Traumatology and Orthopedics of RussiaTraumatology and Orthopedics of RussiaТравматология и ортопедия России2311-29052542-0933Vreden National Medical Research Center of Traumatology and Orthopedics1788810.17816/2311-2905-17888ReviewsОбзорыReviewsReview ArticleApplication of artificial intelligence in the diagnosis of musculoskeletal disorders: a systematic review and meta-analysisИспользование искусственного интеллекта в диагностике патологий опорно-двигательного аппарата: систематический обзор и метаанализhttps://orcid.org/0000-0003-3002-10671670-3730YafarovaAdel A.ЯфароваАдель Айратовна
Russian Federation

Cand. Sci. (Med.)

канд. мед. наук

adyafarowa@yandex.ruhttps://orcid.org/0009-0007-3636-28892274-6428ErizhokovRustam A.ЕрижоковРустам Арсеньевич
Russian Federation
ErizhokovRA@zdrav.mos.ruhttps://orcid.org/0000-0003-1694-46826193-1656PetraikinAlexey V.ПетряйкинАлексей Владимирович
Russian Federation

Dr. Sci. (Med.)

д-р мед. наук

alexeypetriakin@gmail.comhttps://orcid.org/0000-0002-2681-93783306-1387BlokhinIvan A.БлохинИван Андреевич
Russian Federation

Cand. Sci. (Med.)

канд. мед. наук

BlokhinIA@zdrav.mos.ruhttps://orcid.org/0000-0002-9661-02548592-0558ReshetnikovRoman V.РешетниковРоман Владимирович
Russian Federation

Cand. Sci. (Phys.-Math.)

канд. физ.-мат. наук

ReshetnikovRV1@zdrav.mos.ruhttps://orcid.org/0009-0008-9862-82059122-6826RodionovaLarisa G.РодионоваЛариса Григорьевна
Russian Federation
RodionovaLG@zdrav.mos.ruhttps://orcid.org/0000-0001-8870-76497463-4645VaryukhinaMaria D.ВарюхинаМария Дмитриевна
Russian Federation

Cand. Sci. (Med.)

канд. мед. наук

VaryukhinaMD@zdrav.mos.ruhttps://orcid.org/0000-0002-0245-44318948-6152OmelyanskayaOlga V.ОмелянскаяОльга Васильевна
Russian Federation
OmelyanskayaOV@zdrav.mos.ruhttps://orcid.org/0000-0002-2990-77363602-7120VladzymyrskyyAnton V.ВладзимирскийАнтон Вячеславович
Russian Federation

Dr. Sci. (Med.), Associate Professor

д-р мед. наук, доцент

VladzimirskiyAV@zdrav.mos.ruhttps://orcid.org/0000-0002-5283-59614458-5608VasilevYuriy A.ВасильевЮрий Александрович
Russian Federation

Dr. Sci. (Med.), Associate Professor

д-р мед. наук, доцент

npcmr@zdrav.mos.ruCenter for Diagnostics and TelemedicineГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий ДЗМ»MIREA — Russian Technological UniversityФГБОУ ВО «МИРЭА — Российский технологический университет»I.M. Sechenov First Moscow State Medical University (Sechenov University)ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова (Сеченовский Университет)» Минздрава РоссииCenter for Diagnostics and TelemedicineГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий ДЗМ»26082026290920263231551703004202606072026Copyright ©; 2026, Eco-VectorCopyright ©; 2026, Эко-ВекторCopyright ©; 2026, Eco-Vector2026Eco-VectorЭко-ВекторEco-Vectorhttps://creativecommons.org/licenses/by-nc-nd/4.0https://journal.rniito.org/jour/article/view/17888

Background. Artificial intelligence-based technologies are being increasingly used in the diagnosis of musculoskeletal disorders, particularly for automated detection of pathological findings, quantitative assessment of imaging features, and decision support in the interpretation of radiological examinations.

The aim — to perform a systematic review of the diagnostic accuracy of artificial intelligence-based technologies for musculoskeletal disorders, including both peer-reviewed publications and grey literature sources, with methodological quality assessment and meta-analysis for conditions with at least 3 comparable independent sources.

Methods. A systematic search was conducted in the PubMed and eLibrary databases, along with an analysis of grey literature sources for the period from 2023 to 2025. The review included peer-reviewed studies and grey literature sources with external validation and quantitative measures of diagnostic accuracy. The quality of included sources was assessed using the modified QUADAS-CAD tool. Meta-analysis for individual conditions was performed using a bivariate random-effects model in the interactive web-based tool for meta-analysis of diagnostic test accuracy studies, and in cases of model instability due to a small number of studies, a Bayesian meta-analysis tool for diagnostic test accuracy was applied to obtain pooled estimates of sensitivity and specificity. The certainty of evidence was assessed using the GRADE approach.

Results. A total of 42 sources were included in the systematic review: 24 peer-reviewed publications and 18 grey literature sources, including 13 services from the Moscow Experiment. Seventeen sources were included in the meta-analysis, of which 8 were peer-reviewed publications and 9 were grey literature sources. Meta-analysis was feasible for five conditions: knee osteoarthritis, active sacroiliitis, osteoporosis, vertebral compression fractures, and scoliosis. The inclusion of grey literature made it possible to perform meta-analysis for certain conditions, but was associated with lower certainty of evidence: low for osteoporosis and vertebral compression fractures, and very low for active sacroiliitis, knee osteoarthritis, and scoliosis.

Conclusion. The findings suggest potential diagnostic value of AI-based technologies for selected musculoskeletal conditions; however, low and very low certainty of evidence according to GRADE limits the robustness and generalizability of the pooled estimates. A key strength of this review is the inclusion of Russian services, which constituted the majority of grey literature sources.

Актуальность. В диагностике патологий опорно-двигательного аппарата все шире применяются технологии на основе искусственного интеллекта, прежде всего — для автоматического выявления патологических изменений, количественной оценки признаков и поддержки интерпретации лучевых исследований.

Цель — провести систематический обзор публикаций, посвященных диагностической точности технологий на основе искусственного интеллекта при патологиях опорно-двигательного аппарата с включением данных рецензируемых публикаций и источников серой литературы, оценкой методологического качества и выполнением метаанализа по нозологиям, для которых доступны не менее трех сопоставимых независимых источников.

Материал и методы. Выполнен систематический поиск в базах PubMed и eLIBRARY, а также анализ источников серой литературы за период 2023–2025 гг. В систематический обзор включали рецензируемые исследования и источники серой литературы с внешней валидацией и количественными показателями диагностической точности. Качество включенных источников оценивали с использованием опросника QUADAS-CAD. Метаанализ для отдельных нозологий проводили с применением бивариантной модели со случайными эффектами в MetaDTA. Достоверность доказательств оценивали по GRADE.

Результаты. В систематический обзор были включены 42 источника: 24 рецензируемые публикации и 18 источников серой литературы, включая 13 сервисов Московского эксперимента. В метаанализ вошли 17 источников, из них 8 рецензируемых публикаций и 9 источников серой литературы. Метаанализ удалось выполнить для 5 нозологий: гонартроза, активного сакроилеита, остеопороза, компрессионных переломов позвонков и сколиоза. Включение источников серой литературы позволило выполнить метаанализ для отдельных нозологий, однако сопровождалось снижением достоверности итоговых оценок по GRADE: для остеопороза и компрессионных переломов позвонков она была низкой, а для активного сакроилеита, гонартроза и сколиоза — очень низкой.

Заключение. Полученные данные свидетельствуют о потенциальной диагностической ценности технологий на основе искусственного интеллекта при отдельных патологиях опорно-двигательного апарата, однако низкая и очень низкая достоверность доказательств по GRADE ограничивает устойчивость и обобщаемость итоговых оценок. Важным преимуществом настоящего обзора стало включение российских сервисов, поскольку именно отечественные разработки сформировали большую часть источников серой литературы.

artificial intelligencemusculoskeletal disordersdiagnostic accuracygrey literaturemedical imagingискусственный интеллектпатология опорно-двигательного аппаратадиагностическая точностьсерая литературамедицинская визуализацияMoscow Health Care DepartmentДепартамент здравоохранения города МосквыЕГИСУ 126082024228-9This paper was prepared by a group of authors as a part of the research and development effort titled “Improving the accuracy of diagnostic imaging methods for spinal diseases” (USIS No. 126082024228-9) in accordance with the Order No. 1213 dated November 27, 2025 “On approval of state assignments funded by means of allocations from the budget of the city of Moscow to the state budgetary (autonomous) institutions subordinate to the Moscow Health Care Department, for 2026 and the planned period of 2027 and 2028” issued by the Moscow Health Care Department.Данная статья подготовлена авторским коллективом в рамках НИР «Повышение точности методов лучевой диагностики заболеваний позвоночника» (№ ЕГИСУ 126082024228-9) в соответствии с приказом от 27.11.2025 № 1213 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы, государственным бюджетным (автономным) учреждениям, подведомственным Департаменту здравоохранения города Москвы, на 2026 год и плановый период 2027 и 2028 годов» Департамента здравоохранения города Москвы.Cieza A., Causey K., Kamenov K., Hanson S.W., Chatterji S., Vos T. Global estimates of the need for rehabilitation based on the Global Burden of Disease study 2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet. 2021;396(10267):2006-2017. doi: 10.1016/S0140-6736(20)32340-0.GBD 2021 Osteoarthritis Collaborators. Global, regional, and national burden of osteoarthritis, 1990-2020 and projections to 2050: a systematic analysis for the Global Burden of Disease Study 2021. Lancet Rheumatol. 2023;5(9):e508-e522. doi: 10.1016/S2665-9913(23)00163-7.Salari N., Ghasemi H., Mohammadi L., Behzadi M.H., Rabieenia E., Shohaimi S. et al. The global prevalence of osteoporosis in the world: a comprehensive systematic review and meta-analysis. J Orthop Surg Res. 2021;16(1):609. doi: 10.1186/s13018-021-02772-0.Белая Ж.Е., Белова К.Ю., Бирюкова Е.В., Дедов И.И., Дзеранова Л.К., Драпкина О.М. и др. Федеральные клинические рекомендации по диагностике, лечению и профилактике остеопороза. Остеопороз и остеопатии. 2021;24(2):4-47. doi: 10.14341/osteo12930. Belaya Zh.E., Belova K.Yu., Biryukova E.V., Dedov I.I., Dzeranova L.K., Drapkina O.M. et al. Federal clinical guidelines for diagnosis, treatment and prevention of osteoporosis. Osteoporosis and Bone Diseases. 2021;24(2):4-47. (In Russian). doi: 10.14341/osteo12930.GBD 2019 Fracture Collaborators. Global, regional, and national burden of bone fractures in 204 countries and territories, 1990-2019: a systematic analysis from the Global Burden of Disease Study 2019. Lancet Healthy Longev. 2021;2(9):e580-e592. doi: 10.1016/S2666-7568(21)00172-0.Petraikin A.V., Pickhardt P.J., Belyaev M.G., Belaya Z.E., Pisov M.E., Bukharaev A.N. et al. Opportunistic screening for osteoporosis using artificial intelligence-based morphometric analysis of chest computed tomography images: a retrospective multi-center study in Russia leveraging the COVID-19 pandemic. Asian Spine J. 2025;19(3):355-371. doi: 10.31616/asj.2024.0314.Lesnyak O., Ershova O., Belova K., Gladkova E., Sinitsina O., Ganert O. et al. Epidemiology of fracture in the Russian Federation and the development of a FRAX model. Arch Osteoporos. 2012;7:67-73. doi: 10.1007/s11657-012-0082-3.Liebl H., Joseph G., Nevitt M.C., Singh N., Heilmeier U., Subburaj K. et al. Early T2 changes predict onset of radiographic knee osteoarthritis: data from the Osteoarthritis Initiative. Ann Rheum Dis. 2015;74(7):1353-1359. doi: 10.1136/annrheumdis-2013-204157.Brulhart L., Alpízar-Rodríguez D., Nissen M.S., Zufferey P., Ciubotariu I., Fleury G. et al. Ultrasound is not associated with the presence of systemic autoimmunity or symptoms in individuals at risk for rheumatoid arthritis. RMD Open. 2019;5(2):e000922. doi: 10.1136/rmdopen-2019-000922.Васильев Ю.А., Решетников Р.В., Нанова О.Г., Владзимирский А.В., Арзамасов К.М., Омелянская О.В. и др. Применение больших языковых моделей в лучевой диагностике: обзор предметного поля. Digital Diagnostics. 2025;6(2):268-285. doi: 10.17816/DD678373. Vasilev Yu.A., Reshetnikov R.V., Nanova O.G., Vladzymyrskyy A.V., Arzamasov K.M., Omelyanskaya O.V. et al. Application of Large Language Models in Radiological Diagnostics: A Scoping Review. Digital Diagnostics. 2025;6(2):268-285. (In Russian). doi: 10.17816/DD678373.Kodenko M.R., Vasilev Y.A., Vladzymyrskyy A.V., Omelyanskaya O.V., Leonov D.V., Blokhin I.A. et al. Diagnostic accuracy of AI for opportunistic screening of abdominal aortic aneurysm in CT: a systematic review and narrative synthesis. Diagnostics (Basel). 2022;12(12):3197. doi: 10.3390/diagnostics12123197.Васильев Ю.А., Алымова Ю.А., Арзамасов К.М., Арзамасова Л.Н., Астапенко Е.В., Ахмад Е.С. и др. Искусственный интеллект в лучевой диагностике: Per Aspera Ad Astra. Москва : Издательские решения; 2025. 491 с. Vasilev Yu.A., Alymova Yu.A., Arzamasov K.M., Arzamasova L.N., Astapenko E.V., Akhmad E.S. et al. Artificial intelligence in radiology: Per Aspera Ad Astra. Moscow: Izdatelskie resheniya; 2025. 491 p. (In Russian).Freeman S.C., Kerby C.R., Patel A., Cooper N.J., Quinn T., Sutton A.J. Development of an interactive web-based tool to conduct and interrogate meta-analysis of diagnostic test accuracy studies: MetaDTA. BMC Med Res Methodol. 2019;19(1):81. doi: 10.1186/s12874-019-0724-x.Patel A., Cooper N., Freeman S., Sutton A. Graphical enhancements to summary receiver operating characteristic plots to facilitate the analysis and reporting of meta-analysis of diagnostic test accuracy data. Res Synth Methods. 2021;12(1):34-44. doi: 10.1002/jrsm.1439.Schünemann H.J., Oxman A.D., Brozek J., Glasziou P., Jaeschke R., Vist G.E. et al. Grading quality of evidence and strength of recommendations for diagnostic tests and strategies. BMJ. 2008;336(7653):1106-1110. doi: 10.1136/bmj.39500.677199.AE.Bordner A., Aouad T., Medina C.L., Yang S., Molto A., Talbot H. et al. A deep learning model for the diagnosis of sacroiliitis according to Assessment of SpondyloArthritis International Society classification criteria with magnetic resonance imaging. Diagn Interv Imaging. 2023;104(7-8):373-383. doi: 10.1016/j.diii.2023.03.008.Xu S., Guo C., Zuo J., Yang M., Chen B., Li S. et al. Development and validation of a deep learning model for automatic severity grading of hip osteoarthritis: a multi-center study. Ann Med. 2025;57(1):2584361. doi: 10.1080/07853890.2025.2584361.Asamoto T., Takegami Y., Sato Y., Takahara S., Yamamoto N., Inagaki N. et al. External validation of a deep learning model for predicting bone mineral density on chest radiographs. Arch Osteoporos. 2024;19(1):15. doi: 10.1007/s11657-024-01372-9.Hong N., Cho S.W., Shin S., Lee S., Jang S.A., Roh S. et al. Deep-learning-based detection of vertebral fracture and osteoporosis using lateral spine X-ray radiography. J Bone Miner Res. 2023;38(6):887-895. doi: 10.1002/jbmr.4814.Nasser Y., El Hassouni M., Hans D., Jennane R. A discriminative shape-texture convolutional neural network for early diagnosis of knee osteoarthritis from X-ray images. Phys Eng Sci Med. 2023;46(2):827-837. doi: 10.1007/s13246-023-01256-1.Yilihamu E.E., Shang J., Su Z.H., Yang J.T., Zhao K., Zhong H. et al. Quantification and classification of lumbar disc herniation on axial magnetic resonance images using deep learning models. Radiol Med. 2025;130(6):795-804. doi: 10.1007/s11547-025-01996-y.Nicolaes J., Tselenti E., Aouad T., López-Medina C., Feydy A., Talbot H. et al. Performance analysis of a deep-learning algorithm to detect the presence of inflammation in MRI of sacroiliac joints in patients with axial spondyloarthritis. Ann Rheum Dis. 2025;84(1):60-67. doi: 10.1136/ard-2024-225862.Zhang K., Luo G., Li W., Zhu Y., Pan J., Li X. et al. Automatic image segmentation and grading diagnosis of sacroiliitis associated with AS using a deep convolutional neural network on CT images. J Digit Imaging. 2023;36(5):2025-2034. doi: 10.1007/s10278-023-00858-1.Tang J., Yin X., Lai J., Luo K., Wu D. Automatic opportunistic osteoporosis screening using chest X-ray images via deep neural networks. Bone. 2025;201:117618. doi: 10.1016/j.bone.2025.117618.Huang C., Wu D., Wang B., Hong C., Hu J., Yan Z. et al. Application of deep learning model based on unenhanced chest CT for opportunistic screening of osteoporosis: a multicenter retrospective cohort study. Insights Imaging. 2025;16(1):10. doi: 10.1186/s13244-024-01817-2.Lin X., Shen R., Zheng X., Shi S., Dai Z., Fang K. Utilizing radiomics techniques to isolate a single vertebral body from chest CT for opportunistic osteoporosis screening. BMC Musculoskelet Disord. 2024;25(1):785. doi: 10.1186/s12891-024-07903-2.Peng T., Zeng X., Li Y., Li M., Pu B., Zhi B. et al. A study on whether deep learning models based on CT images for bone density classification and prediction can be used for opportunistic osteoporosis screening. Osteoporos Int. 2024;35(1):117-128. doi: 10.1007/s00198-023-06900-w.Gao L., Jiao T., Feng Q., Wang W. Application of artificial intelligence in diagnosis of osteoporosis using medical images: a systematic review and meta-analysis. Osteoporos Int. 2021;32(7):1279-1286. doi: 10.1007/s00198-021-05887-6.Yamamoto N., Shiroshita A., Kimura R., Kamo T., Ogihara H., Tsuge T. Diagnostic accuracy of chest X-ray and CT using artificial intelligence for osteoporosis: systematic review and meta-analysis. J Bone Miner Metab. 2024;42(5):483-491. doi: 10.1007/s00774-024-01532-4.Mohammadi S., Salehi M.A., Jahanshahi A., Shahrabi Farahani M., Zakavi S.S., Behrouzieh S. et al. Artificial intelligence in osteoarthritis detection: a systematic review and meta-analysis. Osteoarthritis Cartilage. 2024;32(3):241-253. doi: 10.1016/j.joca.2023.09.011.Jung J., Dai J., Liu B., Wu Q. Artificial intelligence in fracture detection with different image modalities and data types: a systematic review and meta-analysis. PLOS Digit Health. 2024;3(1):e0000438. doi: 10.1371/journal.pdig.0000438.Moon S.J., Lee S., Hwang J., Lee J., Kang S., Cha H.S. Performances of machine learning algorithms in discriminating sacroiliitis features on MRI: a systematic review. RMD Open. 2023;9(4):e003783. doi: 10.1136/rmdopen-2023-003783.Goldman S.N., Hui A.T., Choi S., Mbamalu E.K., Tirabady P., Eleswarapu A.S. et al. Applications of artificial intelligence for adolescent idiopathic scoliosis: mapping the evidence. Spine Deform. 2024;12(6): 1545-1570. doi: 10.1007/s43390-024-00940-w.Lam C., Tasong J., Bulut H., Udall A., Sukhbaatar T., Hoang G. et al. Artificial intelligence in early onset scoliosis: a scoping review. Spine Deform. 2026;14(2):389-397. doi: 10.1007/s43390-025-01208-7.