急性心筋梗塞（AMI）後の悪性心室性不整脈（VT/VF）は院内死亡の主要な原因ですが、早期の特定は臨床的な課題です。本研究では、大規模な心電図（ECG）基盤モデル（ECGFounder）と解釈可能なXGBoost分類器を統合したハイブリッド予測フレームワークを開発し、精度と解釈可能性を向上させることを目的としました。6,634件のECG記録を分析し、その中で175件が院内VT/VFを経験しました。ECGFounderモデルは150次元の診断確率特徴を抽出し、特徴選択を通じてXGBoost分類器を訓練しました。モデルのパフォーマンスはAUCとF1スコアで評価され、SHAP法による解釈も行いました。ECGFounder + XGBoostモデルはAUC0.801を達成し、従来のKNNやRNN、1D-CNNと比較して優れた性能を示しました。このハイブリッドフレームワークにより、臨床的に信頼できるAI決定支援システムの構築に役立つことが確認されました。