La précision en médecine cardiovasculaire s'efforce de fournir des traitements individualisés aux patients au bon moment pour optimiser les résultats. Il englobe toutes les étapes du développement de la maladie et comprend une prévision précise des risques, des stratégies de prévention personnalisées et des interventions thérapeutiques ciblées. Dans cet article, nous explorons l’utilisation d’algorithmes d’apprentissage automatique pour la prédiction des maladies cardiovasculaires et l’analyse de la latence. L’objectif principal de la recherche est de fournir un aperçu des outils Big Data et des modèles d’apprentissage automatique permettant de prédire avec une grande précision certaines maladies, comme le diabète. L’étude a appliqué six algorithmes d’apprentissage automatique tels que RandomForest, Adaboost, SVM, KNN, ANN et Decision Tree pour prédire les maladies cardiovasculaires et comparer leurs performances. Les résultats montrent que le modèle Support Vector Machine (SVM) est la meilleure approche, avec un RAPPEL de 99% et un F1 de 91%. Nos travaux montrent que le modèle SVM est fiable à 76 % pour effectuer une prédiction optimale. En outre, l’étude a analysé les délais de combat pour prédire les retards dans les combats et a produit un tableau de bord pouvant faciliter la prise de décision. La recherche a conclu que pour les mêmes ensembles de données, il convient de réfléchir attentivement au modèle à utiliser pour la prédiction. L’étude jette les bases de travaux futurs visant à tester différents modèles dans d’autres domaines, tels que la prévision du risque de maladie liée au diabète dans le cadre d’approches de médecine de précision. il convient de réfléchir attentivement au modèle à utiliser pour la prévision. L’étude jette les bases de travaux futurs visant à tester différents modèles dans d’autres domaines, tels que la prévision du risque de maladie liée au diabète dans le cadre d’approches de médecine de précision. il convient de réfléchir attentivement au modèle à utiliser pour la prévision. L’étude jette les bases de travaux futurs visant à tester différents modèles dans d’autres domaines, tels que la prévision du risque de maladie liée au diabète dans le cadre d’approches de médecine de précision.