Recientemente, se han desarrollado muchos métodos y algoritmos que pueden adaptarse rápidamente a diferentes situaciones dentro de una población de interés, especialmente en el sector de la salud. Se ha logrado el éxito generando mejores modelos y resultados de mayor calidad para facilitar la toma de decisiones, así como proponer nuevos procedimientos de diagnóstico y tratamientos adaptados a cada paciente. Estos modelos también pueden mejorar la calidad de vida de las personas, disuadir malos hábitos de salud, reforzar los buenos hábitos y modificar los preexistentes. En este sentido, el objetivo de este estudio fue aplicar técnicas de clasificación supervisada y no supervisada, donde el algoritmo de agrupamiento fue el factor clave para la agrupación. Esto llevó al desarrollo de tres grupos óptimos de patrones clínicos basados en sus características. Los métodos de clasificación supervisada utilizados en este estudio fueron Correspondencia (CA) y Árboles de Decisión (DT), que sirvieron como ayudas visuales para identificar los posibles grupos. Al mismo tiempo, se utilizaron como mecanismos exploratorios para confirmar los resultados de la información existente, lo que mejoró el valor de los resultados finales. En conclusión, se encontró que este enfoque multi-técnico es un método factible que puede utilizarse en diferentes situaciones cuando se dispone de suficientes datos. Por lo tanto, fue necesario reducir el espacio dimensional, proporcionar valores faltantes para información de alta calidad y aplicar modelos de clasificación para buscar patrones en los perfiles clínicos, con el objetivo de agrupar a los pacientes de manera eficiente y precisa para que los resultados clínicos puedan aplicarse en otros estudios de investigación.