Incluso desde la infancia, el día a día de un humano alterna entre un período de vigilia y un período de sueño por la noche, durante el ciclo de 24 horas. El sueño es un proceso normal necesario para la salud física y mental del ser humano. La falta de sueño dificulta el control de las emociones y el comportamiento, reduce la productividad en el trabajo y puede incluso aumentar el estrés o la depresión. Además, un sueño deficiente afecta la salud; cuando el sueño es insuficiente, las posibilidades de desarrollar enfermedades graves aumentan considerablemente. Los investigadores en medicina del sueño han identificado una extensa lista de trastornos del sueño y, por lo tanto, han aprovechado la Inteligencia Artificial (IA) para automatizar su análisis y obtener una comprensión más profunda de los patrones de sueño y los trastornos relacionados. En esta investigación, buscamos una solución de Aprendizaje Automático (AA) que permita una clasificación eficiente de instancias no etiquetadas como Apnea del Sueño, Insomnio o Normal (sujetos sin un trastorno del sueño específico) evaluando el rendimiento de dos estrategias bien establecidas para tareas de clasificación multiclase: One-Vs-All (OVA) y One-Vs-One (OVO). En el contexto de las estrategias específicas, se asumieron dos modelos de clasificación binaria bien conocidos, Regresión Logística (RL) y Máquinas de Vectores de Soporte (MVS). La validez de ambas estrategias se verificó en un conjunto de datos de información diversa relacionada con los perfiles (datos antropométricos, métricas de sueño, estilo de vida y factores de salud cardiovascular) de pacientes potenciales o individuos que no presentan ningún trastorno del sueño específico. La evaluación del rendimiento se llevó a cabo comparando los resultados promedio ponderados en todas las clases involucradas que representan estos dos trastornos del sueño específicos y la ocurrencia sin trastorno; se registraron y compararon la precisión, el puntaje kappa, la precisión, la recuperación, la medida f y el Área Bajo la Curva ROC (AUC) para identificar un modelo y una estrategia efectivos y robustos, tanto por clase como en promedio. La evaluación experimental reveló que, después de la selección de características, el MVS polinómico de 2 grados bajo ambas estrategias fue el menos complejo y más eficiente, registrando una precisión del 91.44%, un puntaje kappa del 84.97%, precisión, recuperación y medida f iguales a 0.914, y un AUC de 0.927.