本研究於健保資料庫中進行回顧性的研究，納入了2003年未患有心血管疾病的45-90歲患者。將數據庫分配到訓練數據集（204,896名患者）和測試數據集（51,210名患者）中。從數據庫中提取了總共6,717個臨床變量（包括年齡，性別，疾病診斷和藥物使用以及時間信息）。使用兩種常用的機器學習方法（梯度提升決策樹 [GBDT] 和邏輯回歸 [LR]）來開發急性冠狀動脈症候群預測模型。

在訓練數據集中，人口的平均年齡為59.2歲，722例患者有急性冠狀動脈症候群住院病史。GBDT達到0.821的AUC值（95％信賴區間，0.817-0.824），而LR可達到AUC值0.800（95％信賴區間，0.796-0.803）。GBDT模型顯示出比LR模型顯著更高的預測性能（DeLong test：p = 0.0017）。年齡是這些預測模型中最重要的因素。需要進一步的研究來確定這類機器學習技術是否可以改善臨床實踐。