Модели искусственного интеллекта для прогнозирования вирусных заболеваний, переносимых комарами, среди человеческих популяций: глобальный систематический обзор и сравнительный анализ эффективности

Предпосылки: Вирусные заболевания, переносимые комарами, представляют собой растущую глобальную угрозу общественному здравоохранению, а искусственный интеллект (ИИ) и машинное обучение (МО) всё чаще предлагаются в качестве инструментов прогнозирования для поддержки систем раннего предупреждения и реагирования. Однако имеющиеся данные фрагментированы по возбудителям, условиям применения и подходам к моделированию. Насколько нам известно, данный обзор представляет собой первую комплексную сравнительную оценку моделей ИИ/МО, прогнозирующих вирусные заболевания, переносимые комарами, среди человеческих популяций; в нём совместно обобщены прогностические характеристики различных семейств моделей и оценены как методологическое качество, так и готовность к практическому применению. Методы: В соответствии с PRISMA 2020 был выполнен поиск публикаций в PubMed, Embase и Scopus по август 2025 года включительно. В обзор включали исследования, в которых применялись модели ИИ/МО или статистические модели для прогнозирования заболеваемости арбовирусными инфекциями, вспышек или временных тенденций и приводился как минимум один количественный показатель эффективности. С учётом существенной неоднородности исходов, предикторов и временно-пространственных масштабов был проведён описательный синтез. Риск систематической ошибки и применимость оценивали с использованием PROBAST. Результаты: Критериям включения соответствовали 98 исследований, из которых 91 было посвящено денге. Прогнозы охватывали масштабы от национального до уровня города, а временное разрешение — от годового до недельного. В задачах классификации ансамблевые модели на основе деревьев демонстрировали наиболее стабильные результаты: точность обычно превышала 0,85, тогда как классические модели МО и модели глубокого обучения характеризовались большей вариабельностью. В задачах регрессии ошибки возрастали с увеличением временного горизонта и пространственной агрегации: краткосрочные прогнозы с высокой пространственной детализацией (например, на недельном уровне для города) часто имели низкие абсолютные ошибки, тогда как национальные модели с длительным горизонтом нередко демонстрировали очень большие ошибки и нестабильную эффективность. Оценка PROBAST показала, что большинство исследований (63 из 98) имели высокий риск систематической ошибки; только 24 исследования были оценены как имеющие низкий риск, а внешняя валидация проводилась ограниченно. Выводы: Модели ИИ/МО, особенно ансамблевые подходы на основе деревьев, демонстрируют значительный потенциал для краткосрочного прогнозирования с высокой детализацией, fine,