La auscultación de los sonidos cardíacos es uno de los enfoques más ampliamente utilizados para detectar trastornos cardiovasculares. El diagnóstico de las anormalidades de los sonidos cardíacos utilizando un estetoscopio depende de la habilidad y juicio del médico. Varios estudios han mostrado resultados prometedores en la detección automática de trastornos cardiovasculares basados en señales de sonidos cardíacos. Sin embargo, el rendimiento de precisión necesita ser mejorado ya que la clasificación automatizada de sonidos cardíacos ayuda en la detección temprana y prevención de los efectos peligrosos de los problemas cardiovasculares. En este estudio, se realiza un método óptimo de clasificación de sonidos cardíacos basado en tecnologías de aprendizaje automático para la predicción de enfermedades cardiovasculares. Consiste en tres pasos: preprocesamiento que establece la duración de 5 s de los conjuntos de datos del PhysioNet Challenge 2016 y 2022, extracción de características utilizando coeficientes de cepstrum de frecuencia de Mel (MFCC), y clasificación utilizando búsqueda en cuadrícula para ajuste de hiperparámetros de varios algoritmos clasificadores incluyendo vecino más cercano (K-NN), bosque aleatorio (RF), red neuronal artificial (ANN) y máquina de vectores de soporte (SVM). Se utilizó validación cruzada de cinco pliegues para evaluar el rendimiento del método propuesto. El mejor modelo obtuvo una precisión de clasificación del 95.78% y 76.31%, que fue evaluada utilizando PhysioNet Challenge 2016 y 2022, respectivamente. Los hallazgos demuestran que el enfoque sugerido obtuvo excelentes resultados de clasificación utilizando PhysioNet Challenge 2016 y mostró resultados prometedores utilizando PhysioNet Challenge 2022. Por lo tanto, el método propuesto se ha desarrollado potencialmente como una herramienta adicional para facilitar al médico en el diagnóstico de la anormalidad del sonido cardíaco.