El ictus es un importante problema de salud pública con significativas consecuencias económicas. Este estudio tiene como objetivo mejorar la predicción del ictus abordando conjuntos de datos desequilibrados y sesgos algorítmicos. Nuestra investigación se centra en detectar de manera precisa y precisa la posibilidad de un ictus para ayudar en la prevención. Abordamos el aspecto pasado por alto de los conjuntos de datos desequilibrados en la literatura médica. Nuestro estudio se enfoca en predecir el ictus en un contexto general en lugar de subtipos específicos. Esta aclaración no solo garantizará una comprensión clara del alcance de nuestro estudio, sino que también mejorará la transparencia general y el impacto de nuestros hallazgos. Construimos un modelo de optimización y describimos una metodología efectiva y algoritmos para la clasificación de aprendizaje automático, que acomoda datos faltantes y desequilibrios. Nuestros modelos superan los esfuerzos previos en la predicción del ictus, demostrando una mayor sensibilidad, especificidad, precisión y exactitud. La calidad de los datos y el preprocesamiento juegan un papel crucial en el desarrollo de modelos confiables. El algoritmo propuesto utilizando SVMs logra una precisión del 98% y una puntuación de recuerdo del 97%. El análisis de datos en profundidad y las técnicas avanzadas de aprendizaje automático mejoran la predicción del ictus. Esta investigación destaca el valor de los enfoques orientados a los datos, lo que conduce a una mayor precisión y comprensión de los factores de riesgo de ictus. Estos métodos pueden aplicarse a otros dominios médicos, beneficiando la atención al paciente y los resultados de salud pública. Al incorporar nuestros hallazgos, la eficiencia y efectividad del sistema de salud pública pueden mejorarse.