Введение. Статья описывает попытку построить прогноз уровня смертности пациентов, находящихся на диспансерном наблюдении у наркологов с использованием обученной нейросети на основании данных, полученных из электронных карт диспансерного наблюдения пациентов, умерших в период с 2019 по 2023 годы. Цель: прогнозирование показателя смертности пациентов, страдающих наркологическими заболеваниями с использованием обученной нейросети. Материалы и методы. Данные об умерших пациентах были использованы для обучения и дальнейшего прогноза. Для определения оптимальной модели для обучения были использованы: LightGBM (Light Gradient Boosting Machine) – библиотека градиентного бустинга; CatBoost – библиотека градиентного бустинга; Random Forest - ансамбль деревьев решений; Ridge – разновидность линейной регрессии с L2-регуляризацией; Bidirectional LSTM - разновидность рекуррентной нейронной сети. Далее, выбранная по итогам результатов обучения модель составила прогноз показателя смертности в группе находящихся на 01.01.2024 г. на диспансерном наблюдении пациентов, страдающих наркологическими заболеваниями. При оценке результатов обучения каждой из моделей были оценены показатели: RMSE (Root Mean Squared Error) - квадратный корень из среднеквадратичной ошибки; MAE (Mean Absolute Error) - среднее значение абсолютных различий между прогнозами модели и фактическими значениями; R2 (R-квадрат) - доля дисперсии зависимой переменной, которая объясняется моделью. Результаты. При проведении оценки лучшей моделью оказалась Bidirectional LSTM (нейронная сеть), показавшая наилучшие результаты. В результате нейронная сеть на основании обезличенных электронных карт живых пациентов составила прогноз смертности на 2024 и 2025 годы. По результатам данного прогноза смертность в группе лиц, страдающих наркологическими заболеваниями и находящихся на диспансерном наблюдении, составит: в 2024 г: 185,0 ‰; в 2025 г: 153,0 ‰. Выводы. Нейросеть способна давать прогноз уровня смертности достаточно высокой точности (среднее расхождение абсолютных различий реальной и прогнозированной даты смерти, полученной на тестовой части данных составило 1,27 года) даже при небольшом объеме имеющихся данных в электронном виде. Увеличение исходных данных как по объему выборки, так и по качеству (большее количество заполненных полей) может существенно улучшить качество прогноза.