Аннотация
Введение. Индекс массы тела (ИМТ) остается удобным скрининговым показателем, однако не отражает распределение жировой ткани, состав тела, молекулярно-воспалительный профиль, психоповеденческие особенности и органные осложнения ожирения. Это ограничивает его применение в персонализированной диагностике и выборе терапии. Цель исследования. Разработать и обосновать методологическую архитектуру платформы мультимодального фенотипирования ожирения с применением алгоритмов машинного обучения; определить аналитический аппарат для каждого клинико-биологического домена; продемонстрировать диагностическую способность платформы разводить клинически схожие, но молекулярно различные фенотипы ожирения на модельных клинических сценариях. Материал и методы. Выполнено аналитико-моделирующее концептуальное исследование. Проведен системный обзор публикаций PubMed/MEDLINE и Scopus за 2021–2026 гг. по клиническому ожирению, многоомным маркерам, цифровому фенотипированию и машинному обучению. Разработаны 8-доменная матрица мультимодального фенотипирования, технологический стек ML-алгоритмов и архитектура двухуровневой системы поддержки принятия врачебных решений (СППВР) в соответствии со стандартами TRIPOD+AI, DECIDE-AI, CONSORT-AI и SPIRIT-AI. Диагностическая ценность модели продемонстрирована на двух симуляционных клинических сценариях, построенных на основе литературных данных о реальных диапазонах клинических параметров. Результаты. Предложена иерархическая двухуровневая система: авторский интегральный индекс ожирения как инструмент скрининга первой линии, представляющий собой метаболическую модификацию ранее разработанных авторами алгоритмов искусственного интеллекта (ИИ) донозологической стратификации риска, и мультимодальная ИИ-платформа как аналитическая экосистема прецизионной диагностики второй линии. Симуляционные сценарии подтвердили дискриминационную способность платформы выявлять клинически значимые молекулярные различия между пациентами с одинаковыми показателями ИМТ. Заключение. Мультимодальное фенотипирование ожирения с применением ИИ обеспечивает переход от ИМТ-центричной оценки к персонализированной клинической стратификации. Наибольший потенциал имеют интерпретируемые алгоритмы, реализующие СППВР, а не автономные диагностические «черные ящики». Дальнейшее развитие модели предполагает проспективную клиническую валидацию.
Ключевые слова
Авторы и аффилиации
https://elibrary.ru/qexosp В.Б. Гриневич(1), В.В. Закревский(1), Ю.А. Кравчук(1), П.В. Селивёрстов(1),
А.А. Аузина(2), А.Ю. Русскова(2), Е.С. Чернова(2), С.П. Саликова(1),
1-ФГБВОУ ВО «Военно-медицинская академия имени С.М. Кирова» МО РФ,
Российская Федерация, 194044, Санкт-Петербург, ул. Академика Лебедева, 6;
2-ФГАОУ ВО «Российский национальный исследовательский медицинский университет
имени Н.И. Пирогова» Министерства здравоохранения Российской Федерации,
Российская Федерация, 117513, Москва, ул. Островитянова, д. 1, стр. 6
Литература
1. Rubino F., Cummings D.E., Eckel R.H. et al. Definition and diagnostic criteria of clinical obesity. Lancet Diabetes Endocrinol. 2025; 13 (3): 221–62. DOI: 10.1016/S2213-8587(24)00316-4.
2. Bray G.A., Kim K.K., Wilding J.P.H. World Obesity Federation. Obesity: a chronic relapsing progressive disease process. Obes Rev. 2017; 18 (7): 715–23. DOI: 10.1111/obr.12551.
3. Watanabe K., Wilmanski T., Diener C. et al. Multiomic signatures of body mass index identify heterogeneous health phenotypes and responses to a lifestyle intervention. Nat Med. 2023; 29 (4): 996–1008. DOI: 10.1038/s41591-023-02248-0.
4. Bays H.E., Fitch A., Cuda S. et al. Artificial intelligence and obesity management: An Obesity Medicine Association Clinical Practice Statement 2023. Obes Pillars. 2023; 6: 100065. DOI: 10.1016/j.obpill.2023.100065.
5. Huang L., Huhulea E.N., Abraham E. et al. The role of artificial intelligence in obesity risk prediction and management. Medicina (Kaunas). 2025; 61 (2): 358. DOI: 10.3390/medicina61020358.
6. Teke J., Msiska M., Adanini O.A. et al. Artificial intelligence for obesity management. Obes Med. 2025; 58: 100657. DOI: 10.1016/j.obmed.2025.100657.
7. Vahid F., Loyola-Leyva A., Tur J. et al. Multimodal (bio)markers and risk of obesity – a comprehensive scoping review. Adv Nutr. 2026; 17 (2): 100579. DOI: 10.1016/j.advnut.2025.100579.
8. Liu X., Batal M., Bifaretti V. et al. Integrating precision medicine and digital health in personalized weight management. Nutrients. 2025; 17 (16): 2695. DOI: 10.3390/nu17162695.
9. Collins G.S., Dhiman P., Andaur Navarro C.L. et al. TRIPOD+AI statement. BMJ. 2024; 385: e078378. DOI: 10.1136/bmj-2023-078378.
10. Vasey B., Nagendran M., Campbell B. et al. DECIDE-AI reporting guideline. Nat Med. 2022; 28 (5): 924–33. DOI: 10.1038/s41591-022-01772-9.
11. Liu X., Rivera S.C., Moher D. et al. CONSORT-AI extension. Nat Med. 2020; 26 (9): 1364–74. DOI: 10.1038/s41591-020-1034-x.
12. Rivera S.C., Liu X., Chan A.W. et al. SPIRIT-AI extension. BMJ. 2020; 370: m3210. DOI: 10.1136/bmj.m3210.
13. Acosta A., Camilleri M., Abu Dayyeh B. et al. Selection of antiobesity medications based on phenotypes. Obesity (Silver Spring). 2021; 29 (4): 662–71. DOI: 10.1002/oby.23120.
14. Sacoto D., Hurtado M.D., Acosta A. Precision medicine and obesity. Handb Exp Pharmacol. 2022; 274: 467–85. DOI: 10.1007/164_2021_566.
15. Anazco D., Acosta A. Precision medicine for obesity. Int. J. Obes (Lond). 2025; 49 (3): 452–63. DOI: 10.1038/s41366-024-01599-z.
16. Tuccinardi D., Masi D., Watanabe M. et al. Precision obesity medicine: a phenotype-guided framework. J. Endocrinol Invest. 2025; 48 (12): 2761–98. DOI: 10.1007/s40618-025-02700-7.
17. Mundt C., Yusufoğlu B., Kudenko D., Esatbeyoglu T. AI-driven personalized nutrition. Mol. Nutr Food Res. 2025; 69: e2500431.
18. Rouskas K. et al. The influence of an AI-driven personalized nutrition program on the human gut microbiome. Nutrients. 2025; 17 (7): 1260. DOI: 10.3390/nu17071260.
19. Motevalli M., Boaventura B.C.B., Stanford F.C. ChatGPT for obesity management. Lancet Digit Health. 2026. DOI: 10.1016/j.landig.2026.100980.
20. Loft A., Emont M.P., Weinstock A. et al. Towards a consensus atlas of human and mouse adipose tissue. Nat Metab. 2025; 7 (5): 875–94. DOI: 10.1038/s42255-025-01296-9.
21. Hinte L.C., Castellano-Castillo D., Yang Y.H. et al. Adipose tissue retains an epigenetic memory of obesity after weight loss. Nature. 2024; 636 (8042): 457–65. DOI: 10.1038/s41586-024-08165-7.
22. Fox C.K., Molitor S., Vock D.M. et al. Appetitive and psychological phenotypes of pediatric patients with obesity. Pediatr Obes. 2024; 19 (4): e13101. DOI: 10.1111/ijpo.13101.
23. Collet T.H., Schwitzgebel V.M. Precision medicine in rare genetic obesity disorders. Front Nutr. 2024; 11: 1509994. DOI: 10.3389/fnut.2024.1509994.
24. Zuccaro M.V., LeDuc C.A., Lustig R.H., Chung W.K. Updates on rare genetic variants and gene therapy in obesity. Curr Obes Rep. 2024; 13 (3): 626–41. DOI: 10.1007/s13679-024-00567-y.
25. Wood C.T., Khalsa A.S. Overview of BMI and other ways of measuring obesity. Pediatr Clin North Am. 2024; 71 (5): 781–96. DOI: 10.1016/j.pcl.2024.07.002.
26. Селиверстов П.В. Медицинская методология дистанционного анкетного скрининга факторов риска ХНИЗ у лиц молодого возраста. Врач. 2026; 5. DOI: 10.29296/25877305-2026-First-Online-02. [Seliverstov P.V. Meditsinskaya metodologiya distantsionnogo anketnogo skrininga faktorov riska KhNIZ u lits molodogo vozrasta. Vrach. 2026; 5. DOI: 10.29296/25877305-2026-First-Online-02 (in Russian)].
27. Селиверстов П.В. Клинико-цифровая стратификация риска ХНИЗ. Врач. 2026; 5. DOI: 10.29296/25877305-2026-First-Online-01. [Seliverstov P.V. Kliniko-tsifrovaya stratifikatsiya riska KhNIZ: metodologiya integratsii dannykh distantsionnogo skrininga i laboratorno-instrumentalnykh issledovaniy. Vrach. 2026; 5. DOI: 10.29296/25877305-2026-First-Online-01 (in Russian)].
28. Селиверстов П.В., Крюков Е.В., Гриневич В.Б. Практическая реализация технологии искусственного интеллекта при проведении профилактического медицинского осмотра. Медицинский совет. 2025; 19 (13): 282–8. [Seliverstov P.V., Kryukov E.V., Grinevich V.B. Prakticheskaya realizatsiya tekhnologiy iskusstvennogo intellekta pri provedenii profilakticheskogo meditsinskogo osmotra. Meditsinskiy Sovet. 2025; 19 (13): 282–8. DOI: 10.21518/ms2025-322 (in Russian)].
29. Селиверстов П.В. Разработка медицинской методики телемедицинского скрининга здоровья взрослого населения. Медицинский совет. 2022; 23: 366–72. [Seliverstov P.V. Razrabotka meditsinskoy metodologii telemedicinskogo skrininga zdorovya vzroslogo naseleniya. Meditsinskiy Sovet. 2022; 23: 366–72. DOI: 10.21518/2079-701X-2022-16-23-366-372 (in Russian)].
30. Гриневич В.Б., Закревский В.В., Кравчук Ю.А., Селиверстов П.В. и др. Холистическая многопрофильная модель кардиометаболического риска. Молекулярная Медицина. 2026. [Grinevich V.B., Zakrevsky V.V., Kravchuk Yu.A., Seliverstov P.V. et al. Kholisticheskaya mnogoprofilnaya model kardiometabolicheskogo riska. Molekulyarnaya Meditsina. 2026 (in Russian)].
31. Kain J., Uauy R., Lera L. et al. Waist-to-height ratio as a global cardiometabolic risk indicator. Am. J. Clin. Nutr. 2024; 119 (5): 1272–80. DOI: 10.1093/ajcn/nqae059.
32. Tchernof A., Despres J.P. Pathophysiology of human visceral obesity. Physiol Rev. 2013; 93 (1): 359–404. DOI: 10.1152/physrev.00033.2011.
33. Kullberg J., Johansson L., Ahlstrom H. Body composition and fat distribution by MRI – emerging role in precision medicine. Int. J. Obes. 2024; 48: 1024–33. DOI: 10.1038/s41366-024-01551-1.
34. Stefan N., Birkenfeld A.L., Schulze M.B., Ludwig D.S. Obesity and impaired metabolic health in patients with COVID-19. Nat Rev Endocrinol. 2020; 16 (7): 341–2. DOI: 10.1038/s41574-020-0364-6.
35. Yudkin J.S., Kumari M., Humphries S.E., Mohamed-Ali V. Inflammation, obesity, stress and coronary heart disease: is interleukin-6 the link? Atherosclerosis. 2000; 148 (2): 209–14. DOI: 10.1016/S0021-9150(99)00463-3.
36. Bluher M. Obesity: global epidemiology and pathogenesis. Nat Rev Endocrinol. 2019; 15 (5): 288–98. DOI: 10.1038/s41574-019-0176-8.
37. Lim S., Meigs J.B. Links between ectopic fat and cardiometabolic profile. Clin. Chem. 2014; 60 (1): 98–108. DOI: 10.1373/clinchem.2013.202929.
38. Qian J., Ng H., Zhu X. et al. Deep learning for wearable-based sleep staging. NPJ Digit Med. 2024; 7: 78. DOI: 10.1038/s41746-024-01075-4.
39. Lean M.E.J., Astrup A., Roberts S.B. Making progress on the global crisis of obesity and weight management. BMJ. 2018; 361: k2538. DOI: 10.1136/bmj.k2538.
40. Caballero B. The Global Epidemic of Obesity: An Overview. Epidemiol Rev. 2007; 29: 1–5. DOI: 10.1093/epirev/mxm012.
41. Dhurandhar N.V., Thomas D. The link between dietary sugar intake and obesity. Curr Opin Clin Nutr Metab Care. 2015; 18 (4): 354–8. DOI: 10.1097/MCO.0000000000000167.
42. Koliaki C., Liatis S., Kokkinos A. Obesity and cardiovascular disease: revisiting an old relationship. Metabolism. 2019; 92: 98–107. DOI: 10.1016/j.metabol.2018.10.011.
43. Couzin-Frankel J. The obesity field struggles with its new drugs – and its image. Science. 2023; 381: 118–9. DOI: 10.1126/science.adj5040.
44. Ryan DH, Yockey SR. Weight loss and improvement in comorbidity. J. Obes. 2017:5685094. DOI: 10.1155/2017/5685094.