Antecedentes y objetivos: Los enfoques de aprendizaje automático utilizando bosques aleatorios se han utilizado de manera efectiva para proporcionar apoyo en la toma de decisiones en informática de salud y médica. Esto es especialmente cierto al predecir variables asociadas con los reembolsos de Medicare. Sin embargo, se necesita más trabajo para analizar y predecir datos asociados con los reembolsos a través de los servicios de Medicare y Medicaid para prácticas de terapia física en los Estados Unidos. El objetivo clave de este estudio es analizar diferentes modelos de aprendizaje automático para predecir variables clave asociadas con los pagos estandarizados de Medicare para prácticas de terapia física en los Estados Unidos. Materiales y Métodos: Este estudio emplea cinco métodos, a saber, regresión lineal múltiple, regresión de árbol de decisión, regresión de bosque aleatorio, K-vecinos más cercanos y modelo aditivo generalizado lineal (GAM) para predecir variables clave asociadas con los pagos de Medicare para prácticas de terapia física en los Estados Unidos. Resultados: El estudio descrito en este artículo contribuye al cuerpo de conocimiento sobre el uso efectivo de la regresión de bosque aleatorio y el modelo aditivo generalizado lineal en la predicción del pago estandarizado de Medicare. Resulta que la regresión de bosque aleatorio puede tener alguna ventaja sobre otros métodos empleados para este propósito. Conclusiones: El estudio proporciona una visión útil para comparar el rendimiento de los métodos mencionados, al tiempo que identifica algunos detalles intrincados asociados con la predicción de los costos de Medicare, además de determinar que el modelo aditivo generalizado lineal y la regresión de bosque aleatorio son los modelos de aprendizaje automático más adecuados para predecir variables clave asociadas con los pagos estandarizados de Medicare.