심근경색 (Myocardial infarction, MI)은 주요 사망 원인이며, 그 부정적인 결과들을 예측하는 것이 시급합니다. 하지만 심전도 (ECG) 기반의 예후 모델들은 딥러닝 (Deep learning)이 의료 분야에서 희귀한 대규모의 라벨링된 데이터셋 (Labelled datasets)을 필요로 하기 때문에 성능이 저하됩니다. 파운데이션 모델 (Foundation models)은 자기지도 학습 (Self-supervision)을 통해 라벨링되지 않은 ECG로부터 학습할 수 있지만, 의학적으로 유의미한 학습 전략은 여전히 충분히 탐구되지 않은 상태입니다. 본 연구에서는 대조 학습 (Contrastive learning)을 사용하여 환자 특이적 시계열 정보를 결합하고, 지도 학습 기반의 멀티태스크 헤드 (Supervised multitask heads)를 사용하는 사전 학습된 인공지능 (Artificial intelligence) 모델을 제안하며, 이후 심근경색 (MI) 이후의 결과 예측을 위해 미세 조정 (Fine-tunes)을 수행합니다. 제안된 모델은 처음부터 학습된 모델보다 뛰어난 성능을 보였으며 (AUC 0.794 대 0.608), 이는 임상적으로 구조화된 ECG 모델링이 제한된 데이터 환경에서 분류 성능을 향상시킨다는 것을 보여줍니다.