Искусственный интеллект в диагностике и прогнозе полиморбидности у пожилых

Цель: оценить эффективность искусственного интеллекта в диагностике и прогнозировании полиморбидности у пожилых людей старше 65 лет на основе актуальной литературы.

Материалы и методы. Проведен систематический обзор 153 исследований за период с 1 января 2020 г. по 1 марта 2025 г. по стандартам PRISMA 2020. Использован фреймворк PICOS: популяция – пожилые с полиморбидностью (два и более хронических заболевания), вмешательство – инструменты искусственного интеллекта (машинное обучение, глубокое обучение), исходы – точность диагностики и прогностическая эффективность. Поиск выполнен в PubMed, Scopus, Web of Science и Google Scholar. Данные синтезированы нарративно и количественно с помощью метаанализа в программном обеспечении R v. 4.3.2. Преимущество метода – способность выявлять скрытые закономерности по сравнению с клиническими шкалами.

Результаты. Искусственный интеллект показал высокую точность в диагностике деменции (AUC = 0,833), инсульта (AUC = 0,91), сердечно-сосудистых заболеваний (AUC = 0,986–0,991) и остеопороза (AUC = 0,972). Прогностическая эффективность составила AUC ≈ 0,87 (95%-й доверительный интервал: 0,83–0,91) для смертности и госпитализаций. Однако при полиморбидности точность ниже (AUC = 0,787–0,93), что связано с гетерогенностью данных и сложностью взаимодействия патологий.

Заключение. Искусственный интеллект улучшает диагностику и прогноз в гериатрии, особенно для отдельных заболеваний, но требует стандартизации данных и динамических моделей для полиморбидности. Цифровой эйджизм и качество данных остаются вызовами для внедрения.

1. United Nations, Department of Economic and Social Affairs, Population Division. World Population Ageing 2020 Highlights. New York: UN; 2020:45.

2. Fortin M., Stewart M., Poitras M.E., Almirall J., Maddocks H. A systematic review of prevalence studies on multimorbidity: toward a more uniform methodology. Ann. Fam. Med. 2012;10(2):142–151. DOI: 10.1370/afm.1337.

3. Abadir P., Chellappa R. Artificial intelligence in geriatrics: riding the inevitable tide of promise, challenges, and considerations. J. Gerontol. A Biol. Sci. Med. Sci. 2024;79(2):glad279. DOI: 10.1093/gerona/glad279.

4. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nat. Med. 2019;25(1):44–56. DOI: 10.1038/s41591-018-0300-7.

5. Liu X., Faes L., Kale A.U., Wagner S.K., Fu D.J., Bruynseels A. et al. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. Lancet Digit. Health. 2019;1(6):e271–e297. DOI: 10.1016/S2589-7500(19)30123-2.

6. Rajkomar A., Oren E., Chen K., Dai A.M., Hajaj N., Hardt M. et al. Scalable and accurate deep learning with electronic health records. NPJ Digit. Med. 2018;1:18. DOI: 10.1038/s41746-018-0029-1.

7. Weng S.F., Reps J., Kai J., Garibaldi J.M., Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017;12(4):e0174944. DOI: 10.1371/journal.pone.0174944.

8. Ma B., Yang J., Wong F.K.Y., Wong A.K.C., Ma T., Meng J. et al. Artificial intelligence in elderly healthcare: a scoping review. Ageing Res. Rev. 2023;83:101808. DOI: 10.1016/j.arr.2022.101808.

9. Ho A. Are we ready for artificial intelligence health monitoring in elder care? BMC Geriatr. 2020;20(1):358. DOI: 10.1186/s12877-020-01764-9.

10. Velazquez-Diaz D., Arco J.E., Ortiz A., Pérez-Cabezas V., Lucena-Anton D., Moral-Munoz J.A. et al. Use of artificial intelligence in the identification and diagnosis of frailty syndrome in older adults: scoping review. J. Med. Internet Res. 2023;25:e47346. DOI: 10.2196/47346.

11. Moher D., Liberati A., Tetzlaff J., Altman D.G. PRISMA Group. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS Med. 2009;6(7):e1000097. DOI: 10.1371/journal.pmed.1000097.

12. Page M.J., McKenzie J.E., Bossuyt P.M., Boutron I., Hoffmann T.C., Mulrow C.D. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372:n71. DOI: 10.1136/bmj.n71.

13. Alsaleh M.M., Allery F., Choi J.W., Hama T., McQuillin A., Wu H. et al. Prediction of disease comorbidity using explainable artificial intelligence and machine learning techniques: A systematic review. Int. J. Med. Inform. 2023;175:105088. DOI: 10.1016/j.ijmedinf.2023.105088.

14. Kim H., Kim E., Lee I., Bae B., Park M., Nam H. Artificial Intelligence in Drug Discovery: A Comprehensive Review of Data-driven and Machine Learning Approaches. Biotechnol. Bioprocess Eng. 2020;25(6):895–930. DOI: 10.1007/s12257-020-0049-y

15. Obuchi S.P., Kojima M., Suzuki H., Garbalosa J.C., Imamura K., Ihara K. et al. Artificial intelligence detection of cognitive impairment in older adults during walking. Alzheimers Dement. (Amst.). 2024;16(3):e70012. DOI: 10.1002/dad2.70012.

16. Wang Y., Ye Y., Shi S., Mao K., Zheng H., Chen X. et al. Prediagnosis recognition of acute ischemic stroke by artificial intelligence from facial images. Aging Cell. 2024;23(8):e14196. DOI: 10.1111/acel.14196.

17. Wang Y.J., Yang K., Wen Y., Wang P., Hu Y., Lai Y. et al. Screening and diagnosis of cardiovascular disease using artificial intelligence-enabled cardiac magnetic resonance imaging. Nat. Med. 2024;30(5):1471–1480. DOI: 10.1038/s41591-024-02971-2.

18. Yang J., Liao M., Wang Y., Chen L., He L., Ji Y. et al. Opportunistic osteoporosis screening using chest CT with artificial intelligence. Osteoporos. Int. 2022;33(12):2547–2561. DOI: 10.1007/s00198-022-06491-y.

19. Chen H., Du H., Yi F., Wang T., Yang S., Pan Y. et al. Artificial intelligence-assisted oculo-gait measurements for cognitive impairment in cerebral small vessel disease. Alzheimers Dement. 2024;20(12):8516–8526. DOI: 10.1002/alz.14288.

20. Wang J., Liang Y., Cao S., Cai P., Fan Y. Application of Artificial Intelligence in Geriatric Care: Bibliometric Analysis. J. Med. Internet Res. 2023;25:e46014. DOI: 10.2196/46014.

21. Guo C., Pan J., Tian S., Gao Y. Using machine learning algorithms to predict 28-day mortality in critically ill elderly patients with colorectal cancer. J. Int. Med. Res. 2023;51(11):3000605231198725. DOI: 10.1177/03000605231198725.

22. Song Y., Zhang D., Wang Q., Liu Y., Chen K., Sun J. et al. Prediction models for postoperative delirium in elderly patients with machine-learning algorithms and SHapley Additive exPlanations. Transl. Psychiatry. 2024;14(1):57. DOI: 10.1038/s41398-024-02762-w.

23. Loutati R., Ben-Yehuda A., Rosenberg S., Rottenberg Y. Multimodal machine learning for prediction of 30-day readmission risk in elderly population. Am. J. Med. 2024;137(7):617–628. DOI: 10.1016/j.amjmed.2024.04.002.

24. Ayers A.T., Ho C.N., Kerr D., Cichosz S.L., Mathioudakis N., Wang M. et al. Artificial intelligence to diagnose complications of diabetes. J. Diabetes Sci. Technol. 2025;19(1):246– 264. DOI: 10.1177/19322968241287773.

25. Sriram R.D., Reddy S.S.K. Artificial intelligence and digital tools: future of diabetes care. Clin. Geriatr. Med. 2020;36(3):513–525. DOI: 10.1016/j.cger.2020.04.009.

26. Yang J., Liao M., Wang Y., Chen L., He L., Ji Y. et al. Opportunistic osteoporosis screening using chest CT with artificial intelligence. Osteoporos. Int. 2022;33(12):2547–2561. DOI: 10.1007/s00198-022-06491-y.

27. Voltan G., Di Giovannantonio G., Carretta G., Vianello S., Contessa C., Veronese N. et al. A novel case-finding strategy based on artificial intelligence for the systematic identification and management of individuals with osteoporosis or at varying risk of fragility fracture. Arch. Osteoporos. 2024;19(1):45. DOI: 10.1007/s11657-024-01403-5.

28. Woodman R.J., Mangoni A.A. A comprehensive review of machine learning algorithms and their application in geriatric medicine: present and future. Aging Clin. Exp. Res. 2023;35(11):2363–2397. DOI: 10.1007/s40520-023-02552-2.

29. Wang Y., Li N., Chen L., Wu M., Meng S., Dai Z. et al. Guidelines, Consensus Statements, and Standards for the Use of Artificial Intelligence in Medicine: Systematic Review. J. Med. Internet Res. 2023;25:e46089. DOI: 10.2196/46089.

30. Chu C.H., Nyrup R., Leslie K., Shi J., Bianchi A., Lyn A. et al. Digital ageism: challenges and opportunities in artificial intelligence for older adults. Gerontologist. 2022;62(7):947–955. DOI: 10.1093/geront/gnab167.

31. Aranda Rubio Y., Baztán Cortés J.J., Canillas Del Rey F. Is artificial intelligence ageist? Eur. Geriatr. Med. 2024;15(6):1957–1960. DOI: 10.1007/s41999-024-01070-2.

32. Burnazovic E., Yee A., Levy J., Gore G, Abbasgholizadeh Rahimi S. Application of Artificial intelligence in COVID-19-related geriatric care: A scoping review. Arch. Gerontol. Geriatr. 2024;116:105129. DOI: 10.1016/j.archger.2023.105129.

33. Skuban-Eiseler T., Orzechowski M., Denkinger M., Kocar T.D., Leinert C., Steger F. Artificial intelligence-based clinical decision support systems in geriatrics: an ethical analysis. J. Am. Med. Dir. Assoc. 2023;24(9):1271–1276.e4. DOI: 10.1016/j.jamda.2023.06.008.

34. Alsaleh M.M., Allery F., Choi J.W., Hama T., McQuillin A., Wu H. et al. Prediction of disease comorbidity using explainable artificial intelligence and machine learning techniques: A systematic review. Int. J. Med. Inform. 2023;175:105088. DOI: 10.1016/j.ijmedinf.2023.105088.

35. Tang A., Ho R., Yu R., Huynh T., Luong S., Tam W. et al. Editorial: Can artificial intelligence help us overcome challenges in geriatrics? Geriatr. Nurs. 2023;52:A1–A2. DOI: 10.1016/j.gerinurse.2023.06.007.

36. Padhan S., Mohapatra A., Ramasamy S.K., Agrawal S. Artificial intelligence (AI) and robotics in elderly healthcare: enabling independence and quality of life. Cureus. 2023;15(8):e42905. DOI: 10.7759/cureus.42905.