Los go-arounds son un aspecto necesario de la aviación comercial y se llevan a cabo después de que se ha abortado un intento de aterrizaje. Es necesario realizar los go-arounds de la manera más segura posible, ya que son las operaciones más críticas en términos de seguridad. Recientemente, la mayor disponibilidad de datos, como el ADS-B, ha proporcionado la oportunidad de aprovechar técnicas de aprendizaje automático y análisis de datos para evaluar eventos de seguridad en la aviación. Este documento presenta un marco para detectar vuelos de go-around, identificar características relevantes y utilizar algoritmos de agrupamiento no supervisados para categorizar los vuelos de go-around, con el objetivo de obtener información sobre aspectos de los go-arounds típicos y nominales y factores que contribuyen a go-arounds potencialmente anormales o anómalos. Se examinaron los enfoques hacia el Aeropuerto Internacional de San Francisco en 2019. Se identificaron un total de 890 vuelos que realizaron un solo go-around al evaluar la tasa vertical de una aeronave, la altitud y el estado de distancia acumulada en la pista durante el acercamiento. Para cada vuelo, se identificaron 61 características relevantes para los incidentes de go-around. Se aprovechó el algoritmo de agrupamiento HDBSCAN para identificar go-arounds nominales, go-arounds anómalos y un tercer grupo de vuelos que realizaron un go-around significativamente más tarde que otras trayectorias de go-around. Los resultados indican que los go-arounds detectados como anómalos tendían a tener estados de energía más altos y desviaciones de los procedimientos estándar en comparación con los go-arounds nominales durante el primer acercamiento, antes del go-around. Además, se presenta una comparación extensa de los estados de energía entre vuelos nominales, vuelos anómalos, el primer acercamiento antes del go-around y el segundo acercamiento después del go-around.