Enfermedad cardíaca es la principal causa de muerte a nivel mundial. El tipo más común de enfermedad cardíaca es la enfermedad coronaria, que ocurre cuando hay acumulación de placa dentro de las arterias que suministran sangre al corazón, dificultando la circulación sanguínea. La predicción de la enfermedad cardíaca es un desafío en el aprendizaje automático clínico. La detección temprana de personas en riesgo de la enfermedad es vital para prevenir su progresión. Este documento propone un enfoque de aprendizaje profundo para lograr una mejor predicción de la enfermedad cardíaca. Se desarrolla una red mejorada de autoencoders apilados escasos (SSAE) para lograr un aprendizaje de características eficiente. La red consta de varios autoencoders escasos y un clasificador softmax. Además, en modelos de aprendizaje profundo, los parámetros del algoritmo deben optimizarse adecuadamente para obtener un rendimiento eficiente. Por lo tanto, proponemos una técnica basada en optimización por enjambre de partículas (PSO) para ajustar los parámetros del autoencoder escaso apilado. La optimización por PSO mejora el aprendizaje de características y el rendimiento de clasificación del SSAE. Mientras tanto, la arquitectura de múltiples capas de autoencoders generalmente conduce a un cambio covariante interno, un problema que afecta la capacidad de generalización de la red; por lo tanto, se introduce la normalización por lotes para prevenir este problema. Los resultados experimentales muestran que el método propuesto predice de manera efectiva la enfermedad cardíaca al obtener una precisión de clasificación del 0,973 y 0,961 en los conjuntos de datos de enfermedades cardíacas de Framingham y Cleveland, respectivamente, superando así a otros métodos de aprendizaje automático y estudios similares.