Introduction. Body mass index remains a convenient screening tool but fails to capture fat distribution, body composition, molecular inflammatory status, psychobehavioral features, or obesity-related end-organ dysfunction.
Objective. To develop and substantiate the methodological architecture of a multimodal obesity phenotyping platform using machine-learning algorithms; to define the analytical toolkit for each clinical-biological domain; and to demonstrate the diagnostic capacity of the platform to discriminate clinically similar but molecularly distinct obesity phenotypes using modelled clinical scenarios.
Material and methods. An analytical, conceptual-modelling study was performed. A systematic review of PubMed/MEDLINE and Scopus publications (2021–2026) was conducted. An eight-domain phenotyping matrix, ML-algorithm stack, and two-tier CDSS architecture were developed in compliance with TRIPOD+AI, DECIDE-AI, CONSORT-AI, and SPIRIT-AI standards. Diagnostic value was demonstrated through two simulation-based clinical scenarios built on published ranges of real clinical parameters.
Results. A hierarchical two-tier system is proposed: an Authors’ Integral Obesity Index as a first-line screening tool (a metabolic modification of previously developed and registered risk-stratification algorithms) and a multimodal AI platform as a second-line precision diagnostic ecosystem. The simulation scenarios confirmed the platform’s ability to discriminate clinically meaningful molecular differences between patients sharing identical BMI values.
Conclusion. Multimodal obesity phenotyping with AI enables a shift from BMI-centric assessment to personalized clinical stratification. Interpretable algorithms implementing CDSS show the highest practical potential. Prospective clinical validation is the next essential step.
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.