El diagnóstico de la osteoporosis se realiza midiendo la densidad mineral ósea (DMO) utilizando la absorciometría de rayos X de energía dual (DXA). Se utilizó el aprendizaje automático, uno de los métodos de inteligencia artificial, para predecir baja DMO sin utilizar DXA en mujeres mayores. Los registros médicos de 2541 mujeres que visitaron la clínica de osteoporosis se utilizaron en este estudio. Como hiperparámetros para el aprendizaje automático, se utilizaron la edad del paciente, el índice de masa corporal (IMC) y datos de análisis de sangre. Como modelos de aprendizaje automático, se utilizaron regresión logística, árbol de decisión, bosque aleatorio, árboles de aumento de gradiente y lightGBM. Cada modelo se entrenó para clasificar y predecir pacientes con baja DMO. El rendimiento del modelo se comparó utilizando una matriz de confusión. La precisión de cada modelo entrenado fue de 0.772 en regresión logística, 0.739 en árbol de decisión, 0.775 en bosque aleatorio, 0.800 en aumento de gradiente y 0.834 en lightGBM. El área bajo la curva (AUC) fue de 0.595 en el árbol de decisión, 0.673 en regresión logística, 0.699 en bosque aleatorio, 0.840 en aumento de gradiente y 0.961, que fue el más alto, en el modelo de lightGBM. Las características importantes fueron el IMC, la edad y el número de plaquetas. Los puntajes de explicación aditiva de Shapley en el modelo de lightGBM mostraron que el IMC, la edad y ALT se clasificaron como características importantes. Entre varios modelos de aprendizaje automático, el modelo de lightGBM mostró el mejor rendimiento en la investigación actual.