Данный систематический обзор, опубликованный в журнале npj Digital Medicine, исследует критическую проблему предвзятости и справедливости (fairness) в мультимодальных моделях машинного обучения, используемых в системах поддержки принятия клинических решений (CDSS). Авторы анализируют, как интеграция различных типов данных — таких как медицинские изображения, электронные медицинские карты и генетическая информация — влияет на точность и беспристрастность алгоритмов. В работе рассматриваются методологии оценки алгоритмической справедливости в отношении различных демографических групп, включая расовые, гендерные и возрастные различия. Исследование подчеркивает, что мультимодальный подход может как снижать риски ошибок, так и усиливать скрытую предвзятость, если обучающие выборки несбалансированы. Ключевым выводом является необходимость внедрения стандартизированных протоколов проверки моделей на справедливость перед их клиническим внедрением. Работа имеет высокую значимость для разработчиков медицинского ИИ и регуляторов, стремящихся обеспечить этичное и равное качество медицинской помощи.