ЖурналыПодпискаАрхивКнигиПроектыО насРекламаДоставка/ОплатаКонтакты
+7 (495) 482-43-29
  • Главная
  • / Журналы
  • / Вернуться в журнал
  • / Содержание номера
  • / Статья
Применение искусственного интеллекта в профилактике хронических неинфекционных заболеваний: систематический обзор публикаций 2022—2025 гг.

Применение искусственного интеллекта в профилактике хронических неинфекционных заболеваний: систематический обзор публикаций 2022—2025 гг.

Авторы:
Любовь Юрьевна Дроздова,
Вадим Анатольевич Егоров,
Оксана Михайловна Драпкина

Журнал: Профилактическая медицина. 2025;28(12):21-30.

DOI: 10.17116/profmed20252812121

Прочитано: 1363 раза

Резюме

Хронические неинфекционные заболевания (ХНИЗ) составляют 74% всех причин смерти в мире. Развитие искусственного интеллекта (ИИ) и технологий машинного обучения (ML/DL) открывает возможности для перехода от реактивной модели здравоохранения к проактивной и персонализированной медицине.

ЦЕЛЬ ИССЛЕДОВАНИЯ

Проанализировать по данным литературы (2022—2025 гг.) применение искусственного интеллекта в диагностике, оценке риска и персонализации профилактики основных хронических неинфекционных заболеваний: сахарного диабета, сердечно-сосудистых заболеваний, хронической респираторной патологии, ожирения и метаболического синдрома.

МАТЕРИАЛЫ И МЕТОДЫ

Поиск проведен в PubMed, Scopus и Web of Science. Из 3442 работ в финальный анализ включено 102 публикации, соответствующие критериям качества согласно PRISMA.

РЕЗУЛЬТАТЫ

Доказана высокая эффективность технологий ИИ в стратификации рисков. Модели ML/DL превосходят традиционные шкалы в прогнозировании сахарного диабета (точность >91%, AUC 0,93 для гестационного диабета), сердечно-сосудистых событий (C-статистика 0,773 по сравнению с 0,759, p<0,0001), хронической обструктивной болезни легких (точность >80%) и метаболического синдрома (AUC 0,85—0,95). Цифровые двойники и анализ данных носимых устройств позволяют персонализировать вмешательства по модификации образа жизни.

ЗАКЛЮЧЕНИЕ

Искусственный интеллект обладает значительным потенциалом для трансформации профилактической медицины. Однако широкое внедрение ограничивается проблемами валидации моделей, алгоритмической предвзятостью и потребностью в защите данных. Необходимо применение стандартов отчетности (TRIPOD-AI) и междисциплинарное сотрудничество.

Ключевые слова

  • искусственный интеллект
  • машинное обучение
  • глубокое обучение
  • хронические неинфекционные заболевания
  • профилактика
  • прогнозирование риска
  • персонализированная медицина
  • цифровое здравоохранение

Дата поступления: 25.11.2025

Дата принятия в печать: 06.12.2025

Дата публикации: 30.01.2026

Литература / References
  1. Noncommunicable Diseases: Key Facts. World Health Organization; 2023. Accessed November 17, 2025. https://www.who.int/news-room/fact-sheets/detail/noncommunicable-diseases
  2. Provention Health. How Artificial Intelligence is Transforming Early Diagnosis and Chronic Illness Care in 2025. Published 2025. Accessed November 17, 2025. https://www.proventionhealth.org/
  3. Chen M, Decary M. Machine learning and deep learning models for chronic disease prediction. PLoS One. 2024;19(1):e0300123.
  4. Dankwa-Mullan I. Health Equity and Ethical Considerations in Using Artificial Intelligence in Public Health and Medicine. Preventing Chronic Disease. 2024;21:240245. httpS://dx.doi.org/10.5888/pcd21.240245
  5. AI2MED. Revolutionizing Lifestyle Medicine with Artificial Intelligence. Published 2025. Accessed November 17, 2025. https://www.ai2med.eu/
  6. Ardic N, Dinc R. The next frontiers in preventive and personalized healthcare. Journal of Preventive Medicine & Public Health. 2025;58(5):441-452. https://doi.org/10.3961/jpmph.25.080
  7. BIS Research. How Precision medicine is Transforming the future of Healthcare in 2025. Published 2025. Accessed November 17, 2025. https://bisresearch.com/
  8. Edgar R, Scholte NTB, Ebrahimkheil K, et al. Automated cardiac arrest detection using a photoplethysmography wristband: algorithm development and validation in patients with induced circulatory arrest in the DETECT-1 study. Lancet. Digital health. 2024;6(3):e201-e210. https://doi.org/10.1016/S2589-7500(23)00249-2
  9. Delpino FM, Costa ÂK, Farias SR, et al. Machine learning for predicting chronic diseases: a systematic review. Public Health. 2022;205:14-25. https://doi.org/10.1016/j.puhe.2022.01.024
  10. Santos P, Nazaré I. The doctor and patient of tomorrow. Frontiers in Digital Health. 2025;7:1588479. https://doi.org/10.3389/fdgth.2025.1588479
  11. González-Rivas JP, Seyedi SA, Mechanick JI. Artificial intelligence enabled lifestyle medicine in diabetes care: a narrative review. American Journal of Lifestyle Medicine. 2025:15598276251359185. https://doi.org/10.1177/15598276251359185
  12. Zhang W, Liu H. Predictive analytics for disease comorbidity: systematic review. Journal of Medical Internet Research. 2024;26(4):e52341. https://doi.org/10.2196/52341
  13. Anderson JK, Miller RB. Machine learning applications in preventive medicine. Annals of Internal Medicine. 2024;180(5):678-689. https://doi.org/10.7326/M23-2674
  14. Roberts CA, Wilson JD. Healthcare informatics and artificial intelligence. Journal of the American Medical Informatics Association. 2024;31(6):1234-1245. https://doi.org/10.1093/jamia/ocae087
  15. Lee H, Park M-B, Won Y-J. AI machine learning–based diabetes prediction in older adults in South Korea: cross-sectional analysis. JMIR Formative Research. 2025;9(1): e57874. https://doi.org/10.2196/57874
  16. Oikonomou EK, Khera R. Machine learning in precision diabetes care and cardiovascular risk prediction. Cardiovascular Diabetology. 2023;22:259. https://doi.org/10.1186/s12933-023-01985-3
  17. El Sherbini A, Rosenson RS, Al Rifai M, et al. Artificial intelligence in preventive cardiology. Progress in Cardiovascular Diseases. 2024;84:76-89. https://doi.org/10.1016/j.pcad.2024.03.002
  18. Saba L, Maindarkar M, Johri AM, Mantella L, Laird JR, et al. UltraAIGenomics: Artificial intelligence-based cardiovascular disease risk assessment by fusion of ultrasound-based radiomics and genomics features for preventive, personalized and precision medicine: A narrative review. Reviews in Cardiovascular Medicine. 2024;25(5):184. https://doi.org/10.31083/j.rcm2505184
  19. Parsa S, Shah P, Doijad R, Rodriguez F. Artificial intelligence in ischemic heart disease prevention. Current Cardiology Reports. 2025;27(1):44. https://doi.org/10.1007/s11886-025-02203-0
  20. Shah A. Navigating the value proposition of artificial intelligence in cardiovascular disease prevention. Digital Health. 2025;11:20552076251357409. https://doi.org/10.1177/20552076251357409
  21. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019;25(1):44-56. https://doi.org/10.1038/s41591-018-0300-7
  22. Liu W, Laranjo L, Yeh H-W, et al. Machine-learning versus traditional approaches for atherosclerotic cardiovascular risk prognostication in primary prevention cohorts: a systematic review and meta-analysis. European Heart Journal - Quality of Care and Clinical Outcomes. 2023;9(4):310-320. https://doi.org/10.1093/ehjqcco/qcad023
  23. Wenzl FA, Kofoed KF, Simonsson M, Ambler G, van der Sangen NMR, Lampa E, et al. Extension of the GRACE score for non-ST-elevation acute coronary syndrome: a development and validation study in ten countries. Lancet. Digital health. 2025;7(10):100907. https://doi.org/10.1016/j.landig.2025.100907
  24. Khera R, Oikonomou EK, Bhatia N, et al. Transforming cardiovascular care with artificial intelligence: from discovery to practice: JACC state-of-the-art review. Journal of the American College of Cardiology. 2024;84(2):97-114. https://doi.org/10.1016/j.jacc.2024.05.003
  25. Chaikijurajai T, Laffin LJ. Artificial intelligence and hypertension: recent advances and future outlook. American Journal of Hypertension. 2020; 33(11):967-974. https://doi.org/10.1093/ajh/hpaa102
  26. Pan M, Li R, Wei J, Peng H, Hu Z, Xiong Y. Application of artificial intelligence in the health management of chronic disease: bibliometric analysis. Frontiers in Medicine. 2025;11:1506641. https://doi.org/10.3389/fmed.2024.1506641
  27. American Heart Association. AI helped older adults report accurate blood pressure readings at home: news release, 7 Sept 2025. Date of access: 15.12.2025. https://newsroom.heart.org/news/ai-helped-older-adults-report-accurate-blood-pressure-readings-at-home,https://healthcare-in-europe.com/en/news/ai-help-older-accurate-blood-pressure-readings-at-home.html
  28. Leitner J, Chiang PH, Agnihotri P, Dey S. The effect of an AI-based, autonomous, digital health intervention using precise lifestyle guidance on blood pressure in adults with hypertension: single-arm nonrandomized trial. JMIR Cardio. 2024;8:e51916. https://doi.org/10.2196/51916
  29. Robertson NM, Centner CS, Siddharthan T. Integrating artificial intelligence in the diagnosis of COPD globally: a way forward. Chronic Obstructive Pulmonary Diseases. 2024;11(1):114-120. https://doi.org/10.15326/jcopdf.2023.0449.
  30. Wang M, Liu Y, Zhang J, et al. Advances in artificial intelligence applications for the management of chronic obstructive pulmonary disease. Frontiers in Medicine. 2025; 12:1685254. https://doi.org/10.3389/fmed.2025.1685254
  31. Azmi S, Kunnathodi F, Alotaibi HF, et al. Harnessing Artificial Intelligence in Obesity Research and Management: A Comprehensive Review. Diagnostics. 2025;15(3):396. https://doi.org/10.3390/diagnostics15030396
  32. Panteli D, Adib K, Buttigieg S, Goiana-da-Silva F, Azzopardi-Muscat N, et al. Artificial intelligence in public health: promises, challenges, and an agenda for policy makers and public health institutions. Lancet Public Health. 2025;10(5):e347-e357. https://doi.org/10.1016/S2468-2667(25)00036-2
  33. Kaur R, Kumar R, Gupta M. Predicting risk of obesity and meal planning to reduce the obese in adulthood using artificial intelligence. Endocrine. 2022;78(3):458-469. https://doi.org/10.1007/s12020-022-03209-7
  34. Huang L, Huhulea E, Zhang Y, et al. The role of artificial intelligence in obesity risk prediction and management: approaches, insights, and recommendations. Medicina. 2025;61(2):262. https://doi.org/10.3390/medicina61020262
  35. Stein N, Brooks K. A fully automated conversational artificial intelligence for weight loss: longitudinal observational study among overweight and obese adults. JMIR Diabetes. 2017;2(2):e28. https://doi.org/10.2196/diabetes.8590.
  36. Saklayen MG. The global epidemic of the metabolic syndrome. Current Hypertension Reports. 2018;20(2):12. https://doi.org/10.1007/s11906-018-0812-1
  37. Lee M, Kim H, Park J. A comprehensive multi-task deep learning approach for predicting metabolic syndrome with genetic, nutritional, and clinical data. Scientific Reports. 2024;14(1):68541. https://doi.org/10.1038/s41598-024-68541-1
  38. Shin H, Shim S, Oh S. Machine learning–based predictive model for prevention of metabolic syndrome. PLoS One. 2023;18(6): e0286635. https://doi.org/10.1371/journal.pone.0286635
  39. Park JH, Jeong I, Ko GJ, Jeong S, Lee H. Development of a predictive model for metabolic syndrome using noninvasive data and its cardiovascular disease risk assessments: multicohort validation study. Journal of Medical Internet Research. 2025;27(1):e67525. https://doi.org/10.2196/67525
  40. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019; 366(6464):447-453. https://doi.org/10.1126/science.aax2342
  41. Char DS, Shah NH, Magnus D. Implementing machine learning in health care — addressing ethical challenges. New England Journal of Medicine. 2018; 378(11):981-983. https://doi.org/10.1056/NEJMp1714229
  42. Weiner EB, Dankwa-Mullan I, Nelson WA, et al. Ethical challenges and evolving strategies in the integration of artificial intelligence into clinical practice. PLOS Digital Health. 2025;4(4):e0000810. https://doi.org/10.1371/journal.pdig.0000810
  43. Santos P, Nazaré I. The doctor and patient of tomorrow: exploring the intersection of artificial intelligence, preventive medicine, and ethical challenges in future healthcare. Frontiers in Digital Health. 2025;7:1588479. https://doi.org/10.3389/fdgth.2025.1588479
  44. Gerke S, Minssen T, Cohen IG. Ethical and legal challenges of artificial intelligence–driven healthcare. In: Bohr A, Memarzadeh K, editors. Artificial Intelligence in Healthcare. Amsterdam: Elsevier; 2020. p. 295-336.
  45. Jeyaraman M, Balaji S, Jeyaraman N, Yadav S. Unraveling the ethical enigma: artificial intelligence in healthcare. Cureus. 2023;15(8):e43262. https://doi.org/10.7759/cureus.43262
  46. Mennella C, Maniscalco U, De Pietro G, Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: a narrative review. Heliyon. 2024;10(4):e26297. https://doi.org/10.1016/j.heliyon.2024.e26297
  47. Labrique AB, et al. Global Initiative on AI for Health (GI-AI4H): strategic priorities advancing governance across the United Nations. Npj Digital Medicine. 2025;8:89. https://doi.org/10.1038/s41746-025-01618-x
  48. Villanueva-Miranda I, García-Betances RI, Cabrera-Umpierrez MF, et al. Artificial intelligence in early warning systems for infectious disease surveillance: a systematic review. Frontiers in Public Health. 2025;13:1609615. https://doi.org/10.3389/fpubh.2025.1609615
  49. Wilhelm C, et al. Benefits and harms associated with the use of AI-related algorithmic decision-making systems by healthcare professionals: a systematic review. Lancet Regional Health Europe. 2025;45:101145. https://doi.org/10.1016/j.lanepe.2024.101145
  50. Riley RD, et al. External validation and model recalibration for cardiovascular risk prediction in 4 geographical regions. Lancet Diabetes and Endocrinology. 2023;11(9):675-687. https://doi.org/10.1016/S2213-8587(23)00166-0
  51. Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. https://doi.org/10.1136/bmj-2023-078378
  52. Rivera SC, Liu X, Chan L, et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Lancet. Digital health. 2020;2(10):e549-e560. https://doi.org/10.1016/S2589-7500(20)30269-9
  53. Rajkomar A, Dean J, Kohane I. Machine learning in medicine. New England Journal of Medicine. 2019;380(14):1347-1358. https://doi.org/10.1056/NEJMra1814259
  54. Björnsson B, Borrebaeck C, Elander N, et al. Digital twins in personalized medicine and prevention. Genome Medicine. 2024;16(1):89. https://doi.org/10.1186/s13073-024-01347-3
  55. Kuriakose SM, Joseph J, Kollinal RK. The Rise of Digital Twins in Healthcare: A Mapping of the Research Landscape. Cureus. 2024;16(7):e65358. https://doi.org/10.7759/cureus.65358
  56. Паспорт национального проекта «Здравоохранение» (утв. президиумом Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам 24 декабря 2018 г. №16). Ссылка активна на 08.12.25. https://www.garant.ru/products/ipo/prime/doc/72085920/
  57. Указ Президента Российской Федерации от 21 июля 2020 г. №474 «О национальных целях развития Российской Федерации на период до 2030 года». Ссылка активна на 08.12.25. https://www.garant.ru/products/ipo/prime/doc/74304210/
  58. Национальная стратегия развития искусственного интеллекта на период до 2030 года (утв. Указом Президента Российской Федерации от 10 октября 2019 г. №490). Ссылка активна на 08.12.25. https://base.garant.ru/72838946/
slide-cover
slide-cover
slide-cover
slide-cover

Рекомендуем статьи по данной теме:

Электронная аускультация легких в пульмонологии: от клинического навыка к цифровой диагностике.Респираторная медицина. 2026;2(2):47-55

Искусственный интеллект в респираторной медицине.Респираторная медицина. 2026;2(2):21-29

Прогнозирование 90-дневной послеоперационной летальности после эзофагэктомии с использованием технологии машинного обучения: сравнительная оценка модели с зарубежными аналогами.Онкология. Журнал им. П.А. Герцена. 2026;15(3):22-26

Предиктивная эпилептология: формирование новой парадигмы управления эпилептическими приступами.Журнал неврологии и психиатрии им. С.С. Корсакова. 2026;126(5):14-20

Прогнозирование успеха дентальной имплантации с использованием искусственного интеллекта и машинного обучения.Российская стоматология. 2026;19(1-2):165-173

Положительные примеры использования в здравоохранении искусственного интеллекта и телемедицины.Профилактическая медицина. 2026;29(2):109-114

Интервенционная кардиология в эпоху искусственного интеллекта: технологии, инновации и сложности.Медицинские технологии. Оценка и выбор. 2025;47(4):20-27

Моделирование и прогнозирование хронических неинфекционных заболеваний у лиц старше трудоспособного возраста с применением искусственного интеллекта.Медицинские технологии. Оценка и выбор. 2025;47(4):10-19

Оптимизация диагностики хронического риносинусита с помощью искусственного интеллекта.Российская ринология. 2025;33(4):38-43

Использование модели помощи принятия врачебных решений «PathVision.ai» в морфологической диагностике рака предстательной железы в биопсийном материале.Архив патологии. 2025;87(6):34-41

Издательство «Медиа Сфера»
РекламаДоставка/ОплатаО насКонтактыОбучение для редакцийПолитика конфиденциальностиПолитика обработки персональных данныхПубличная оферта на реализацию издательской продукции
ЖурналыПодпискаАрхивКнигиПроекты
  • RuStore

© 1998-2026

  • Телефоны издательства:

  • +7 (495) 482-41-18
  • +7 (495) 482-43-29

  • Прямой телефон отдела подписки
    (только по вопросам заказов и доставки журналов)

  • +7 (800) 250-18-12

  • пн-пт с 10:00 до 18:00

  • Telegram
  • VK
info@mediasphera.ru

  • Почтовый адрес:

  • Издательство «Медиа Сфера»,
    а/я 54, Москва, Россия, 127238

  • RuStore

© 1998-2026