La hepatitis C es una preocupación significativa de salud pública, que resulta en una morbilidad y mortalidad sustanciales en todo el mundo. El diagnóstico temprano y el tratamiento efectivo son esenciales para prevenir la progresión de la enfermedad a enfermedad hepática crónica. Los algoritmos de aprendizaje automático se han utilizado cada vez más para desarrollar modelos predictivos para diversas enfermedades, incluida la hepatitis C. Este estudio tiene como objetivo evaluar el rendimiento de varios algoritmos de aprendizaje automático en el diagnóstico de la enfermedad hepática crónica, con un enfoque específico en la hepatitis C, para mejorar la rentabilidad y eficiencia del proceso diagnóstico. Recopilamos un conjunto de datos completo de 1801 registros de pacientes, cada uno con 12 características distintas, del Hospital Universitario de Jordania. Para evaluar la solidez y fiabilidad de nuestro marco propuesto, realizamos dos escenarios de investigación, uno con selección de características y otro sin ella. También empleamos el método de Selección Secuencial Adelante (SFS) para identificar las características más relevantes que pueden mejorar la precisión del modelo. Además, investigamos el efecto de la técnica de sobremuestreo de minorías sintéticas (SMOTE) en la precisión de las predicciones del modelo. Nuestros hallazgos indican que todos los modelos de aprendizaje automático lograron una precisión promedio del 83% cuando se aplicaron al conjunto de datos. Además, el uso de SMOTE no afectó significativamente la precisión de las predicciones del modelo. A pesar del uso creciente de modelos de aprendizaje automático en el diagnóstico médico, existe una creciente preocupación por su interpretabilidad. Por lo tanto, abordamos este problema utilizando el método de Explicaciones Aditivas de Shapley (SHAP) para explicar las predicciones de nuestro modelo de aprendizaje automático, que fue desarrollado específicamente para la predicción de hepatitis C en Jordania. Este trabajo proporciona una evaluación integral de varios algoritmos de aprendizaje automático en el diagnóstico de la enfermedad hepática crónica, con un énfasis particular en la hepatitis C. Los resultados proporcionan valiosas ideas sobre la rentabilidad y eficiencia del proceso diagnóstico y destacan la importancia de la interpretabilidad en el diagnóstico médico.