La enfermedad del hígado graso no alcohólico (EHGNA) se caracteriza por la acumulación de grasa en exceso en el hígado. Si se deja sin diagnosticar y sin tratar durante las primeras etapas, la EHGNA puede progresar a condiciones más graves como la inflamación, la fibrosis hepática, la cirrosis e incluso la insuficiencia hepática. En este estudio, se emplearon técnicas de aprendizaje automático para predecir la EHGNA utilizando datos de pruebas de laboratorio asequibles y accesibles, mientras que la técnica convencional del índice de esteatosis hepática (HSI) se calculó para su comparación. Se utilizaron seis algoritmos (bosque aleatorio, vecinos más cercanos, regresión logística, máquina de vectores de soporte, aumento extremo de gradiente, árbol de decisiones), junto con un modelo de conjunto, para el análisis del conjunto de datos. El objetivo era desarrollar una herramienta rentable para permitir un diagnóstico temprano, lo que lleva a un mejor manejo de la condición. El problema de los datos desequilibrados se abordó utilizando la Técnica de Sobremuestreo de Minorías Sintéticas Vecinos Más Cercanos Editados (SMOTEENN). Se emplearon varios métricos de evaluación, incluido el puntaje F1, la precisión, la exactitud, la recuperación, la matriz de confusión, el error absoluto medio (MAE), las características de funcionamiento del receptor (ROC) y el área bajo la curva (AUC) para evaluar la idoneidad de cada técnica para la predicción de la enfermedad. Los resultados experimentales utilizando el conjunto de datos de la Encuesta Nacional de Examen de Salud y Nutrición (NHANES) demostraron que el modelo de conjunto logró la mayor precisión (0.99) y AUC (1.00) en comparación con las técnicas de aprendizaje automático que utilizamos y el HSI. Estos hallazgos indican que el modelo de conjunto tiene potencial como una herramienta beneficiosa para los profesionales de la salud para predecir la EHGNA, aprovechando datos de pruebas de laboratorio accesibles y rentables.