Russian Journal of BiotherapyRussian Journal of BiotherapyРоссийский биотерапевтический журнал1726-97841726-9792Publishing House ABV Press151610.17650/1726-9784-2025-24-1-34-45REVIEWSОБЗОРЫ ЛИТЕРАТУРЫAnalysis of electronic medical records using artificial intelligence technologies for lung cancer screening group identification: a systematic review of clinical studiesАнализ электронных медицинских записей при помощи технологий искусственного интеллекта для определения групп скрининга рака легкого: систематический обзор клинических исследованийhttps://orcid.org/0000-0001-7150-5071SamoylenkoI. V.СамойленкоИ. В.
Russian Federation

Igor Vyacheslavovish Samoylenko

24 Kashirskoe Shosse, Moscow 115522

Игорь Вячеславович Самойленко

115522 Москва, Каширское шоссе, 24

i.samoylenko@ronc.ruhttps://orcid.org/0000-0003-0532-6061NazarovaV. V.НазароваВ. В.
Russian Federation

Valeria V. Nazarova

24 Kashirskoe Shosse, Moscow 115522

115522 Москва, Каширское шоссе, 24

https://orcid.org/0009-0006-9145-0905MagomedovaZ. R.МагомедоваЗ. Р.
Russian Federation

Zakhra R. Magomedova

24 Kashirskoe Shosse, Moscow 115522

115522 Москва, Каширское шоссе, 24

https://orcid.org/0000-0003-4744-6141KononetsP. V.КононецП. В.
Russian Federation

Pavel V. Kononets

24 Kashirskoe Shosse, Moscow 115522; 4 Dolgorukovskaya St., Moscow 127006

115522 Москва, Каширское шоссе, 24; 127006 Москва, ул. Долгоруковская, 4

https://orcid.org/0000-0002-2017-8047BorovkovI. M.БоровковИ. М.
Russian Federation

Ivan M. Borovkov

24 Kashirskoe Shosse, Moscow 115522

115522 Москва, Каширское шоссе, 24

https://orcid.org/0009-0008-3486-302XGevorkyanT. G.ГеворкянТ. Г.
Russian Federation

Tigran G. Gevorkyan

24 Kashirskoe Shosse, Moscow 115522

115522 Москва, Каширское шоссе, 24

N.N. Blokhin National Medical Research Center of Oncology, Ministry of Health of RussiaФГБУ «Национальный медицинский исследовательский центр онкологии им. Н.Н. Блохина» Минздрава РоссииRussian University of Medicine, Ministry of Health of RussiaФГБОУ ВО «Российский университет медицины» Минздрава России1604202524134451504202515042025https://bioterapevt.abvpress.ru/jour/article/view/1516

Background. Lung cancer remains one of the leading causes of mortality, with early detection significantly improving prognosis. Modern approaches require new solutions for more effective screening patient selection.

Aim. To conduct a systematic review of studies applying artificial intelligence (AI) for analyzing socio-demographic data and routine laboratory tests to optimize patient selection for screening and pathology classification.

Materials and methods. A literature search (2014–2024) was conducted in databases including PubMed, ResearchGate, and Scopus. Included studies analyzed the use of AI for lung cancer risk prediction based on sociodemographic data and medical records.

Results. The analysis identified 5 studies of AI-based models that were applied to select candidates for lung cancer screening. Age, smoking, chronic lung disease, and BMI were the most frequently used factors in the AI models. The models demonstrated high sensitivity (up to 92,7 %) and area under the receiver operating characteristic (up to 0.90). The results confirmed that AI can improve the accuracy of patient selection for screening compared to traditional methods.

Conclusion. AI application for lung cancer risk prediction shows substantial potential, especially with combined use of socio-demographic and medical record data. Further studies are needed to improve models and evaluate their clinical impact.

Введение. Рак легкого (РЛ) занимает 1-е место в структуре онкологической заболеваемости и смертности в мире, а доля впервые выявленных локализованных стадий не превышает 20 % общего числа заболевших. Ранняя диагностика и скрининг могут значительно улучшить результаты лечения, однако современные подходы требуют новых решений для более эффективного отбора пациентов.

Цель. Провести систематический обзор исследований по применению искусственного интеллекта (ИИ) для анализа социально-демографических данных и рутинных лабораторных тестов для отбора пациентов на скрининг. Материалы и методы. Проведен поиск публикаций (2014–2024 гг.) в базах PubMed, ResearchGate, Scopus и др. Включены исследования, анализирующие использование ИИ для прогнозирования риска РЛ на основе социально-демографических данных и медицинских записей.

Результаты. Анализ позволил идентифицировать 5 исследований моделей на основе ИИ, которые были применены для отбора кандидатов на скрининг РЛ. Наиболее часто используемыми факторами в моделях ИИ являлись возраст, стаж курения, хронические заболевания легких и индекс массы тела, а сами модели демонстрировали высокую чувствительность (до 92,7 %) и площадь под кривой рабочей характеристики приемника (до 0,9).

Заключение. Применение ИИ может улучшить точность отбора пациентов для скрининга по сравнению с традиционными методами. Использование ИИ для прогнозирования риска развития РЛ имеет значительный потенциал, дополнительно раскрывающийся при сочетанном анализе социально-демографических данных и медицинских записей. Необходимы дальнейшие исследования для улучшения моделей и оценки их влияния на клиническую практику.

lung cancerartificial intelligenceearly diagnosisscreeningmedical recordsрак легкогоискусственный интеллектранняя диагностикаскринингмедицинская записьThe work was supported by research fund 124052700085-6 “Development of predictive models based on artificial intelligence for early detection of oncological diseases based on multimodal medical and socio-demographic data with the formation of proposals for subsequent optimization of national screening programs” (Autonomous Non-commercial Organization “Analytical Center under the Government of the Russian Federation”)Исследование выполнено при поддержке НИР 124052700085-6 «Разработка предиктивных моделей на основе искусственного интеллекта для раннего выявления онкологических заболеваний по мультимодальным медицинским и социально-демографическим данным с формированием предложений по последующей оптимизации национальных программ скрининга» (АНО «Аналитический центр при Правительстве Российской Федерации»)Ferlay J., Ervik M., Lam F. et al. Global Cancer Observatory: Cancer Today. Lyon: International Agency for Research on Cancer, 2024. URL: https://gco.iarc.who.int/today.State of oncological care for the population of Russia in 2023. Kaprin A.D., Starinskiy V.V., Shakhzadova A.O., eds. Moscow: MNIOI im. P.A. Gertsena – filial FGBU “NMITS radiologii” Minzdrava Rossii, 2024. 262 p. (In Russ.).Состояние онкологической помощи населению России в 2023 году. Под ред. А.Д. Каприна, В.В. Старинского, А.О. Шахзадовой. М.: МНИОИ им. П.А. Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. 262 с.Malignant neoplasms in Russia in 2023 (incidence and mortality). Kaprin A.D. et al., eds. Moscow: MNIOI im. P.A. Gertsena – filial FGBU “NMITS radiologii” Minzdrava Rossii, 2024. 276 p. (In Russ.).Злокачественные новообразования в России в 2023 году (заболеваемость и смертность). Под ред. А.Д. Каприна и др. М.: МНИОИ им. П.А. Герцена − филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2024. 276 с.Toumazis I., Bastani M., Han S.S. et al. Risk-based lung cancer screening: a systematic review. Lung Cancer 2020;147:154–86. DOI: 10.1016/j.lungcan.2020.07.007Koski E., Murphy J. AI in healthcare. Stud Health Technol Inform 2021;284:295–9. DOI: 10.3233/SHTI210619Thong L.T., Chou H.S., Chew H.S.J. et al. Diagnostic test accuracy of artificial intelligence-based imaging for lung cancer screening: a systematic review and meta-analysis. Lung Cancer 2023;176:4–13. DOI: 10.1016/j.lungcan.2022.12.002Hsu Y.C., Tsai Y.H., Weng H.H. et al. Artificial neural networks improve LDCT lung cancer screening: a comparative validation study. BMC Cancer 2020;20(1):1023. DOI: 10.1186/s12885-020-07465-1Chauvie S., De Maggi A., Baralis I. et al. Artificial intelligence and radiomics enhance the positive predictive value of digital chest tomosynthesis for lung cancer detection within SOS clinical trial. Eur Radiol 2020;30(7):4134–40. DOI: 10.1007/s00330-020-06783-zBach P.B., Kattan M.W., Thornquist M.D. et al. Variations in lung cancer risk among smokers. J Natl Cancer Inst 2003;95(6):470–8. DOI: 10.1093/jnci/95.6.470Tammemägi M.C., Katki H.A., Hocking W.G. et al. Selection criteria for lung-cancer screening. N Engl J Med 2013;368(8):728–36. DOI:10.1056/NEJMoa1211776Katki H.A., Kovalchik S.A., Berg C.D. et al. Development and validation of risk models to select ever-smokers for CT lung cancer screening. JAMA 2016;315(21):2300–11. DOI:10.1001/jama.2016.6255Cheung L.C., Berg C.D., Castle P E. et al. Life-gained-based versus risk-based selection of smokers for lung cancer screening. Ann Intern Med 2019;171(9):623–32. DOI:10.7326/M19-1263Markaki M., Tsamardinos I., Langhammer A. et al. A validated clinical risk prediction model for lung cancer in smokers of all ages and exposure types: a HUNT study. EBioMedicine 2018;31:36–46. DOI: 10.1016/j.ebiom.2022.104187Field J.K., Vulkan D., Davies M.P.A. et al. Liverpool Lung Project lung cancer risk stratification model: calibration and prospective validation. Thorax 2021;76(2):161–8. DOI: 10.1136/thoraxjnl-2020-215158PLCO Lung dataset(s). In: Book PLCO Lung dataset(s). Ed. NIH NCI, 2024. URL: https://cdas.cancer.gov/datasets/plco/21/NLST dataset(s). In: Book NLST dataset(s). Ed. NIH NCI, 2024. URL: https://cdas.cancer.gov/datasets/nlst/Tammemägi M.C., Schmidt H., Martel S. et al. Participant selection for lung cancer screening by risk modelling (the Pan-Canadian Early Detection of Lung Cancer [PanCan] study): a single-arm, prospective study. Lancet Oncol 2017;18(11):1523–31. DOI: 10.1016/S1470-2045(17)30597-1NHIS Data, Questionnaires and Related Documentation. In: Book NHIS Data, Questionnaires and Related Documentation. Ed. CDC, 2024.Marshall R.C., Tiglao S.M., Thiel D. Updated USPSTF screening guidelines may reduce lung cancer deaths. J Fam Pract 2021;70(7):347–9. DOI: 10.12788/jfp.0257Wang X., Zhang Y., Hao S. et al. Prediction of the 1-year risk of incident lung cancer: prospective study using electronic health records from the State of Maine. J Med Internet Res 2019;21(5):e13260. DOI: 10.2196/23586Yeh M.C., Wang Y.H., Yang H.C. et al. Artificial intelligencebased prediction of lung cancer risk using nonimaging electronic medical records: deep learning approach. J Med Internet Res 2021;23(8):e26256. DOI: 10.2196/33519Chandran U., Reps J., Yang R. et al. Machine learning and real-world data to predict lung cancer risk in routine care. Cancer Epidemiol Biomarkers Prev 2023;32(3):337–43. DOI: 10.1158/1055-9965.EPI-22-0873Levi M., Lazebnik T., Kushnir S. et al. Machine learning computational model to predict lung cancer using electronic medical records. Cancer Epidemiol 2024;92:102631. DOI: 10.1016/j.canep.2024.102649Zhang S., Yang L., Xu W. et al. Predicting the risk of lung cancer using machine learning: A large study based on UK Biobank. Medicine (Baltimore) 2024;103(16):e37879. DOI: 10.1097/MD.0000000000037879