La sepsis es un síndrome altamente letal con manifestaciones clínicas heterogéneas que pueden ser difíciles de identificar y tratar. El diagnóstico temprano y el tratamiento adecuado son críticos para reducir la mortalidad y promover la supervivencia en casos sospechosos y mejorar los resultados. Varios sistemas de predicción de detección temprana se han propuesto para evaluar la deterioración del paciente, pero la eficacia sigue siendo limitada a nivel individual. La creciente cantidad y versatilidad de datos de atención médica sugieren implementar técnicas de aprendizaje automático para desarrollar modelos de predicción de sepsis. Este trabajo presenta un estudio experimental de algunos modelos basados en aprendizaje automático para la predicción de sepsis considerando signos vitales, resultados de pruebas de laboratorio y datos demográficos utilizando Medical Information Mart for Intensive Care III (MIMIC-III) (v1.4), un conjunto de datos de acceso público. Los resultados experimentales demuestran un rendimiento generalmente superior de los modelos de aprendizaje automático sobre los sistemas de puntuación Sequential Organ Failure Assessment (SOFA) y Quick SOFA (qSOFA) comúnmente utilizados en el momento del inicio de la sepsis.