Слабая модель нейронной сети

у меня было проектное задание по учебе, создать нейронную сеть на любую тему. Выбрал я датасеты по предсказанию сердечных заболеваний. Дата сет вроде хороший. Модель я написал, но не уверен в её качестве, из-за низкого процента точности. Проблема в том что я не знаю как его улучшить, то ли опыта не хватает, то ли просто мозги не работают. Прошу помощи у знающих людей

from keras.models import Sequential 
from keras.layers import Dense 
import pandas as pd 
import keras 
import matplotlib.pyplot as plt 
# from scikeras.wrappers import KerasClassifier 
# from sklearn.model_selection import cross_val_score 
from sklearn.model_selection import train_test_split 
from sklearn.preprocessing import MinMaxScaler 
 
data = pd.read_csv("heart_attack_prediction_dataset.csv") 
input_names = ['Age', 'Sex', 'Cholesterol', 'Heart_Rate', 'Diabetes', 'Family_History', 'Smoking', 'Obesity', 
               'Alcohol_Consumption', 'Previous_Heart_Problems'] 
output_names = ['Heart_Attack_Risk'] 
 
encoders = {'Male': 0, 
            'Female': 1} 
 
X = data[input_names].replace(encoders).values 
Y = data[output_names].values 
 
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42) 
 
scaler = MinMaxScaler() 
x_train = scaler.fit_transform(x_train) 
x_test = scaler.transform(x_test) 
 
model = Sequential() 
model.add(Dense(10, input_dim=10, activation='relu')) 
model.add(Dense(20, activation='relu')) 
model.add(Dense(10, activation='relu')) 
model.add(Dense(7, activation='relu')) 
model.add(Dense(1, activation='sigmoid')) 
 
optimizer = keras.optimizers.Adam(learning_rate=0.0001) 
model.compile(loss="binary_crossentropy", optimizer=optimizer, metrics=['accuracy']) 
 
fit_results = model.fit(x_train, y_train, epochs=250, batch_size=32, validation_data=(x_test, y_test)) 
 
plt.title('Losses train/validation') 
plt.plot(fit_results.history['loss'], label='Train') 
plt.plot(fit_results.history['val_loss'], label='Validation') 
plt.legend() 
plt.show() 
 
plt.title('Accuracies train/validation') 
plt.plot(fit_results.history['accuracy'], label='Train') 
plt.plot(fit_results.history['val_accuracy'], label='Validation') 
plt.legend() 
plt.show() 
 
scores = model.evaluate(x_test, y_test) 
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

Датасет: https://disk.yandex.ru/d/IfvyQawL2QSbeg Размер датасета - 8764 записи и 26 атрибутов из которых я беру только 10 входных и 1 таргет