Antecedentes: El síndrome coronario agudo (SCA) es una enfermedad cardiovascular grave con una incidencia y tasas de mortalidad en aumento a nivel mundial. Las herramientas tradicionales de evaluación de riesgos son ampliamente utilizadas pero están limitadas debido a la complejidad de los datos. Métodos: Este estudio presenta un modelo de Transformador con compuerta que utiliza aprendizaje automático para analizar registros de salud electrónicos (RSE) para una predicción mejorada de eventos cardiovasculares adversos mayores (ECAM) en pacientes con SCA. La eficacia del modelo se evaluó utilizando métricas como el área bajo la curva (AUC), precisión-recuperación (PR) y puntuaciones F1. Además, se desarrolló una plataforma de gestión de pacientes para facilitar estrategias de tratamiento personalizadas. Resultados: La incorporación de un mecanismo de compuerta mejoró sustancialmente el rendimiento del modelo de Transformador, especialmente en la identificación de casos verdaderos positivos. El modelo TabTransformer+Gate demostró un AUC de 0.836, un aumento del 14% en la precisión promedio (AP) y una mejora del 6.2% en la precisión, superando significativamente a otros enfoques de aprendizaje profundo. La plataforma de gestión de pacientes permitió a los profesionales de la salud evaluar de manera efectiva los riesgos de los pacientes y adaptar los tratamientos, mejorando los resultados y la calidad de vida de los pacientes. Conclusión: La integración de un mecanismo de compuerta dentro del modelo de Transformador aumenta notablemente la precisión de las predicciones de riesgo de ECAM en pacientes con SCA, optimiza el tratamiento personalizado y presenta un enfoque novedoso para avanzar en la práctica clínica e investigación.