El aprendizaje automático en el área médica se ha convertido en un requisito muy importante. El profesional de la salud necesita herramientas útiles para diagnosticar enfermedades médicas. Los clasificadores son importantes para proporcionar herramientas que puedan ser útiles para el profesional de la salud con este fin. Sin embargo, surgen preguntas: ¿qué clasificador usar? ¿Qué métricas son apropiadas para medir el rendimiento del clasificador? ¿Cómo determinar una buena distribución de los datos para que el clasificador no sesgue los patrones médicos a clasificar en una clase particular? Luego la pregunta más importante: ¿un clasificador funciona bien para una enfermedad en particular? Este documento presentará algunas respuestas a las preguntas mencionadas anteriormente, haciendo uso de algoritmos de clasificación ampliamente utilizados en la investigación de aprendizaje automático con conjuntos de datos relacionados con enfermedades médicas bajo el esquema de aprendizaje supervisado. Además de los algoritmos de vanguardia en la clasificación de patrones, introducimos una novedad: el uso de meta-aprendizaje para determinar, de antemano, cuál clasificador sería el ideal para un conjunto de datos específico. Los resultados obtenidos muestran numérica y estadísticamente que existen clasificadores confiables para sugerir diagnósticos médicos. Además, brindamos algunas ideas sobre el rendimiento esperado de los clasificadores para dicha tarea.