La enfermedad cardíaca es un importante problema de salud global, contribuyendo a altas tasas de morbilidad y mortalidad. La predicción temprana y precisa de la enfermedad cardíaca es crucial para prevenir y manejar efectivamente la condición. Sin embargo, esto sigue siendo una tarea desafiante de lograr. Este estudio propone un modelo de aprendizaje automático que aprovecha varios pasos de preprocesamiento, técnicas de optimización de hiperparámetros y algoritmos de aprendizaje de conjunto para predecir la enfermedad cardíaca. Para evaluar el rendimiento de nuestro modelo, fusionamos tres conjuntos de datos de Kaggle que tienen características similares, creando un conjunto de datos integral para el análisis. Al emplear el clasificador de árbol extra, normalizar los datos, utilizar la validación cruzada de búsqueda en cuadrícula (CV) para la optimización de hiperparámetros y dividir el conjunto de datos con una relación de 80:20 para entrenamiento y prueba, nuestro enfoque propuesto logró una precisión impresionante del 98.15%. Estos hallazgos demostraron el potencial de nuestro modelo para predecir con precisión la presencia o ausencia de enfermedad cardíaca. Tales predicciones precisas podrían ayudar significativamente en la prevención temprana, detección y tratamiento, reduciendo en última instancia la mortalidad y morbilidad asociadas con la enfermedad cardíaca.