La fragilidad en la población anciana se asocia con una mayor vulnerabilidad a los factores estresantes, incluidas las intervenciones quirúrgicas. Este estudio comparó modelos de aprendizaje automático (ML) con una herramienta clínica de cabecera, el Índice de Fragilidad en Cirugía Gastrointestinal (GiS-FI), para predecir la mortalidad y morbilidad en pacientes ancianos sometidos a cirugía de cáncer gastrointestinal. En un análisis multicéntrico de 937 pacientes de >=65 años, se evaluó el rendimiento de varios modelos predictivos, incluidos Random Forest (RF), Least Absolute Shrinkage and Selection Operator (LASSO), Regresión Escalonada, K-Vecinos Más Cercanos, Redes Neuronales y algoritmos de Máquina de Vectores de Soporte. Las tasas generales de mortalidad y morbilidad a los 30 días fueron del 6,1% y del 35,7%, respectivamente. Para la predicción de mortalidad, el modelo RF demostró un rendimiento superior con un AUC de 0,822 (IC del 95%: 0,714-0,931), superando la puntuación GiS-FI (AUC = 0,772, IC del 95%: 0,675-0,868). Para la predicción de morbilidad, todos los modelos mostraron una discriminación más modesta, con la regresión escalonada y la regresión LASSO logrando el mayor rendimiento (AUC de 0,652 y 0,647, respectivamente). Nuestros hallazgos sugieren que los enfoques de ML, especialmente el algoritmo RF, ofrecen una precisión predictiva mejorada en comparación con las puntuaciones clínicas tradicionales para la evaluación del riesgo de mortalidad en pacientes ancianos con cáncer sometidos a cirugía gastrointestinal. Estas herramientas analíticas avanzadas podrían proporcionar un valioso apoyo decisional para la estratificación del riesgo quirúrgico en esta población vulnerable.