Enfermedad cardíaca es una de las principales causas de mortalidad a nivel mundial, requiriendo detección temprana para una intervención médica efectiva y oportuna. En este estudio, proponemos un modelo basado en aprendizaje automático para la predicción temprana de enfermedades cardíacas. Este modelo se entrena en un conjunto de datos del Repositorio de Aprendizaje Automático de UC Irvine (UCI) y emplea el Clasificador de Árboles Extra para realizar la selección de características. Para garantizar un entrenamiento robusto del modelo, estandarizamos este conjunto de datos utilizando el método StandardScaler para la estandarización de datos, preservando así la forma de distribución y mitigando el impacto de los valores atípicos. Para la tarea de clasificación, introducimos un enfoque novedoso, que es la clasificación de votación de ensamble híbrido concatenado. Este método combina dos clasificadores de ensamble híbridos, cada uno utilizando un subconjunto distinto de clasificadores base de un conjunto que incluye Máquina de Vectores de Soporte, Árbol de Decisión, Vecino más Cercano, Regresión Logística, Adaboost y Bayesiano Ingenuo. Al aprovechar los clasificadores de ensamble concatenados, el modelo propuesto muestra algunos resultados de rendimiento prometedores; en particular, logra una precisión del 86.89%. Los resultados obtenidos resaltan la eficacia de combinar las fortalezas de varios clasificadores base en el problema de la predicción temprana de enfermedades cardíacas, facilitando así la intervención médica oportuna y efectiva.