La insuficiencia cardíaca crónica (ICC) es un síndrome clínico caracterizado por síntomas y signos debido a anormalidades estructurales y/o funcionales del corazón. La ICC confiere riesgo de eventos de deterioro cardiovascular que causan hospitalizaciones recurrentes y altas tasas de mortalidad. La predicción temprana de estos eventos es muy importante para limitar consecuencias graves, mejorar la calidad de la atención y reducir su carga. La ICC es una condición progresiva en la que los pacientes pueden permanecer asintomáticos antes de la aparición de síntomas, como se observa en la insuficiencia cardíaca con fracción de eyección preservada. La detección temprana de las causas subyacentes es crítica para la optimización del tratamiento y la mejora del pronóstico. Para desarrollar modelos que predigan eventos de deterioro cardiovascular en pacientes con insuficiencia cardíaca crónica, se construyó un conjunto de datos real y se implementó una tarea de descubrimiento de conocimiento en este estudio. El conjunto de datos está desbalanceado, como es común en aplicaciones del mundo real. Esto planteó un desafío porque los conjuntos de datos desbalanceados tienden a ser abrumados por la abundancia de instancias de la clase mayoritaria durante el proceso de aprendizaje. Para abordar el problema, se desarrolló una tubería específicamente para manejar datos desbalanceados. Se desarrollaron y compararon diferentes modelos predictivos. Para mejorar la sensibilidad y otros métricas de rendimiento, empleamos múltiples enfoques, incluyendo re-muestreo de datos, métodos sensibles al costo y un método híbrido que combina ambas técnicas. Estos métodos se utilizaron para evaluar las capacidades predictivas de los modelos y su efectividad en el manejo de datos desbalanceados. Al utilizar estas métricas, nuestro objetivo fue identificar las estrategias más efectivas para lograr un mejor rendimiento del modelo en escenarios reales con conjuntos de datos desbalanceados. El mejor modelo para predecir eventos cardiovasculares logró una sensibilidad media del 65%, una especificidad media del 55% y un área media bajo la curva de 0.71. Los resultados muestran que los modelos sensibles al costo combinados con enfoques de sobre/menos muestreo son efectivos para la predicción significativa de eventos cardiovasculares en pacientes con ICC.