Entender cómo los pacientes interactúan con las tecnologías de salud digital es fundamental para mejorar el alcance y la equidad de los servicios de telemedicina. Si bien investigaciones anteriores se han centrado en gran medida en los predictores demográficos del uso de la telemedicina, este estudio aplica un enfoque híbrido de minería de datos para descubrir patrones de compromiso conductual y evaluar su poder predictivo. Utilizando datos de la Encuesta de Tendencias de Información de Salud de EE. UU. de 2022 (HINTS; N = 3525), identificamos cuatro tipologías de compromiso eHealth distintas a través del Análisis de Clases Latentes (LCA): (1) Comprometidos Digitales Altamente, (2) Usuarios Digitales Moderados, (3) Entusiastas de Redes Sociales y Aplicaciones, y (4) Entusiastas de Dispositivos Portátiles y Aplicaciones de Salud. Luego modelamos la utilización de telemedicina como resultado utilizando regresión logística multivariable y eXtreme Gradient Boosting (XGBoost) con Explicaciones Aditivas de Shapley (SHAP). En comparación con los Comprometidos Digitales Altamente, los Usuarios Digitales Moderados tenían significativamente menores probabilidades de uso de telemedicina (OR = 0.52), mientras que las otras dos clases tenían mayores probabilidades. Los análisis de SHAP confirmaron que el estado de depresión y la región geográfica interactuaron con los perfiles de compromiso para dar forma al acceso a la telemedicina, con un efecto notablemente negativo de la depresión dentro de la Clase 2. Estos hallazgos demuestran el valor de integrar la segmentación conductual con el aprendizaje automático interpretable para caracterizar la heterogeneidad en el compromiso con la salud digital y su asociación con la utilización de telemedicina. Nuestro estudio ofrece un marco analítico escalable a nivel poblacional que puede informar estrategias de planificación y divulgación de telemedicina dirigidas, alineadas con los patrones del mundo real de compromiso digital.