Значимость анализа выживаемости в задачах медицинского характера привела к развитию множества подходов к моделированию функции выживаемости. Модели, построенные с помощью различных методов машинного обучения, имеют сильные и слабые стороны с точки зрения различительной производительности и возможностей калибровки, но ни одна модель не является лучшей для всех наборов данных или даже для всех временных горизонтов в пределах одного набора данных. Актуальность исследования обусловлена тем, что не всегда базовые модели и ансамблевые подходы позволяют построить хорошую модель выживаемости для разных временных горизонтов. В связи с этим, данная статья направлена на описание применения нового подхода, который объединяет различные базовые модели для создания достоверной функции выживаемости, которая предоставляет возможности для настройки и имеет хорошие дискриминантные характеристики в различных временных горизонтах. В ходе исследования было рассмотрено шесть базовых моделей анализа выживаемости после инфаркта миокарда: непараметрические методы (модель пропорциональных рисков Кокса, модель пропорциональных рисков Кокса с использованием гребневой регрессии), параметрические модели (логистическая модель нормального распределения, логистическая модель экспоненциального распределения, метода распределения Вейбулла) и ансамблевая модель (случайный лес). Ведущим подходом к решению данной проблемы является применение усовершенствованного метода – временного квилтинга. В статье показано сравнение данного подхода с базовыми относительно точности и оценки калибровки модели. По результатам исследования выявлено, что наиболее эффективной оказалась модель временного квилтинга, а наименее эффективной – модель случайного леса. Поскольку усовершенствованный подход автоматически находит аппроксимацию наилучшей модели выживания, он дает возможность клиницистам избавиться от траты времени на поиск одной конкретной модели выживания для каждого набора данных и для каждого интересующего временного горизонта.