Las enfermedades cardiovasculares (ECV) se encuentran entre las principales causas globales de mortalidad, subrayando la necesidad de detección temprana y manejo efectivo. Este estudio presenta un novedoso modelo de predicción para ECV utilizando un algoritmo de ensacado que incorpora el aumento de gradiente de histograma como estimador. Este estudio aprovecha tres conjuntos de datos cardiovasculares preprocesados, empleando la técnica de Factor Local de Outliers para la eliminación de valores atípicos y el método de ganancia de información para la selección de características. A través de una experimentación rigurosa, el modelo propuesto demuestra un rendimiento superior en comparación con enfoques convencionales de aprendizaje automático, como Regresión Logística, Clasificación de Vectores de Soporte, Naïve Bayes Gaussiano, Perceptrón Multicapa, vecinos más cercanos, Bosque Aleatorio, AdaBoost, aumento de gradiente y aumento de gradiente de histograma. Las métricas de evaluación, incluyendo precisión, recuperación, puntuación F1, exactitud y AUC, arrojaron resultados impresionantes: 93.90%, 98.83%, 96.30%, 96.25% y 0.9916 para el conjunto de datos I; 94.17%, 99.05%, 96.54%, 96.48% y 0.9931 para el conjunto de datos II; y 89.81%, 82.40%, 85.91%, 86.66% y 0.9274 para el conjunto de datos III. Los hallazgos indican que el modelo de predicción propuesto tiene el potencial de facilitar la detección temprana de ECV, mejorando así las estrategias preventivas y los resultados de los pacientes.