以藥物與臨床資料為基礎之機器學習預測模型：針對急性心肌梗塞後事件的分析

本研究以臺北醫學大學三院2014–2021年首次診斷急性心肌梗塞之4728名患者為對象，蒐集包含人口學、生命徵象、實驗室檢驗、共病情況與主要心血管用藥等49項變項，運用Random Forest、XGBoost與AdaBoost三種集成樹機器學習演算法，並透過PMM多重插補、ROSE類別加權及5折交叉驗證等嚴謹流程，建立同時預測心血管死亡、全因死亡、再發AMI與心衰竭四大臨床結局之風險模型；評估結果顯示，AdaBoost在心血管死亡（AUC=0.779）及再發AMI（AUC=0.695）、心衰竭（AUC=0.728）中表現最佳，Random Forest在全因死亡預測中勝出（AUC=0.882），且SHAP分析揭示首次血清肌酐、年齡與特定用藥等為關鍵驅動因子，強調變項間之非線性與情境依賴效應。本研究不僅驗證了集成樹模型在AMI後多重預後結局預測中的可行性與穩定性，也提供了可解釋的風險評估工具，未來可擴大於不同醫療體系進行外部驗證並結合動態監測資料，進一步提升個體化精準醫療的應用價值。