Модели прогнозирования исходного риска кардиальной дисфункции, связанной с противоопухолевой терапией, с применением машинного обучения: систематический обзор и критическая оценка методологического качества

Введение: Кардиальная дисфункция, связанная с противоопухолевой терапией (CTRCD), — частое осложнение, которое может иметь неблагоприятные клинические последствия. В рекомендациях подчёркивается необходимость надёжной исходной оценки риска для выбора профилактических стратегий. Машинное обучение (ML) показало перспективность в кардиологии, однако готовность прогностических моделей на его основе к оценке исходного риска CTRCD в кардиоонкологии остаётся неясной.

Цель: Систематически обобщить данные и критически оценить эффективность, методологическое качество и клиническую применимость моделей на основе ML для прогнозирования исходного риска CTRCD.

Методы и результаты: Поиск в базах Embase и MEDLINE проводили по май 2026 года. В обзор включали исследования, в которых алгоритмы ML применяли для оценки риска CTRCD до начала противоопухолевого лечения. Данные извлекали с помощью адаптированной версии контрольного списка CHARMS. Риск систематической ошибки и качество представления результатов оценивали с использованием PROBAST и TRIPOD + AI. В обзор вошли девять исследований. В семи разрабатывались новые модели с несколькими клиническими и визуализационными предикторами, а в двух повторно использовали или валидировали существующие модели электрокардиографии (ЭКГ), дополненные искусственным интеллектом. Дискриминационная способность моделей была как минимум умеренной (AUC 0,65–0,88); калибровку оценивали только в двух исследованиях, внешнюю валидацию проводили в одном. Многопараметрические модели демонстрировали более высокие показатели эффективности, чем модели только на основе ЭКГ, однако их возможности были ограничены методологическими недостатками. В целом большинство исследований имели ограничения, связанные с неоднородностью определений исхода, низкой частотой событий, недостаточной прозрачностью представления результатов и отсутствием оценки воспроизводимости.

Выводы: Существующие модели на основе ML для прогнозирования CTRCD пока недостаточно разработаны для клинического применения. Для совершенствования моделей необходимы более строгий дизайн исследований, ясное описание методологии, стандартизированные определения исходов и внешняя валидация, которые позволят повысить воспроизводимость.