Los accidentes cerebrovasculares, la cesación abrupta del flujo sanguíneo al cerebro, provocan una cascada de eventos que resultan en daño celular debido a la privación de oxígeno y nutrientes. Los factores contemporáneos del estilo de vida, incluidos los altos niveles de glucosa, enfermedades cardíacas, obesidad y diabetes, aumentan el riesgo de accidente cerebrovascular. Esta investigación investiga la aplicación de algoritmos robustos de aprendizaje automático (ML), incluidos la regresión logística (LR), el bosque aleatorio (RF) y el vecino más cercano (KNN), para la predicción de accidentes cerebrovasculares. Los datos de accidentes cerebrovasculares se recopilan del Repositorio de Harvard Dataverse. Los datos incluyen datos clínicos, fisiológicos, conductuales, demográficos e históricos. La Técnica de Sobremuestreo Minoritario Sintético (SMOTE), el muestreo sintético adaptativo (ADASYN) y la Técnica de Sobremuestreo Aleatorio (ROSE) se utilizan para abordar los desequilibrios de clase y mejorar la precisión de las clases minoritarias. Para abordar el desafío de predecir accidentes cerebrovasculares a partir de datos fisiológicos parciales y desequilibrados, este estudio introduce un nuevo enfoque híbrido de ML combinando un método de aprendizaje automático con una técnica de sobremuestreo llamada ADASYN_RF. ADASYN es una técnica de sobremuestreo utilizada para remuestrear el conjunto de datos desequilibrado y luego se implementa RF en el conjunto de datos remuestreado. Además, se implementan otras técnicas de sobremuestreo y modelos de ML para comparar los resultados. Notablemente, el algoritmo RF emparejado con ADASYN logra un rendimiento excepcional del 99% de precisión de detección, demostrando su dominio en la predicción de accidentes cerebrovasculares. El enfoque propuesto permite una predicción precisa y rentable de accidentes cerebrovasculares, proporcionando una herramienta valiosa para el diagnóstico clínico.