El monitoreo remoto de las actividades vitales de un paciente se ha vuelto cada vez más importante en el manejo de diversas aplicaciones médicas. En particular, las técnicas de aprendizaje automático (ML) se han utilizado ampliamente para analizar las señales de electrocardiograma (ECG) en pacientes cardíacos para clasificar el estado de salud del corazón. Esta tendencia está impulsada en gran medida por el creciente interés en el diagnóstico asistido por computadora basado en algoritmos de ML. Sin embargo, ha habido una investigación inadecuada sobre el impacto de los factores de riesgo en la salud del corazón, lo que dificulta la capacidad de identificar problemas relacionados con el corazón y predecir las condiciones de los pacientes cardíacos. En este contexto, el desarrollo de un enfoque de clasificación basado en GUI puede facilitar significativamente el monitoreo en línea y proporcionar advertencias en tiempo real al predecir posibles complicaciones. En este documento, se propone una estructura de marco general para sistemas de monitoreo médico en tiempo real para modelar las señales vitales de los pacientes cardíacos con el fin de predecir el estado del paciente. El enfoque propuesto analiza intervenciones impulsadas por IA para proporcionar un diagnóstico cardíaco más preciso y un sistema de monitoreo en tiempo real. Para demostrar aún más la validez del enfoque presentado, lo empleamos en un sistema de seguimiento remoto basado en LabVIEW para predecir tres estados de salud (estable, inestable no crítico e inestable crítico). El sistema de monitoreo desarrollado recibe diversas informaciones sobre las señales vitales de los pacientes, y luego aprovecha un algoritmo de aprendizaje automático basado en codificación novedoso para preprocesar, analizar y clasificar el estado del paciente. El clasificador ANN desarrollado y el modelo ML basado en codificación propuesto se comparan con otros modelos ML convencionales, como Naive Bayes, SVM y KNN para la evaluación de la precisión del modelo. Los resultados obtenidos demuestran la eficacia del clasificador ANN presentado y de las aproximaciones ML basadas en codificación al lograr una precisión de y para el clasificador ANN desarrollado y la técnica basada en codificación propuesta, respectivamente, mientras que Naive Bayes y los algoritmos SVM cuadráticos logran y , respectivamente. En resumen, este estudio tiene como objetivo explorar cómo los algoritmos de ML pueden mejorar la precisión del diagnóstico, mejorar el monitoreo en tiempo real y optimizar los resultados del tratamiento. Mientras tanto, el sistema de seguimiento propuesto supera a la mayoría de los sistemas de monitoreo existentes al ofrecer una alta precisión de clasificación del estado de salud del corazón y una interfaz interactiva fácil de usar. Por lo tanto, potencialmente se puede utilizar para mejorar el rendimiento del monitoreo remoto de la salud para pacientes cardíacos.