对急性冠脉综合征（ACS）患者的预后风险评估是ACS诊疗中非常重要的内容，但依然不够精准。人工智能的机器学习可以用于建立比传统统计学方法更精确和个体化的预后风险统计模型，近年来在医疗领域有了迅速进展。该文介绍利用机器学习构建预后模型的基本原理和方法，并对其在ACS预后评估中的临床应用现状进行综述。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
预测急性冠脉综合征（acute coronary syndromes，ACS）预后的传统方法包括临床检查和风险预测模型两种。血管造影、心电图、24 h动态心电图、超声心动图、心脏负荷试验、CT和心脏磁共振（cardiac magnetic resonance，CMR）等是临床较为常用的评估风险和预后的检查方法。风险预测模型则基于多因素回归分析对临床指标进行整合，从而推算出发生事件的概率。经典的ACS预后模型如心肌梗死溶栓（thrombolysis in myocardial infarction，TIMI）试验评分和全球急性冠状动脉事件注册研究（global registry of acute cardiac events，GRACE）评分［1, 2］采用了患者的部分临床指标进行评估。然而，这类基于传统统计学方法的预测模型依然具有局限性，如未纳入介入手术和影像学、生化指标，而且仅使用了基于传统统计学方法所选取出的特征性变量，存在丢失其他预后相关信息的可能性［3］。既往研究报道TIMI和GRACE评分的受试者工作特征曲线下面积分别为0.60~0.70和0.80~0.85［4］，预测效能并未达到预期。近年来，基于人工智能的机器学习开始被应用于预后风险评估模型。本文主要介绍了机器学习的基本原理和方法，并对其在ACS中的临床应用现状进行综述。
