Искусственный интеллект (ИИ) всё чаще применяется для ранней диагностики заболеваний, стратификации риска и принятия решений в клинической практике. Однако отсутствие разнообразия в обучающих и валидационных данных вызывает обеспокоенность по поводу алгоритмической предвзятости, поскольку популяции стран с низким и средним уровнем дохода (СНСД) не представлены в обучающих выборках. Такая предвзятость может усугублять неравенство в здравоохранении и ограничивать эффективность ИИ-решений. Настоящий обзор был направлен на документирование текущих исследований по снижению алгоритмической предвзятости и валидации ИИ-инструментов с фокусом на равенство доступа в популяциях СНСД Кыргызстана, Ближнего Востока и Северной Африки (MENA) и Центральной Азии.

Проведён обзорный анализ в соответствии с фреймворком PRISMA-ScR. Поиск в PubMed, Scopus, Embase, Web of Science и IEEE Xplore выполнен от начала баз данных до марта 2026 года. Включались исследования ИИ-инструментов для скрининга, диагностики, прогноза или маршрутов помощи в условиях СНСД. Извлекались характеристики исследований, демография популяций, методы оценки предвзятости, подходы к валидации и исходы по равенству доступа.

Критериям включения соответствовали 28 исследований. Большинство ИИ-приложений были сфокусированы на сердечно-сосудистых заболеваниях, диабете, скрининге рака и здоровье матери. Только 34,6% исследований явно оценивали алгоритмическую предвзятость, 28,2% проводили внешнюю валидацию в географически разнородных популяциях.

Источниками предвзятости были демографический дисбаланс, ограниченная представленность сельских сообществ и непоследовательное качество данных. Стратегии снижения предвзятости включали диверсификацию датасетов, разработку моделей с учётом справедливости, отчётность о работе модели в подгруппах и локальную рекалибровку. Исследования с использованием локальных валидационных когорт продемонстрировали более высокую предсказательную способность и меньшие различия между полом, этнической принадлежностью и социоэкономическими группами. Тем не менее, оценка справедливости не была стандартизирована в условиях СНСД.

Доказательства из популяций СНСД выявляют ключевые пробелы в равноправной валидации ИИ-инструментов. Более широкий спектр когорт, прозрачная отчётность о метриках справедливости и региональная валидация необходимы для обеспечения того, чтобы ИИ-управляемая ранняя диагностика и маршруты помощи оказывали положительное влияние на равенство доступа, а не усугубляли неравенство.