Para abordar los problemas de capacitación insuficiente y baja precisión en modelos de predicción con tamaño de muestra pequeño y datos incompletos, se propone en este documento un nuevo marco SALGAN-CatBoost-SSAGA. Utilizamos el algoritmo estándar de vecinos más cercanos (K-nearest neighbor) para interpolar los valores faltantes en datos incompletos, y empleamos EllipticEnvelope para identificar valores atípicos. SALGAN, una red generativa adversarial con un mecanismo de autoatención de conciencia de etiquetas, se utiliza para generar muestras virtuales y aumentar la diversidad de los datos de entrenamiento para el modelo. Para evitar óptimos locales y mejorar la precisión y estabilidad del modelo de predicción estándar CatBoost, se adopta una combinación mejorada del Algoritmo de Búsqueda de Gorrión (SSA)-Algoritmo Genético (GA) para construir un modelo CatBoost-SSAGA efectivo para la advertencia de riesgos, en el cual el SSAGA se utiliza para la optimización global de parámetros de CatBoost. Se utiliza un conjunto de datos de enfermedad cardíaca de UCI para la predicción de riesgos de enfermedades cardíacas. Los resultados experimentales muestran la superioridad del modelo propuesto en términos de precisión, exactitud, sensibilidad y valores de F1, así como el AUC.