От объяснимости к клинической применимости: внедрение моделей искусственного интеллекта в системы поддержки принятия решений при эндокринных заболеваниях

О моделях искусственного интеллекта (ИИ) для ведения пациентов с эндокринными заболеваниями сообщают все чаще, однако их клиническую ценность нельзя оценить только по дискриминационной способности, сложности или объяснимости. В нарративном обзоре обобщены данные по сахарному диабету и диабетической болезни почек (ДБП), заболеваниям щитовидной железы, синдрому поликистозных яичников (СПКЯ; с учетом предлагаемого перехода к термину «полиэндокринный метаболический овариальный синдром», PMOS), а также ожирению и метаболическому лечению на основе GLP-1 с применением концепции клинической применимости. Под клинической применимостью мы понимаем связь между значимым эндокринным прогнозом и прозрачным представлением результатов, оценкой смещений и применимости модели, внешней или временной валидацией, калибровкой, оценкой полезности при заданных порогах, интерпретируемостью результатов, интеграцией в клинический рабочий процесс, оценкой алгоритмической справедливости и мониторингом после внедрения. Для сахарного диабета и ДБП накоплена сравнительно обширная доказательная база, включающая примеры поддержки принятия решений, неинвазивную сортировку пациентов, калибровку, анализ кривых принятия решений и первые исследования, ориентированные на внедрение. В исследованиях ИИ при заболеваниях щитовидной железы все чаще приводят данные валидации и клинической полезности для сортировки пациентов с узлами, принятия решений о биопсии и прогнозирования риска, однако проспективных данных о внедрении в рабочий процесс пока мало. Модели ИИ при СПКЯ/PMOS помогают устранять пробелы в диагностике и репродуктивной эндокринологии, но в период перехода к терминологии PMOS необходимы более полное соответствие фенотипам, анализ справедливости и валидация в разных условиях оказания помощи. Данные по ожирению и лечению на основе GLP-1 включают примеры прогнозирования ответа, стратификации ожидаемой пользы, интенсификации лечения, сохранения терапии и дистанционного ведения, однако не подтверждают возможность выбора лечения с помощью ИИ, прогнозирования приверженности или переносимости, а также мониторинга. Между направлениями различия в меньшей степени связаны с основными показателями дискриминационной способности, включая площадь под ROC-кривой (AUC), чем с данными валидации, полезности, интеграции в рабочий процесс, справедливости и мониторинга. ИИ в эндокринологии должен перейти от объяснимого прогнозирования к поддержке принятия решений, результаты которой можно интерпретировать, оценивать с учетом клинических порогов, применять на практике, отслеживать и пересматривать в рамках рабочего процесса.