La prevalencia global de enfermedades cardiovasculares (ECVs) como causa principal de muerte destaca la necesidad imperativa de métodos refinados de evaluación de riesgos y pronósticos. Los enfoques tradicionales, incluyendo el Puntaje de Riesgo de Framingham, análisis de sangre, técnicas de imagen y evaluaciones clínicas, aunque ampliamente utilizados, se ven obstaculizados por limitaciones como la falta de precisión, la dependencia de variables de riesgo estáticas y la incapacidad de adaptarse a nuevos datos del paciente, lo que hace necesario explorar estrategias alternativas. En respuesta, este estudio presenta CardioRiskNet, un modelo híbrido basado en inteligencia artificial diseñado para superar estas limitaciones. El CardioRiskNet propuesto consta de siete partes: preprocesamiento de datos, selección y codificación de características, integración de Inteligencia Artificial Explicable (IAE), aprendizaje activo, mecanismos de atención, predicción y pronóstico de riesgos, evaluación y validación, y despliegue e integración. Al principio, los datos del paciente son preprocesados limpiando los datos, manejando los valores faltantes, aplicando un proceso de normalización y extrayendo las características. A continuación, se seleccionan las características más informativas y se convierten las variables categóricas en forma numérica. De manera distintiva, CardioRiskNet emplea el aprendizaje activo para seleccionar de forma iterativa muestras informativas, mejorando su eficacia de aprendizaje, mientras que su mecanismo de atención se enfoca dinámicamente en las características relevantes para una predicción de riesgos precisa. Además, la integración de IAE facilita la interpretabilidad y transparencia en los procesos de toma de decisiones. Según los resultados experimentales, CardioRiskNet demuestra un rendimiento superior en términos de precisión, sensibilidad, especificidad y puntaje F1, con valores del 98.7%, 98.7%, 99% y 98.7%, respectivamente. Estos hallazgos muestran que CardioRiskNet puede evaluar y pronosticar con precisión el riesgo de ECV, demostrando el poder del aprendizaje activo e IA para superar los métodos convencionales. Por lo tanto, el enfoque novedoso y el alto rendimiento de CardioRiskNet avanzan en la gestión de las ECV y proporcionan a los profesionales de la salud una herramienta poderosa para el cuidado de los pacientes.