Las pruebas de laboratorio juegan un papel esencial en el diagnóstico temprano y preciso de enfermedades. En este documento, proponemos SUNRISE, un sistema de análisis visual que permite al usuario explorar de manera interactiva las relaciones entre los resultados de las pruebas de laboratorio y un resultado de enfermedad. SUNRISE integra la minería de conjuntos de ítems frecuentes (es decir, el algoritmo Eclat) con el aumento de gradiente extremo (XGBoost) para desarrollar modelos de predicción más especializados y precisos. También incluye visualizaciones interactivas que permiten al usuario interactuar con el modelo y seguir el proceso de decisión. SUNRISE ayuda al usuario a indagar en el modelo de predicción generando ejemplos de entrada y observando cómo responde el modelo. Además, mejora la confianza del usuario en las predicciones generadas y les proporciona los medios para validar la respuesta del modelo al ilustrar el mecanismo de funcionamiento subyacente de los modelos de predicción a través de representaciones visuales. SUNRISE ofrece una distribución equilibrada de la carga de procesamiento a través de la integración fluida de métodos analíticos con representaciones visuales interactivas para apoyar las tareas cognitivas del usuario. Demostramos la utilidad de SUNRISE a través de un escenario de uso que explora la asociación entre los resultados de las pruebas de laboratorio y la lesión renal aguda, utilizando grandes bases de datos de atención médica provinciales de Ontario, Canadá.