Введение. Рак поджелудочной железы занимает 7-е место по смертности среди онкологических заболеваний при 14-м месте по заболеваемости, что обусловлено поздней диагностикой и агрессивным течением. Прогностические модели предполагают перемещение заболевания на 2-е место по смертности к 2030 году. Традиционные номограммы прогнозирования рецидивов демонстрируют ограниченную эффективность (C-индекс 0,656–0,734). Технологии искусственного интеллекта открывают принципиально новые возможности для ранней диагностики, прогнозирования рецидивов и персонализации терапии. Их клиническое внедрение сопряжено с медико-социальными, этическими и правовыми проблемами, требующими системного анализа. Цель исследования. Систематизировать результаты исследований применения искусственного интеллекта для прогнозирования рецидивов и прогрессирования рака поджелудочной железы на основе клинических параметров, оценить потенциальное влияние этих подходов на клиническую практику и рассмотреть медико-социальные и этические аспекты внедрения ИИ-технологий в онкологическую практику. Материалы и методы. Проведен систематизированный анализ 41 научной публикации (38 англоязычных, 3 русскоязычные) из баз данных PubMed, Web of Science, Scopus, eLIBRARY.RU и КиберЛенинка за 2018–2025 годы. Результаты. Полученные данные показывают высокую диагностическую точность алгоритмов глубокого обучения, где их эффективность при выявлении рака поджелудочной железы достигает 95,47 %. Модели анализа мочевых биомаркеров показывают площадь под кривой 0,94, а системы прогнозирования злокачественности внутрипротоковых папиллярных муцинозных опухолей демонстрируют площадь под кривой 0,98 с чувствительностью 95,7 процента и специфичностью 92,6 %. Исследователи отмечают, что эти показатели значительно превышают результаты экспертной диагностики врачами на уровне 56,0 %. Модели случайного леса и пропорциональных рисков Кокса для прогнозирования послеоперационных рецидивов достигают индекса конкордации 0,7738, поэтому они опережают традиционные номограммы по точности предсказаний. Искусственные нейронные сети, которые оценивают восьмимесячную выживаемость при нерезектабельном раке с площадью под кривой 0,921, превосходят не только базовые, но и улучшенные модели логистической регрессии, что показывает только 0,849 при статистической значимости различий. Обсуждение. Анализ выявил неравномерность географического и социально-экономического доступа к технологиям искусственного интеллекта, где различия в вычислительной инфраструктуре и уровне подготовки специалистов создают барьеры для внедрения. Интерпретируемость алгоритмов глубокого обучения остается существенной проблемой, а эффект черного ящика препятствует формированию клинического доверия к системам. Методы объяснимого искусственного интеллекта включают технологии SHAP, LIME и градиентные карты активации, которые частично решают проблему через визуализацию вклада отдельных признаков в итоговый прогноз. Этические вопросы охватывают широкий спектр рисков, поэтому системы могут воспроизводить систематические ошибки из обучающих данных. Высокие оценки риска вызывают не только медицинские, но и психосоциальные последствия для пациентов, что создает угрозу потенциальной стигматизации больных, а проблемы конфиденциальности информации усугубляют эту ситуацию. Выводы. Исследование показало, что искусственный интеллект превосходит традиционные методы диагностики рака поджелудочной железы, где его точность значительно выше по сравнению с номограммами и экспертными оценками. Успешное внедрение требует обеспечения равного доступа через развитие инфраструктуры и образовательных программ, поэтому необходимо повышение интерпретируемости алгоритмов для клинического применения. Нормативная база должна быть адаптирована с включением механизмов валидации и распределения ответственности. Системы требуют валидации на различных популяционных группах для подтверждения универсальности. Разработка протоколов коммуникации рисков пациентам является приоритетной задачей. До принятия специального законодательства системы искусственного интеллекта функционируют как инструменты поддержки врачебных решений. Ответственность за окончательный диагноз и лечение сохраняется за медицинским специалистом.