Las enfermedades cardiovasculares representan una amenaza real para los sistemas de salud de muchos países, debido a que se han convertido en uno de los diagnósticos que cobra un número significativo de vidas en el mundo entero. De acuerdo a los datos emitidos por la Organización Mundial de la Salud (OMS) las enfermedades cardiovasculares son una causa importante de muertes, se estima que 9.4 millones y medio de muertes, es decir, el 16,5% de las muertes anuales, son atribuibles a la hipertensión únicamente. Esto incluye el 51% de las muertes por accidentes cardiovasculares cerebrales (AVC) y el 45% de las muertes por cardiopatía coronaria. De acuerdo a lo anteriormente mencionado, el análisis de este tipo de enfermedades se ha convertido en un factor común de investigación, la aplicación de sistemas informáticos inteligentes brindan la posibilidad de identificar de forma anticipada los pacientes que puedan padecer dicha enfermedad, por lo cual se propone en esta investigación la utilización de distintas técnicas de minería de datos como lo son árboles de decisión, las máquinas de soporte vectorial, la regresión logística, el método de naivebayes, IBk (k vecinos más cercanos) y redes neuronales, implementados utilizando un mismo conjunto de datos “Heart Disease Data Set” alojado en el repositorio Machine Learning UCI y bajo un mismo ambiente de prueba, con la finalidad de establecer cuál de las técnicas antes mencionadas logran un mayor porcentaje de precisión a la hora de identificar pacientes que padezcan la enfermedad objeto de estudio; para la realización de las pruebas se utilizó validación cruzada con el fin de seleccionar un porcentaje del conjunto de datos para realizarlas y otro para entrenamiento. Las técnicas que lograron mejores resultados fueron RegresionLogistica y NaiveBayes las cuales alcanzaron un 84% de precisión, las técnicas de Redes Neuronales, IBK, Máquinas de Soporte Vectorial y Arboles de Decisión obtuvieron porcentajes de precisión inferiores lo cual indica que su desempeño no es el más adecuado para la identificación de este tipo de enfermedad.