Статья посвящена обзору существующих исследований по использованию инструментов машинного обучения для оптимизации процессов заместительной почечной терапии. Поиск литературных источников проводили с помощью поисковых систем eLibrary и PubMed, а также базы данных Scopus. Отбор метаинформации выполнялся по полям TITLE и ABSTRACT по запросам: artificial intelligence AND (dialys* OR hemodialys*); machine learning AND (dialys* OR hemodialys*). Запросы выстраивали с учётом возможности использования различных словоформ ключевых понятий. Период публикации не ограничивали. В результате первичного поиска отобрано 669 полнотекстовых статей. В дальнейшем три эксперта (два врача-нефролога и специалист в области машинного обучения) независимо провели ручной отбор. Принципы отбора статей: использование алгоритмов машинного обучения; направленность на решение конкретной задачи, связанной с оптимизацией диализной терапии; наличие модели, разработанной специально для пациентов, находящихся на диализе, а не являющейся сопутствующей при решении других клинических задач. Анализ публикаций показал, что наиболее распространённой задачей в диализе, решаемой инструментами машинного обучения, является прогноз адекватности программы диализного лечения. Под адекватностью диализа, как правило, понимают эффективность удаления продуктов азотистого обмена. Косвенным же признаком её недостаточности может являться возникновение осложнений после процедур, риск которых и пытаются предсказать модели искусственного интеллекта. Их также используют для подбора терапии при ренальной анемии и нарушениях фосфорнокальциевого обмена, поскольку в этих случаях необходимо учитывать множество факторов, в том числе их динамику. Значительное числи исследований с применением машинного обучения посвящено прогнозированию выживаемости пациентов, находящихся на диализе, а также определению оптимального времени начала заместительной почечной терапии при хронической болезни почек. Критический анализ публикаций позволил выявить определённые проблемы: малые выборки, недостаточный тестовый контроль как на этапе предварительной подготовки, так и при анализе результатов, а также низкая воспроизводимость многих исследований. Наибольший интерес представляют публикации, описывающие опыт внедрения в клиническую практику систем, разработанных на основе алгоритмов машинного обучения и апробированных на разных популяциях пациентов.