Antecedentes: La enfermedad cardíaca sigue siendo una de las principales causas de mortalidad en todo el mundo, lo que enfatiza la urgente necesidad de herramientas de diagnóstico confiables y tempranas. Los métodos de predicción precisos pueden apoyar intervenciones oportunas y mejorar los resultados de los pacientes. Métodos: Este estudio presenta el desarrollo y la evaluación comparativa de múltiples modelos de aprendizaje automático para la predicción de enfermedades cardíacas utilizando un conjunto de datos clínicos estructurados. Se implementaron algoritmos como Regresión Logística, Bosque Aleatorio, Máquina de Vectores de Soporte (SVM), XGBoost y Redes Neuronales Profundas. Además, se propuso un modelo de conjunto híbrido que combina XGBoost y SVM. Los modelos se evaluaron utilizando métricas clave de rendimiento, incluyendo precisión, exactitud, recuperación y puntuación F1. Resultados: Entre todos los modelos, el modelo híbrido propuesto demostró el mejor rendimiento, logrando una precisión del 89.3%, una exactitud de 0.90, una recuperación de 0.91 y una puntuación F1 de 0.905, superando a todos los clasificadores individuales. Estos resultados destacan los beneficios de combinar algoritmos complementarios para mejorar la generalización y la fiabilidad del diagnóstico. Conclusiones: Los hallazgos subrayan la efectividad de las técnicas de conjunto y aprendizaje profundo para abordar desafíos clave como el desequilibrio de datos, la selección de características y la interpretabilidad del modelo. El modelo híbrido propuesto muestra un potencial significativo como herramienta de apoyo a la decisión clínica, contribuyendo a una mayor precisión diagnóstica y apoyando a los profesionales médicos en entornos del mundo real.