La enfermedad de las arterias coronarias (CAD) es una enfermedad con alta mortalidad y discapacidad. Hasta 2019, había 197 millones de pacientes con CAD en el mundo. Además, el número de años de vida ajustados por discapacidad (AVAD) debido a la CAD alcanzó los 182 millones. Es ampliamente conocido que el diagnóstico temprano y preciso de la CAD es el método más eficiente para reducir el daño de la CAD. En la práctica médica, la angiografía coronaria se considera la base más confiable para el diagnóstico de la CAD. Sin embargo, lamentablemente, debido a la limitación del equipo de inspección y los recursos expertos, muchos países de ingresos bajos y medianos no tienen la capacidad de realizar angiografías coronarias. Esto ha llevado a una gran pérdida de vidas y carga médica. Por lo tanto, muchos investigadores esperan lograr el diagnóstico preciso de la CAD basado en datos de exámenes médicos convencionales con la ayuda de la tecnología de aprendizaje automático y minería de datos. El objetivo de este estudio es proponer un modelo para la detección temprana, precisa y rápida de la CAD basado en datos comunes de pruebas médicas. Este modelo utilizó el algoritmo de regresión logística clásico, que es el más utilizado en la investigación de modelos médicos como clasificador. Se utilizaron las ventajas de selección de características y combinación de características de modelos de árbol para resolver el problema de ingeniería de características manual en la regresión lógica. Al mismo tiempo, para resolver el problema de desequilibrio de clases en el conjunto de datos de Z-Alizadeh Sani, se aplicaron cinco métodos diferentes de equilibrio de clases para equilibrar el conjunto de datos. Además, de acuerdo con las características del conjunto de datos, también adoptamos métodos de preprocesamiento apropiados. Estos métodos mejoraron significativamente el rendimiento de clasificación del clasificador de regresión logística en términos de precisión, sensibilidad, precisión, puntaje F1, especificidad y AUC cuando se utilizó para la detección de CAD. La mejor precisión, sensibilidad, puntaje F1, precisión, especificidad y AUC fueron del 94,7%, 94,8%, 94,8%, 95,3%, 94,5% y 0,98, respectivamente. Los experimentos y resultados han confirmado que, de acuerdo con los datos comunes de exámenes médicos, nuestro modelo propuesto puede identificar con precisión a los pacientes con CAD en la etapa temprana de la CAD. Nuestro modelo propuesto puede ayudar a los médicos a tomar decisiones diagnósticas en la práctica clínica.