Antecedentes: El diagnóstico del cáncer de próstata (CP) mediante resonancia magnética a menudo se ve desafiado por la variabilidad de las lesiones. Métodos: Este estudio presenta Simplatab, un marco de aprendizaje automático automatizado de código abierto (AutoML) diseñado para, pero no limitado a, automatizar toda la tubería de aprendizaje automático para facilitar la detección de cáncer de próstata clínicamente significativo (csPCa) utilizando características radiómicas. A diferencia de las herramientas de AutoML existentes como Auto-WEKA, Auto-Sklearn, ML-Plan, ATM, Google AutoML y TPOT, Simplatab ofrece un marco integral y fácil de usar que integra la detección de sesgos de datos, la selección de características, el entrenamiento del modelo con optimización de hiperparámetros, análisis de IA explicables (XAI) y detección de vulnerabilidades del modelo después del entrenamiento. Simplatab no requiere experiencia en codificación, proporciona informes detallados de rendimiento e incluye una detección sólida de sesgos de datos, lo que lo hace particularmente adecuado para aplicaciones clínicas. Resultados: Evaluado en una gran cohorte paneuropea de 4816 pacientes de 12 centros clínicos, Simplatab admite múltiples algoritmos de aprendizaje automático. Las características más notables que diferencian a Simplatab incluyen la facilidad de uso, una interfaz de usuario accesible para aquellos sin experiencia en codificación, informes exhaustivos, integración de XAI y una evaluación exhaustiva de sesgos, todo proporcionado en un formato comprensible para los humanos. Conclusiones: Nuestros hallazgos indican que Simplatab puede mejorar significativamente la usabilidad, la responsabilidad y la explicabilidad del aprendizaje automático en entornos clínicos, aumentando así la confianza y accesibilidad para los no expertos en IA.