В данной статье представлен масштабный обзор области применения значений Шепли (Shapley values) в контексте клинических предиктивных моделей. Авторы систематизируют текущие методы интерпретируемости машинного обучения, фокусируясь на кооперативной теории игр как инструменте для объяснения вклада отдельных признаков в прогноз модели. Работа служит не только обзором, но и практическим руководством для исследователей и клиницистов, стремящихся внедрить объяснимый ИИ (XAI) в медицинскую практику. Особое внимание уделяется методологическим аспектам расчета значений Шепли, их вычислительной сложности и интерпретации результатов в условиях неопределенности. Статья подчеркивает важность прозрачности алгоритмов для построения доверия между врачами и системами поддержки принятия врачебных решений. Рассматриваются преимущества подхода перед другими методами атрибуции, такими как LIME или простые градиентные методы, особенно в случае сложных нелинейных зависимостей. Авторы выделяют ключевые вызовы, включая необходимость больших вычислительных ресурсов и риск некорректной интерпретации локальных объяснений. Работа закладывает теоретическую базу для более надежного использования черных ящиков ИИ в критически важных медицинских сценариях.