Amaç: Yapay Zekâ (YZ) ve Makine Öğrenmesi (MÖ) alanındaki gelişmeler, tıbbi tanı süreçlerini kökten değiştirmiş olup kritik durumların erken tespiti ve risk değerlendirmesi için yeni olanaklar sunmaktadır. Bu çalışma, makine öğrenmesi modellerini kullanarak Akut Koroner Sendrom (AKS) öngörüsünü yapmayı ve Troponin T, Trombosit (PLT) ve Ortalama Trombosit Hacmi (MPV) biyobelirteçleriyle ilişkisini değerlendirmeyi amaçlamaktadır. Temel hedef, laboratuvar parametrelerine dayalı olarak yüksek riskli hastaların belirlenmesinde MÖ algoritmalarının etkinliğini incelemek ve erken müdahale stratejilerini geliştirmektir. Gereç ve Yöntem: Acil servise başvuran toplam 4092 hasta retrospektif olarak incelendi. Bunların 3640’ı sağ kaldı, 452’si ex oldu. Çalışma popülasyonu 2427 erkek ve 1665 kadından oluştu. Random Forest algoritmasıyla yapılan özellik önem analizi sonucunda, AKS ve mortalite riskini öngörmede en kritik biyobelirteçler Troponin T, PLT ve MPV olarak belirlendi. Tahmin doğruluğunu artırmak için üç makine öğrenmesi modeli-Gradient Boosting, XGBoost ve Karar Ağacı-uygulandı ve değerlendirildi. Gradient Boosting modeli %73,99 doğruluk ve 0,6058 ROC AUC değeri ile en iyi genel performansı gösterdi. XGBoost modeli %69,11 doğruluk ve 0,6054 ROC AUC değeri ile yakın sonuç verdi. Karar Ağacı modeli %77,29 doğruluk oranına sahip olsa da, 0,5623 ROC AUC değeri AKS olgularını ayırt etmede zayıf duyarlılık gösterdi. Tüm modeller doğruluk, ROC AUC değerleri, karışıklık matrisleri ve sınıflandırma raporlarına göre değerlendirildi. Bulgular: Gradient Boosting ve XGBoost modelleri güçlü öngörü yetenekleri sergiledi; Gradient Boosting en yüksek sınıflandırma doğruluğunu (%73,99) elde etti. Karar Ağacı modeli en yüksek doğruluk oranına ulaşmasına rağmen, ROC AUC değerinin düşük olması (0,5623) nedeniyle AKS pozitif ve negatif vakaları ayırt etmede sınırlı kaldı. Ayrıca, Troponin T, MPV ve PLT değerlerinde anormallik olan hastaların AKS gelişim riski anlamlı derecede yüksek bulundu. Sonuç: Bu çalışma, akut koroner sendromun öngörülmesinde yapay zekânın önemini vurgulamakta ve Troponin T, PLT ile MPV’nin kritik biyobelirteçler olduğunu göstermektedir. Acil servislerde makine öğrenmesi modellerinin entegrasyonu, yüksek riskli AKS hastalarının daha doğru belirlenmesine olanak sağlayarak erken müdahale ve mortalite oranlarının düşürülmesine katkı sağlayabilir. Gelecek araştırmaların, ileri topluluk öğrenme yöntemleri (Random Forest, XGBoost, Derin Öğrenme) ve ek klinik değişkenlerin entegrasyonu ile tahmin performansını daha da artırması beklenmektedir. YZ tabanlı tanısal modeller, acil tıpta erken AKS tespitini geliştirerek hasta bakımını optimize etmede ve veri odaklı karar vermede kritik bir rol oynayabilir.