Прогностическая эффективность алгоритмов искусственного интеллекта для выявления гестационного сахарного диабета у беременных: систематический обзор и метаанализ

Введение: Гестационный сахарный диабет (ГСД) — частое осложнение беременности, распространённость которого ежегодно увеличивается. Он оказывает многочисленные неблагоприятные воздействия на здоровье матерей и новорождённых. Точное прогнозирование ГСД может существенно улучшить прогноз заболевания. В последние годы алгоритмы искусственного интеллекта (ИИ) всё чаще применяют для построения моделей прогнозирования ГСД. Однако единого мнения о наиболее эффективном алгоритме или модели пока нет.

Цель: Оценить и сопоставить эффективность существующих моделей прогнозирования ГСД, построенных с использованием алгоритмов ИИ, а также предложить стратегии повышения обобщаемости и точности прогнозирования моделей, обеспечив доказательную основу для разработки более точных и эффективных моделей прогнозирования ГСД.

Методы: Проведён комплексный поиск в базах данных PubMed, Web of Science, Cochrane Library, EMBASE, Scopus и OVID — от момента их создания до 1 июня 2025 года. В обзор включали исследования, в которых разрабатывали или валидировали модели прогнозирования ГСД на основе алгоритмов ИИ. Два рецензента независимо друг от друга проводили отбор исследований, извлечение данных и оценку риска систематической ошибки с использованием инструмента оценки риска систематической ошибки в исследованиях прогностических моделей. Для обобщения чувствительности и специфичности, а также построения суммарной рабочей характеристической кривой (SROC) с расчётом площади под кривой (AUC) применяли двумерную модель со случайными эффектами. Для дополнительной корректировки объединённых оценок чувствительности и специфичности использовали метод Hartung–Knapp–Sidik–Jonkman. Межисследовательские стандартное отклонение (τ) и дисперсию (τ²), полученные из двумерной модели, использовали для количественной оценки абсолютной неоднородности. Для оценки эффектов малых исследований среди включённых работ применяли тест Дика. Кроме того, проводили анализ подгрупп и метарегрессию для сравнения эффективности алгоритмов и изучения источников неоднородности.

Результаты: В 14 исследованиях оценивали прогностическую ценность алгоритмов ИИ для выявления ГСД. После корректировки методом Hartung–Knapp–Sidik–Jonkman объединённые оценки чувствительности и специфичности составили соответственно 0,78 (95% ДИ 0,69–0,86; τ=0,15, τ²=0,02; прогностический интервал 0,47–1,09) и 0,85 (95% ДИ 0,78–0,92; τ=0,11, τ²=0,01; прогностический интервал 0,59–1,11). По суммарной рабочей характеристической кривой площадь под кривой при прогнозировании ГСД с помощью алгоритмов ИИ составила 0,94 (95% ДИ 0,92–0,96), что свидетельствует о высокой прогностической способности. Тест Дика (P=.03) и воронкообразная диаграмма продемонстрировали выраженную асимметрию, указывающую на наличие эффектов малых исследований. В анализе подгрупп алгоритм случайного леса показал наибольшую чувствительность — 0,83 (95% ДИ 0,74–0,93), тогда как алгоритм экстремального градиентного усиления характеризовался наибольшей специфичностью — 0,82 (95% ДИ 0,77–0,87). Метарегрессия также выявила повышение точности прогнозирования в исследованиях с проспективным дизайном (коэффициент регрессии=2,289; P=.001).

Выводы: В отличие от предыдущих нарративных обзоров, этот систематический обзор впервые представил сравнительный количественный синтез данных об алгоритмах ИИ для прогнозирования ГСД. Сформирована доказательная основа для выбора моделей и выявлен критически важный пробел в доказательствах. Для практического применения необходимо проводить локальную валидацию моделей до их внедрения в клиническую практику. В дальнейшем следует сосредоточиться на крупных проспективных исследованиях валидации для разработки инструментов, пригодных для клинического использования.