La infección tuberculosa latente (ITBL) representa un desafío significativo para la salud pública, especialmente en poblaciones con alta prevalencia de VIH y acceso limitado a la atención médica. La detección temprana y las intervenciones específicas son esenciales para prevenir la progresión de la tuberculosis activa. Este estudio tuvo como objetivo identificar los factores clave que influyen en los resultados de la ITBL mediante la aplicación de modelos predictivos, incluyendo regresión logística y técnicas de aprendizaje automático, al mismo tiempo que se evaluaban estrategias para mejorar la concienciación y las pruebas de ITBL. Se analizaron datos de áreas rurales en el Cabo Oriental, Sudáfrica, para identificar factores demográficos, de salud y relacionados con el conocimiento que influyen en los resultados de la ITBL. Los modelos predictivos utilizados incluyeron regresión logística, árboles de decisión y bosques aleatorios, para identificar los determinantes clave de la positividad de la ITBL basados en factores demográficos, de salud y relacionados con el conocimiento en áreas rurales del Cabo Oriental, Sudáfrica. Los modelos evaluaron factores como la edad, el estado del VIH y la concienciación sobre la ITBL, siendo los bosques aleatorios los que demostraron el mejor equilibrio entre precisión e interpretabilidad. Además, se empleó un modelo de difusión del conocimiento para evaluar la efectividad de las estrategias educativas en el aumento de la concienciación sobre la ITBL y la aceptación de pruebas. La regresión logística logró una precisión del 68% con alta precisión (70%) pero baja recuperación (33%) para los casos positivos de ITBL, identificando la edad, el estado del VIH y la concienciación sobre la ITBL como predictores significativos. El modelo de bosque aleatorio superó a la regresión logística en precisión (59.26%) y puntuación F1 (0.63), proporcionando un mejor equilibrio entre precisión y recuperación. El análisis de importancia de características reveló que la edad, la ocupación y el conocimiento de los síntomas de la ITBL eran los factores más críticos en ambos modelos. El modelo de difusión del conocimiento demostró que las intervenciones específicas aumentaron significativamente la concienciación sobre la ITBL y las pruebas, particularmente en grupos de alto riesgo. Si bien la regresión logística ofrece resultados más interpretables para las intervenciones de salud pública, los modelos de aprendizaje automático como los bosques aleatorios proporcionan un mayor poder predictivo al capturar relaciones complejas entre factores demográficos y de salud. Estos hallazgos destacan la necesidad de campañas educativas específicas y un aumento en las pruebas de ITBL en poblaciones de alto riesgo, particularmente aquellas con conciencia limitada sobre los síntomas de la ITBL.