Los enfoques de detección tradicionales identifican a los estudiantes que podrían estar en riesgo de problemas académicos en función de su rendimiento en una única medida de detección. Sin embargo, el uso de múltiples medidas de detección puede mejorar la precisión al identificar a los estudiantes en riesgo. La llegada de algoritmos de aprendizaje automático ha permitido a los investigadores considerar el uso de modelos predictivos avanzados para identificar a los estudiantes en riesgo. El propósito de este estudio es investigar si los algoritmos de aprendizaje automático pueden fortalecer la precisión de las predicciones realizadas a partir de datos de monitoreo del progreso para clasificar a los estudiantes como en riesgo de bajo rendimiento en matemáticas. Este estudio utilizó una muestra de estudiantes de primer grado que completaron una serie de evaluaciones formativas computarizadas (Star Math, Star Reading y Star Early Literacy) durante los años escolares 2016-2017 (n = 45,478) y 2017-2018 (n = 45,501). Se construyeron modelos predictivos utilizando dos algoritmos de aprendizaje automático (es decir, Random Forest y LogitBoost) para identificar a los estudiantes en riesgo de bajo rendimiento en matemáticas. Los resultados de la clasificación se evaluaron utilizando métricas de evaluación de precisión, sensibilidad, especificidad, F1 y coeficiente de correlación de Matthews. A través de las cinco métricas, un procedimiento de detección de múltiples medidas que involucraba puntuaciones de matemáticas, lectura y alfabetización temprana generalmente superó a los enfoques de medida única que dependían únicamente de las puntuaciones de matemáticas. Estos hallazgos sugieren que los educadores pueden utilizar un conjunto de medidas administradas una vez al comienzo del año escolar para evaluar a sus estudiantes de primer grado en riesgo de bajo rendimiento en matemáticas.