本研究采用CDC WONDER数据库中1999-2021年ICD-10编码为AML的患者死亡率数据集。所有模型统一构建了特征变量，包括人口统计学指标、时间指标、州级人口密度以及5年滞后死亡数。

数据按时间分割，其中最后20%（2017-2021年）的数据预留作测试集。研究开发了基于序列和非序列的模型：采用基于滑动窗口的LSTM进行序列建模，同时则采用XGBoost、Random Forest、LightGBM和SVM作为包含滞后特征和交互项的非序列方法。模型性能通过MAE、RMSE和MAPE进行评估。

该研究的死亡趋势分析显示，男性死亡人数始终高于女性（1999年为1232例 vs 943例，2020年为3703例 vs 2205例）。此外，白种人的死亡人数显著高于亚裔人群，2020年白种人死亡人数达到峰值（5891例）。

在预测模型性能评估中，XGBoost 模型的准确性最高：MAE为9.58，RMSE为13.72，MAPE更是低至0.21%。SVM和Random Forest紧随其后，MAPE分别为1.62%和1.79%；而LSTM和LightGBM表现相对滞后，MAPE分别为2.65%和3.89%。

综上，本研究表明XGBoost模型不仅预测准确性更优，计算效率也更高，这对“深度学习在时间序列健康数据中必然更优”的观点提出了挑战。未来研究应致力于开发混合机器学习模型，以进一步提升对死亡风险的预测效果。