La variabilidad de la frecuencia cardíaca ha demostrado ser una herramienta válida en la definición del pronóstico de pacientes con insuficiencia cardíaca congestiva (ICC). Investigaciones previas han documentado el análisis de la gráfica de Poincaré como un enfoque valioso para estudiar el rendimiento de la variabilidad de la frecuencia cardíaca entre diferentes sujetos. En este documento, exploramos la posibilidad de alimentar algoritmos de aprendizaje automático (ML) utilizando parámetros cuantitativos no convencionales extraídos de las gráficas de Poincaré (generadas a partir de registros de electrocardiograma de 24 horas) para clasificar a los pacientes con ICC pertenecientes a diferentes clases de la Asociación de Corazón de Nueva York (NYHA). Realizamos en secuencia las siguientes investigaciones: primero, se llevó a cabo un análisis estadístico sobre 9 parámetros morfológicos, medidos automáticamente a partir de las gráficas de Poincaré. Posteriormente, se realizó una selección de características a través de un envoltorio con un método de validación cruzada de 10 pliegues para encontrar el mejor subconjunto de características que maximizara la precisión de la clasificación para cada algoritmo de ML considerado. Finalmente, la clasificación de pacientes se evaluó a través de un análisis de ML utilizando los algoritmos AdaBoost de Árbol de Decisión, k-Vecinos Más Cercanos y Naive Bayes. Un análisis estadístico univariado demostró que 5 de los 9 parámetros presentaban diferencias estadísticamente significativas entre pacientes de distintas clases de NYHA; de manera similar, una regresión logística multivariante confirmó la importancia del parámetro en la separabilidad entre clases de bajo y alto riesgo. El análisis de ML logró resultados prometedores en términos de métricas de evaluación (especialmente el algoritmo de Naive Bayes), con precisión superior al 80% e índices de Área Bajo la Curva de Característica Operativa del Receptor superiores a 0.7 para los tres algoritmos en general. El estudio indica que las características propuestas tienen un poder predictivo para discriminar las clases de NYHA, a las cuales las características parecen estar correlacionadas de manera uniforme. A pesar de que la clasificación de NYHA es subjetiva y fácilmente reconocida por los cardiólogos, la relevancia potencial en la cardiología clínica de las características propuestas y los prometedores resultados de ML implican que la metodología podría ser un enfoque valioso para clasificar automáticamente la ICC. Investigaciones futuras en conjuntos de datos enriquecidos podrían confirmar aún más la evidencia presentada.