Las enfermedades cardiovasculares (ECV) son la principal causa de muerte a nivel mundial. La detección de este tipo de enfermedades representa la principal preocupación de muchos científicos, y se han desarrollado técnicas pertenecientes a varios campos para lograr predicciones precisas. El objetivo del documento es investigar el potencial de los métodos clásicos, evolutivos y basados en aprendizaje profundo para diagnosticar ECV y presentar un par de técnicas híbridas complejas que combinan algoritmos de optimización de hiperparámetros con dos de los procedimientos de clasificación más exitosos: máquinas de vectores de soporte (SVM) y redes neuronales de memoria a corto y largo plazo (LSTM). Los algoritmos resultantes se probaron en dos conjuntos de datos públicos: los datos registrados por la Fundación de la Clínica Cleveland para la Enfermedad Cardíaca junto con su extensión Statlog, dos de las bases de datos médicas más significativas utilizadas en la predicción automatizada. Se realizaron una larga serie de simulaciones para evaluar la precisión de los métodos analizados. En nuestros experimentos, utilizamos la puntuación F1 y el MSE (error cuadrático medio) para comparar el rendimiento de los algoritmos. Los resultados establecidos experimentalmente junto con consideraciones teóricas demuestran que los métodos propuestos superan tanto a los estándar como a los métodos estadísticos considerados. Hemos desarrollado mejoras a los algoritmos con mejor rendimiento que aumentan aún más la calidad de sus resultados, siendo una herramienta útil para ayudar a los profesionales en el diagnóstico de ECV en etapas tempranas.