Una suite de pruebas juega un papel clave en las pruebas de software. La prueba de mutación es un enfoque poderoso para medir la capacidad de detección de fallos de una suite de pruebas. El proceso de prueba de mutación requiere que se generen y ejecuten un gran número de mutantes. Por lo tanto, la prueba de mutación también es computacionalmente costosa. Para resolver este problema, la prueba de mutación predictiva construye un modelo de clasificación para predecir el resultado de la prueba de cada mutante. Sin embargo, los métodos de prueba de mutación predictiva existentes solo se pueden utilizar para estimar los puntajes de mutación generales de programas orientados a objetos. Para superar las deficiencias de los métodos existentes, proponemos un nuevo método para predecir directamente el puntaje de mutación para cada declaración en programas orientados a procesos. En comparación con los métodos de prueba de mutación predictiva existentes, nuestro método utiliza más características de ejecución de programas dinámicos, que reflejan de manera más adecuada las relaciones de dependencia dinámica entre las declaraciones y reflejan de manera más precisa la propagación de información durante la ejecución de casos de prueba. Al comparar los efectos de predicción de regresión logística, red neuronal artificial, bosque aleatorio, máquina de vectores de soporte y regresión simbólica, finalmente decidimos utilizar una red neuronal feedforward de una sola capa oculta como modelo predictivo para predecir los puntajes de mutación de las declaraciones. En nuestros dos experimentos, los errores absolutos medios entre los puntajes de mutación de las declaraciones predichos por la red neuronal y los puntajes de mutación reales de las declaraciones alcanzan aproximadamente 0.12.