基于机器学习的高危胸痛预测分析方法、装置及可读介质

本发明公开了一种基于机器学习的高危胸痛预测分析方法、装置及可读介质，涉及数据分析领域，包括：采用SMOTE‑ENN对数据集进行数据增强和去噪；采用基于树模型的特征重要性的序列前向选择法筛选处理后的数据集中的基线特征，利用Boruta算法验证筛选出的特征的有效性，得到重要特征；获取待预测的胸痛患者的重要特征的数值输入到经训练的胸痛风险分层预测模型，得到对应的胸痛风险分层结果；通过SHAP分析确定重要特征中的肌钙蛋白最大值为影响胸痛风险分层预测模型的预测结果的特征，分析肌钙蛋白最大值与院内死亡率之间的关系，确定院内死亡率最大所对应的肌钙蛋白最大值的数值。本发明解决胸痛风险分层预测的准确度低等问题。