболевания. Акцент ставится в основном на ИИ-моделях, используемых для прогноза осложнений сердечно-сосудистой системы. Это классическое машинное обучение, глубокое обучение, генеративный ИИ, большие языковые модели с соответствующими технологиями оптимизации. Подчеркивается переход к прогнозированию кардиометаболической мультиморбидности, усиление тренда на объяснимость результатов моделей, их внешнюю валидацию и локальную рекалибровку ИИ-моделей под конкретные популяции, особенно азиатские. Цель. Провести анализ современных возможностей применения методов искусственного интеллекта для прогнозирования осложнений сахарного диабета 2-го типа на основании данных систематических обзоров. Материалы и методы. Проведен анализ публикаций, посвященных использованию методов искусственного интеллекта в прогнозировании осложнений сахарного диабета 2-го типа. Систематический поиск литературы осуществлялся в базах данных PubMed, Web of Science и Scopus за период с января 2015 г. по июнь 2025 г. В обзор были включены исследования, посвященные прогнозированию осложнений сердечно-сосудистых заболеваний, диабетической ретинопатии, диабетической нефропатии с использованием методов машинного обучения, глубокого обучения, больших языковых моделей и мультимодальной интеграции данных. Всего было проанализировано 58 исследований. Результаты. Установлено, что методы искусственного интеллекта демонстрируют высокую эффективность в прогнозировании основных осложнений сахарного диабета 2-го типа. Наибольшая прогностическая точность отмечена при использовании мультимодальных моделей, объединяющих клинические, лабораторные, омиксные данные и результаты медицинской визуализации. Показано, что существующие модели оценки сердечно-сосудистого риска обладают различной степенью клинической применимости и ограниченной репрезентативностью для азиатских популяций. Перспективным направлением является разработка интерпретируемых ИИ-моделей для прогнозирования кардиометаболической мультиморбидности. Заключение. Искусственный интеллект представляет собой перспективный инструмент прогнозирования осложнений сахарного диабета 2-го типа. Мультимодальная интеграция данных сопутствует повышению точности прогностических моделей и может способствовать внедрению персонализированного подхода в ведение пациентов с сахарным диабетом. Introduction. This paper is a critical review and meta-analysis of medical AI systems. The authors analyze three 2026 systematic reviews focusing on the prediction of type 2 diabetes mellitus complications. Diabetic retinopathy, nephropathy and cardiovascular diseases are considered. The authors place their primary emphasis on the AI models used for predicting these complications. These encompass classical machine learning, deep learning, generative AI, and large language models alongside their respective optimization technologies. The text highlights a shift toward predicting cardiometabolic multimorbidity, as well as a growing trend toward model explainability, external validation, and local recalibration for specific populations, particularly Asian cohorts. Purpose. To analyze current opportunities for applying artificial intelligence methods in predicting complications of type 2 diabetes mellitus based on systematic reviews data. Materials and methods. A literature review of publications investigating the use of artificial intelligence methods for predicting complications of type 2 diabetes mellitus, was conducted. A systematic search was performed in the PubMed, Web of Science, and Scopus databases covering the period from January 2015 to June 2025. Studies that used machine learning, deep learning, large language models, or multimodal data integration to predict diabetic retinopathy, diabetic nephropathy, or cardiovascular disease were included. A total of 58 studies were analyzed. Results. Artificial intelligence methods demonstrated high effectiveness in predicting major complications of type 2 diabetes mellitus. The highest predictive performance was observed in multimodal models integrating clinical, laboratory, omics, and medical imaging data. Existing cardiovascular risk prediction models showed varying degrees of clinical applicability and limited representativeness for Asian populations. Creating interpretable AI-models to predict cardiometabolic multimorbidity appears to be a particularly promising direction. Conclusion. Artificial intelligence represents a promising tool for predicting complications of type 2 diabetes mellitus. Multimodal data integration improves the accuracy of predictive models and may facilitate the implementation of personalized approaches to the management of patients with diabetes mellitus.

Hali tarjima qilinmagan