Актуальность. Ежегодно во всем мире большое количество людей становятся жертвами сердечно-сосудистых заболеваний. На сегодняшний день основными инструментами прогноза сердечно-сосудистого риска являются шкалы, основанные на моделях пропорциональных рисков (Сох-регрессии). Однако последнее время многие ученые сходятся во мнении, что использование технологий машинного обучения и искусственного интеллекта поможет повысить качество прогноза наступления неблагоприятных сердечно-сосудистых событий. Цель - провести систематический литературный обзор подходов к формированию прогнозов развития ССЗ, основанных на шкалах пропорциональной оценки рисков и методах ML для обнаружения наиболее эффективных методов анализа данных. Материалы и методы: Проведен систематический обзор литературы, в который были включены 58 научно-исследовательских работ, использующих методы оценки сердечно- сосудистого риска, основанных на Сох-регрессии, и технологий машинного обучения. Результаты. Предиктивные возможности машинного обучения превосходят традиционные линейные методы анализа данных. Средние значения AUC 0,82 и 0,75 соответственно, р=0,003. Также удалось выделить наиболее частоиспользуемые и эффективные алгоритмы прогноза. Ими оказались random forest, gradient boosting и deep learning. Однако, в отличии от традиционных шкал прогноза, среди представленных алгоритмов машинного обучения 80% не проходили внешнюю валидацию на независимых выборках. Кроме того, использование машинного обучения требует большого объема качественных цифровых данных. Обсуждение. В результате анализа аналогичных исследований, проведенных отечественными и зарубежными авторами, нам удалось подтвердить, что в среднем прогностические модели, построенные с помощью алгоритмов ML, имеют преимущества по сравнению с традиционными методами анализа данных. Выводы. Машинное обучение является перспективным методом прогнозирования сердечно- сосудистых событий, одна для его массового использования необходим переход на электронное ведение медицинской документации и агрегация большего количества качественной и структурированной информации.