摘要目的 应用优化算法的支持向量机(support vector machine,SVM)结合合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)预测慢性心衰患者不良结局,提高分类模型预测性能.方法 顺序入选 2014年1 月至2017 年12 月,山西省两所三级甲等医院心内科确诊为慢性心力衰竭的1183 例住院患者,收集患者的病历资料.基于原始训练集构建logistic回归(logistic regression,LR)与支持向量机模型,同时结合SMOTE算法构建LR、SVM、遗传算法支持向量机(genetic algorithm support vector machine,GA-SVM)和粒子群支持向量机模型(particle swarm support vec-tor machine,PSO-SVM),通过灵敏度(sensitivity,SEN)、准确度(accuracy,ACC)、特异度(specificity,SPE)、G-means、F-measure、ROC曲线下面积(area under receiver operating characteristic curve,AUC)等指标综合评价各模型的分类性能.结果 相较于对原始数据进行直接分类,应用SMOTE技术均衡化数据集后,模型性能明显提高.均衡化训练集构建LR、SVM、GA-SVM和PSO-SVM模型结果表明,GA-SVM和PSO-SVM在SPE、ACC指标低于LR;SEN、G-means、F-measure和AUC均优于 LR.GA-SVM 和 PSO-SVM 的综合效果显著高于 SVM(SEN、G-means、F-measure 指标表现均优于SVM).结论 基于均衡化数据集构建GA-SVM或PSO-SVM模型可提高SVM对于心衰预后的预测性能.