Los recientes avances en el aprendizaje automático (ML) han mostrado una gran promesa en la detección de enfermedades cardíacas. Sin embargo, para asegurar la adopción clínica de los modelos de ML, estos deben ser no solo generalizables y robustos, sino también transparentes y explicables. Por lo tanto, esta investigación presenta un enfoque que integra la robustez de los algoritmos de aprendizaje en conjunto con la precisión de la optimización bayesiana para el ajuste de hiperparámetros y la interpretabilidad que ofrecen las explicaciones aditivas de Shapley (SHAP). Los clasificadores en conjunto considerados incluyen el aumento adaptativo (AdaBoost), el bosque aleatorio y el aumento extremo de gradiente (XGBoost). Los resultados experimentales en los conjuntos de datos de Cleveland y Framingham demuestran que el modelo XGBoost optimizado logró el mejor rendimiento, con valores de especificidad y sensibilidad de 0.971 y 0.989 en el conjunto de datos de Cleveland y 0.921 y 0.975 en el conjunto de datos de Framingham, respectivamente.