El cáncer de tiroides diferenciado (CTD), que comprende los cánceres de tiroides papilar y folicular, es el tipo más prevalente de malignidad tiroidea. La predicción precisa del CTD es crucial para mejorar los resultados en los pacientes. El aprendizaje automático (AA) ofrece un enfoque prometedor para analizar los factores de riesgo y predecir la recurrencia del cáncer. En este estudio, nuestro objetivo fue desarrollar modelos predictivos para identificar a los pacientes con un riesgo elevado de recurrencia de CTD basado en 16 factores de riesgo. Desarrollamos seis modelos de AA y los aplicamos a un conjunto de datos de CTD. Evaluamos los modelos de AA utilizando la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) y con ajuste de hiperparámetros. Medimos el rendimiento de los modelos utilizando precisión, recuperación, puntuación F1 y exactitud. Los resultados mostraron que Random Forest superó consistentemente a los otros modelos investigados (KNN, SVM, Árbol de Decisión, AdaBoost y XGBoost) en todos los escenarios, demostrando alta exactitud y precisión y recuperación equilibradas. La aplicación de SMOTE mejoró el rendimiento del modelo, y el ajuste de hiperparámetros aumentó la efectividad general del modelo.