Las enfermedades cardiovasculares reclaman millones de vidas cada año, sin embargo, el diagnóstico oportuno sigue siendo un desafío significativo debido al alto número de pacientes y los costos asociados. Aunque se han propuesto diversas soluciones de aprendizaje automático para este problema, la mayoría de los enfoques dependen de un cuidadoso preprocesamiento de datos y flujos de trabajo de ingeniería de características que podrían beneficiarse de una documentación más completa en las publicaciones de investigación. Para abordar este problema, este artículo presenta un marco de aprendizaje automático para predecir el riesgo de infarto en línea. Nuestra metodología sistemática integra un pipeline unificado que presenta un preprocesamiento de datos avanzado, selección de características optimizada y una búsqueda exhaustiva de hiperparámetros utilizando evaluación de cuadrícula validada cruzadamente. Empleamos una estrategia de ensamblaje de metamodelos, probando y combinando seis modelos supervisados tradicionales junto con seis modelos de ensamblaje de apilamiento y votación. El sistema propuesto logra precisiones que oscilan entre el 90.2% y el 98.9% en tres conjuntos de datos clínicos independientes, superando los métodos actuales de vanguardia. Además, potencia una aplicación web ligera y desplegable para soporte de decisiones en tiempo real. Al fusionar la inteligencia artificial de vanguardia con la usabilidad clínica, este trabajo ofrece una solución escalable para la intervención temprana en la atención cardiovascular.