Актуальность. На сегодняшний день это на долю инфаркта миокарда (ИМ) приходится 38,9 смертельных исходов на 100 тыс. человек. Чтобы снизить данный показатель важно сократить число постгоспитальных осложнений у пациентов после выписки. Для таких целей сегодня активно используются шкалы прогноза: EDACS-ADP, HEART, GRACE и др. Однако, последнее время многие ученые высказываются о возможности применения технологии искусственного интеллекта с целью повышения качества прогноза. Цель - разработать и протестировать новые методические подходы прогнозирования смертельных исходов на протяжении 6-ти месяцев после выписки из стационара у пациентов, перенесших ИМ, с использованием технологии машинного обучения. Материалы и методы: работа была выполнена на данных международного исследования «Острый инфаркт миокарда в Российской Федерации: существующая практика и препятствия на пути эффективного лечения на разных уровнях системы здравоохранения», n=1,128 тыс.: мужчины n=845 (74,9%); женщины n=248 (21,9%). Обе когорты были разделена на 2 группы: 1-ая группа n= 980 (86,9%) – пациенты, выжившие за 6-ти месячный период наблюдения после выписки из стационара. 2-ая группа n=65 (5,8%) - пациенты, умершие за 6-ти месячный период наблюдения после выписки из стационара, включая смерти в стационаре. Для построения модели прогнозы мы использовали шесть алгоритмов классификации. Предикторы, включенные в анализ, n=193. Для оценки эффективности моделей прогноза мы использовали показатели ROC-анализа. Результаты. Наилучшим алгоритмом оказался LGBMClassifier AUC-0,84, наихудшие результаты показала логистическая регрессия AUC-0,79. Наиболее значимыми факторами являлись наблюдение терапевта и кардиолога в течение года, занятость пациентов и показатели скорости клубочковой фильтрации. Также важную роль играли такие факторы риска, как прохождение диспансеризации, наличие хронической сердечной недостаточности в анамнезе и коморбидность. Обсуждение. В результате обсуждения удалось сравнить наиболее важные факторы риска, влияющие на постгоспитальную летальность и сравнить их с полученными в результате эксперимента. Также мы удостоверились, что среднее значение AUC, полученное в аналогичных исследованиях – 0,82 соответствует полученным нами результатам. Выводы. В результате исследования нам удалось сконструировать модель классификации с достаточно хорошим качеством детерминации. Дальнейшие изучения данной темы поможет лучше понять природу развития патологических изменений и заранее предупреждать неблагоприятные исходы.