Los algoritmos de aprendizaje automático se han aplicado a varios problemas relacionados con la ganadería y la veterinaria; sin embargo, su uso en el diagnóstico y control de la enfermedad de Johne aún está en sus primeras etapas. El siguiente estudio de prueba de concepto explora la aplicación de algoritmos basados en árboles (árboles de decisión y bosques aleatorios) para analizar datos de pruebas de leche repetidas de 1197 vacas lecheras canadienses y la capacidad de los algoritmos para predecir resultados futuros de la prueba de Johne. Los modelos de bosque aleatorio que utilizan resultados de pruebas de componentes de la leche junto con resultados anteriores de Johne demostraron un buen rendimiento predictivo para un futuro resultado de ELISA de Johne con un resultado dicotómico (positivo vs. negativo). El modelo final de bosque aleatorio arrojó un kappa de 0.626, un AUC ROC de 0.915, una sensibilidad del 72% y una especificidad del 98%. Los valores predictivos positivos y negativos fueron 0.81 y 0.97, respectivamente. Los modelos de árbol de decisión proporcionaron una alternativa interpretable a los algoritmos de bosque aleatorio con una ligera disminución en la sensibilidad del modelo. Los resultados de esta investigación sugieren una vía prometedora para futuros esquemas de pruebas dirigidas de Johne. Se necesita más investigación para validar estas técnicas en entornos del mundo real y explorar su incorporación en programas de prevención y control.