La enfermedad cardiovascular (ECV) es una de las principales causas de mortalidad en todo el mundo. Esto subraya la necesidad crítica de implementar herramientas predictivas efectivas para informar la toma de decisiones clínicas. Este estudio tuvo como objetivo comparar el rendimiento predictivo de algoritmos de aprendizaje en conjunto, incluyendo Bagging, Random Forest, Extra Trees, Gradient Boosting y AdaBoost, cuando se aplicaron a un conjunto de datos clínicos que comprende pacientes con ECV. La metodología implicó el preprocesamiento de datos y la validación cruzada para regular la generalización. El rendimiento del modelo se evaluó utilizando una variedad de métricas, incluyendo precisión, puntuación F1, precisión, recuperación, Kappa de Cohen y área bajo la curva (AUC). Entre los modelos evaluados, Bagging demostró el mejor rendimiento general (precisión +/- SD: 93.36% +/- 0.22; puntuación F1: 0.936; AUC: 0.9686). También alcanzó el rango promedio más bajo (1.0) en la prueba de Friedman y fue colocado, junto con Extra Trees (precisión +/- SD: 90.76% +/- 0.18; puntuación F1: 0.916; AUC: 0.9689), en el grupo estadístico superior (grupo A) según la prueba post hoc de Nemenyi. Los dos modelos demostraron un alto grado de acuerdo con las etiquetas reales (Kappa: 0.87 y 0.83, respectivamente), lo que respalda su fiabilidad en contextos clínicos auténticos. Los hallazgos respaldaron la preeminencia de los métodos de conjunto basados en agregación en términos de precisión, estabilidad y concordancia. Esto subrayó la prominencia de Bagging y Extra Trees como candidatos óptimos para sistemas de soporte diagnóstico cardiovascular, donde la fiabilidad y la generalización eran primordiales.