La detección oportuna y precisa de enfermedades cardiovasculares (ECV) es de suma importancia para minimizar el riesgo de un infarto de miocardio. Las relaciones entre los factores de las ECV son complejas, mal definidas y no lineales, lo que justifica el uso de herramientas de inteligencia artificial. Estas herramientas ayudan a predecir y clasificar las ECV. En este artículo, proponemos una metodología utilizando enfoques de aprendizaje automático (ML) para predecir, clasificar y mejorar la precisión diagnóstica de las ECV, incluyendo regresión de vectores de soporte (SVR), splines de regresión adaptativa multivariante, el modelo M5Tree y redes neuronales para el proceso de entrenamiento. Además, se utilizan enfoques neurodifusos adaptativos y estadísticos, clasificadores de vecino más cercano/naive Bayes y el sistema de inferencia neurodifusa adaptativa (ANFIS) para predecir diecisiete factores de riesgo de ECV. Se emplean métodos de transformación y clasificación de datos mixtos para variables categóricas y continuas que predicen el riesgo de ECV. Comparamos nuestros modelos híbridos y técnicas de ML existentes en un conjunto de datos reales de ECV recopilados de un hospital. Se realiza un análisis de sensibilidad para determinar la influencia y exhibir las variables esenciales con respecto a las ECV, como la edad del paciente, el nivel de colesterol y el nivel de glucosa. Nuestros resultados informan que la metodología propuesta superó a enfoques estadísticos y de ML bien conocidos, mostrando su versatilidad y utilidad en la clasificación de ECV. Nuestra investigación indica que la precisión de predicción de ANFIS para el proceso de entrenamiento es del 96.56%, seguida de SVR con una precisión de predicción del 91.95%. Nuestro estudio incluye una comparación exhaustiva de los resultados obtenidos para los métodos mencionados.