Dado que la estabilidad del sector corporativo es crucial para la resiliencia y el crecimiento económico, el aprendizaje automático se ha convertido en una herramienta ampliamente utilizada para construir sistemas de alerta temprana (EWS) que detecten vulnerabilidades financieras con mayor precisión. Si bien la mayoría de la investigación existente sobre EWS se centra en modelos de predicción de quiebras, las señales de quiebra a menudo surgen demasiado tarde y proporcionan información limitada en las primeras etapas. Este estudio emplea un enfoque de bosque aleatorio para examinar sistemáticamente si el estado de insolvencia de una empresa puede servir como un EWS efectivo de múltiples etapas para la angustia financiera. Además, analizamos cómo las características financieras de las empresas insolventes difieren de las de las empresas activas y en quiebra. Nuestros hallazgos empíricos indican que se pueden desarrollar modelos de insolvencia altamente precisos para detectar transiciones de estado de activo a insolvente y de insolvente a en quiebra. Además, nuestro análisis revela que los determinantes financieros de estas transiciones difieren significativamente. El cambio de activo a insolvente está impulsado principalmente por ratios estructurales y operativos, mientras que la transición de insolvente a en quiebra está influenciada en gran medida por una mayor angustia financiera en los ratios operativos y de rentabilidad.