La variación de la frecuencia cardíaca es una señal no estacionaria y su variación puede contener indicadores de enfermedades actuales o advertencias sobre enfermedades cardíacas inminentes. Por lo tanto, el análisis de la variación de la frecuencia cardíaca se ha convertido en una herramienta no invasiva para estudiar más a fondo las actividades del sistema nervioso autónomo. En este escenario, el análisis del gráfico de Poincaré ha demostrado ser una herramienta valiosa para respaldar el diagnóstico de enfermedades cardíacas. El objetivo del estudio es una exploración preliminar de la viabilidad del aprendizaje automático para clasificar sujetos pertenecientes a cinco estados cardíacos (saludable, hipertensión, infarto de miocardio, insuficiencia cardíaca congestiva y trasplante cardíaco) utilizando diez parámetros cuantitativos no convencionales extraídos de mapas de Poincaré bidimensionales y tridimensionales. Se utilizó la Plataforma Analítica Knime para implementar varios algoritmos de aprendizaje automático: Gradient Boosting, Adaptive Boosting, k-Nearest Neighbor y Naïve Bayes. La precisión, sensibilidad y especificidad se calcularon para evaluar el rendimiento de los modelos predictivos utilizando la validación cruzada de dejar uno fuera. La técnica de Sobremuestreo Minoritario Sintético se realizó previamente para la ampliación de datos considerando el tamaño pequeño del conjunto de datos y el número de características. Se calculó una importancia de características, clasificada en función de los valores de Ganancia de Información. Preliminarmente, se realizó un análisis estadístico univariado a través de Kruskal Wallis unidireccional más post-hoc para todas las características. El análisis de aprendizaje automático logró resultados interesantes en términos de métricas de evaluación, como se demostró por Adaptive Boosting y k-Nearest Neighbor (precisión superior al 90%). Gradient Boosting y k-Nearest Neighbor alcanzaron incluso una puntuación del 100% en sensibilidad y especificidad, respectivamente. Las características más importantes según la ganancia de información están en línea con los resultados obtenidos del análisis estadístico, confirmando su poder predictivo. El estudio muestra que la combinación propuesta de características no convencionales extraídas de mapas de Poincaré y algoritmos de aprendizaje automático bien conocidos representa un enfoque valioso para clasificar automáticamente a pacientes con diferentes enfermedades cardíacas. Investigaciones futuras en conjuntos de datos enriquecidos confirmarán aún más la aplicación potencial de esta metodología en el diagnóstico.