На обучающей выборке, состоящей из групп пациентов успешно прооперированных и прооперированных с перфорациями коронарных артерий пациентов, из всех клинико-ангиографических признаков с
использованием критерия хи-квадрат отобрано 13 информативных. Так как классы обучающей выборки
несбалансированы, то для наблюдений класса обучающей выборки меньшего объема, назначались веса, которые
определяли потери от неправильной классификации. В качестве методов классификации использовались
логистическая регрессия, метод опорных векторов, деревья решений и случайный лес. Найдены оптимальные
гиперпараметры для рассмотренных моделей. ROC-анализ показал достаточно высокую точность классификации
пациентов. The training set consists of groups of patients who have been successfully operated on and have been
operated on with perforation of the coronary arteries. Chi-squared test was used to select important features from all clinical
and angiographic features. Class weight for the class with smaller number of samples was modified to increase loss from
misclassification because of class imbalance in the training set. Logistic regression, support vector machine, decision tree
and random forest were selected for classification. Hyperparameters are optimized for the considered models. ROC analysis
showed a fairly high accuracy of patient classification.