Буренков Юрий Владиславович — ординатор
ул. Студенческая, д. 10, Воронеж, 394036
Yuri V. Burenkov — First-year resident in the specialty "Therapy"
Studencheskaya str., 10, Voronezh, 394036
Шевцова Вероника Ивановна — доцент, к.м.н., доцент кафедры инфекционных болезней и клинической иммунологии
ул. Студенческая, д. 10, Воронеж, 394036
Veronica I. Shevcova — Associate Professor, PhD, Associate Professor of the Department of Infectious Diseases and Clinical Immunology
Studencheskaya str., 10, Voronezh, 394036
Ахьядов Ахмед Даурбекович — врач по медицинской профилактике
Куркинское шоссе, д. 11, Химки, 141407
Ahmed D. Akhyadov — Preventive Medical Doctor, State Budgetary Healthcare Institution of the Moscow Region
Kurkinskoe Highway, 11, Khimki, 141407
Алферова Ирина Петровна — студентка 6 курса
ул. Студенческая, д. 10, Воронеж, 394036
Irina P. Alferova — 6th-year student, Faculty of Medicine
Studencheskaya str., 10, Voronezh, 394036
Цель обзора — на основе анализа международных стандартов методологического качества и обзора существующей практики разработать адаптированный для российских условий алгоритм применения машинного обучения (МО) для создания воспроизводимых моделей прогнозирования течения хронической сердечной недостаточности (ХСН). Для этого были систематизированы принципы международных стандартов PROBAST (Prediction model Risk Of Bias Assessment Tool, оценка риска систематической ошибки) и TRIPOD-ML (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis — Machine Learning, отчетность), а также проведен расширенный поиск и методологическая оценка российских исследований за период 2016-2025гг, в которых МО применялось у пациентов с ХСН. В ходе анализа установлен критический дефицит российских работ, посвященных прогнозированию течения ХСН. Обзор существующих исследований выявил системные нарушения: отсутствие внешней валидации, утечку данных на этапе отбора признаков, неполную отчетность и игнорирование оценки клинической полезности. Причины этих проблем носят системный характер и связаны с фрагментацией данных, междисциплинарным разрывом и регуляторными пробелами. Разрыв между международными стандартами и российской практикой обусловлен не технологическим отставанием, а недостатком методологической культуры. В качестве решения предложен поэтапный практический алгоритм, фокусирующийся на строгом разделении данных, комплексной валидации, прозрачной отчетности и оценке клинической полезности. Внедрение данного алгоритма станет важным шагом для развития в России доказательного прогностического моделирования при ХСН.
The review aim was to develop a machine learning (ML) algorithm adapted to Russian conditions for creating reproducible prediction models of heart failure (HF) course, based on an analysis of international methodological quality standards and a review of existing practices. To this end, the international standards Prediction Model Risk Of Bias Assessment Tool (PROBAST) and Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis Or Diagnosis — Machine Learning (TRIPOD-ML) were systematized. An extensive search and methodological assessment of Russian studies from 2016-2025, where machine learning was used in patients with HF, were also conducted. The analysis revealed a critical shortage of Russian studies devoted to predicting the HF course. A review of existing studies revealed the following systemic deficiencies: no external validation, data leakage at the feature selection stage, incomplete reporting, and neglect of clinical utility assessment. The causes of these problems are systemic and related to data fragmentation, interdisciplinary gaps, and regulatory gaps. The gap between international standards and Russian practice is not due to technological lag, but to a lack of methodological culture. A step-by-step, practical algorithm is proposed as a solution, focusing on strict data separation, comprehensive validation, transparent reporting, and clinical utility assessment. Implementation of this algorithm will be an important step in the development of evidence-based predictive modeling for HF in Russia.
The authors declare that there are no conflicts of interest present.