В данной статье представлен повествовательный обзор, посвященный применению машинного обучения и искусственного интеллекта для стратификации рисков, скрининга и ведения пациентов с расстройствами, связанными с употреблением алкоголя, опиоидов и каннабиса. Авторы анализируют разрыв между разработкой моделей и их устойчивой клинической реализацией, используя гибридную рамку FAIIR-H и теорию UTAUT для оценки факторов на уровнях данных, клиницистов, пациентов и регуляторики. Обзор выявляет существенные различия в зрелости доказательной базы: для опиоидной зависимости существует более методологически выверенная литература с аудитами на справедливость, тогда как данные по алкоголю гетерогенны, а по каннабису ограничены. Приводятся конкретные примеры внедрения: больничный скринер опиоидов, связанный со снижением вероятности повторной госпитализации на 47% в когорте более 51 000 госпитализаций, и платформа управления рецидивами алкоголизма, продемонстрировавшая снижение риска рецидива до 18% на основе 500 000 пациенто-дней наблюдений. Исследование подчеркивает, что ни для одного вещества пока не доказана успешная реализация как скрининга, так и лечения одновременно, и указывает на влияние стигмы, конфиденциальности (42 CFR Part 2) и цифрового неравенства. Авторы предлагают трехуровневую типологию приложений, показывающую, что нагрузка на доверие пациентов растет с прямотой взаимодействия ИИ с пациентом, и формулируют повестку для внешних валидаций и аудитов справедливости в условиях безопасности.