Синдром падений у пожилых пациентов с артериальной гипертензией (АГ) остается одной из самых частых и затратных проблем гериатрии. Традиционные клинические шкалы прогнозирования имеют ограниченную чувствительность из-за нелинейного взаимодействия множества факторов (ортостатические реакции, полипрагмазия, саркопения, когнитивные нарушения). Современные методы искусственного интеллекта (ИИ) и машинного обучения (МО) позволяют интегрировать большие массивы данных из электронных медицинских записей и носимых устройств. В обзоре на основе работ 2024–2026 гг. показано, что модели (CatBoost, XGBoost, Random Forest) в отдельных исследованиях (преимущественно на ограниченных выборках) показатели значения AUC достигали 0,97. С помощью SHAP-анализа (Shapley Additive Explanations) осуществлялась интерпретация моделей и оценка вклада признаков в прогноз, при этом наибольшую важность демонстрировали: предшествующие падения, коморбидность, нарушения сна. Применение методов машинного обучения позволило выделить различные гемодинамические профили ортостатических реакций, включая паттерн ортостатической гипертензии, ассоциированный с признаками хрупкости. Технологии «объяснимого ИИ» и многогоризонтного прогнозирования позволяет дифференцировать острые и хронические компоненты риска и поддерживает персонализацию терапии.