急性心肌梗死（acute myocardial infarction,AMI）是多种原因所致冠状动脉急性闭塞,进而引发心脏持续性缺血缺氧、心肌坏死的一类疾病,该疾病具有发病急、病情发展迅速、发生率和病死率高等特点。目前认为最关键的治疗方式为:尽早开通血管,恢复心脏供血供氧。然而,大量患者经积极血运重建后仍会出现主要不良心血管事件（major adverse cardiovascular events,MACEs）,包括心肌梗死、心力衰竭、肾衰竭、冠状动脉事件、脑血管事件和死亡。因此,对AMI后MACEs预测和评估,并依据其发生率进行个体化治疗对AMI患者预后改善有重要意义。传统风险评估预测模型数据量小、结构简单、准确率低,难以实现对AMI后MACEs的有效预测。因此,本文开展了基于机器学习的AMI后MACEs预测实验研究,主要研究工作如下:（1）基于AMI患者结构化的电子病历数据,本课题首先使用二元逻辑回归方法对AMI后MACEs发生的独立危险因素进行分析;然后训练和测试七种机器学习模型（包括逻辑回归、决策树、朴素贝叶斯、支持向量机、随机森林、梯度提升机和多层感知机）,并评估各个模型对AMI后MACEs的预测性能。本课题研究发现心功能分级、药物依从性、年龄、肌酐和总胆固醇水平是AMI后MACEs的独立预测因子;并验证随机森林模型是用于AMI患者危险分层的最优模型。（2）基于AMI患者非结构化的冠脉造影数据,本文首先优化了YOLO v4的输入尺寸和空间金字塔池化模块,并将其用于有意义狭窄、弥漫性狭窄和慢性完全闭塞三种病变的检测。其次研究了三种病变对于AMI后MACEs评估的价值。结果发现改进YOLO v4模型对三种冠脉病变检测的平均精度均值为55.01%;慢性完全闭塞病变对AMI后MACEs的评估有重要意义。综上,随机森林算法对AMI后MACEs的预测具有较高的准确率;YOLO v4算法能够有效地识别冠状动脉病变。联合AMI患者的结构化与非结构化数据构建机器学习模型,可更智能、更高效和更准确地对AMI后MACEs预测和评估。