Las enfermedades cardiovasculares (ECV) siguen siendo la principal causa de muerte a nivel mundial, lo que subraya la necesidad urgente de herramientas de diagnóstico temprano basadas en datos. Este estudio propone un modelo de red neuronal artificial (RNA) multicapa para la predicción de enfermedades cardíacas, desarrollado utilizando un conjunto de datos clínicos del mundo real que comprende 13,981 registros de pacientes. Implementado en la plataforma de minería de datos Orange, la RNA fue entrenada utilizando retropropagación y validada a través de validación cruzada de 10 pliegues. La reducción de dimensionalidad mediante análisis de componentes principales (PCA) mejoró la eficiencia computacional, mientras que las explicaciones aditivas de Shapley (SHAP) se utilizaron para interpretar las salidas del modelo. A pesar de lograr una precisión del 83.4% y una alta especificidad, el modelo mostró una baja sensibilidad a los casos de enfermedad, identificando solo 76 de 2233 muestras positivas, con un coeficiente de correlación de Matthews (MCC) de 0.058. Los puntos de referencia comparativos mostraron que el bosque aleatorio y las máquinas de soporte vectorial superaron significativamente a la RNA en términos de discriminación (AUC hasta 91.6%). El análisis SHAP reveló que los niveles de creatinina sérica, diabetes y hemoglobina son los principales predictores. Para abordar las limitaciones del estudio actual, trabajos futuros explorarán LIME, Grad-CAM y técnicas de ensamblaje como XGBoost para mejorar la interpretabilidad y el equilibrio. Esta investigación enfatiza la importancia de la explicabilidad, la representatividad de los datos y la evaluación robusta en el desarrollo de herramientas de IA clínicamente confiables para la detección de enfermedades cardíacas.