La enfermedad coronaria es un tipo de enfermedad cardiovascular caracterizada por la placa aterosclerótica, que causa infarto de miocardio o muerte súbita cardíaca. Dado que este ataque al corazón repentino no tiene síntomas aparentes, se requiere la detección temprana de los factores de riesgo para la enfermedad coronaria. Se han realizado muchos estudios para diagnosticar enfermedades cardíacas, incluidos estudios que probaron varios clasificadores, selección de características y modelos de detección en varios conjuntos de datos de enfermedad coronaria. Como resultado, esta investigación tiene como objetivo aprender sobre el efecto del algoritmo de optimización de enjambre de abejas combinado con Q-learning para optimizar la selección de características en la mejora de la predicción de enfermedades cardíacas. Este modelo de detección se probó contra varios métodos de clasificación y se evaluó en función de múltiples medidas de rendimiento, como precisión, exactitud, recuperación y el área bajo la curva (AUC), para identificar el mejor modelo para la predicción de enfermedades cardíacas y el beneficio de la comunidad médica. Los resultados de las pruebas muestran que el método propuesto supera el proceso existente en lo que respecta a la selección de características.