La apendicitis es una condición en la cual el apéndice se inflama, y puede ser difícil de diagnosticar con precisión. El tipo de apendicitis también puede ser difícil de determinar, lo que lleva a un diagnóstico erróneo y dificultades en el manejo de la condición. Para evitar complicaciones y reducir la mortalidad, el diagnóstico temprano y el tratamiento son cruciales. Mientras que el sistema de puntuación clínica de Alvarado no es suficiente, la ecografía y la tomografía computarizada (TC) son efectivas pero tienen desventajas como la dependencia del operador y la exposición a la radiación. Este estudio propone el uso de métodos de aprendizaje automático y un conjunto de datos confiable recopilado localmente para mejorar la identificación de la apendicitis aguda al detectar las diferencias entre la apendicitis complicada y no complicada. El aprendizaje automático puede ayudar a reducir los errores de diagnóstico y mejorar las decisiones de tratamiento. Este estudio realizó cuatro experimentos diferentes utilizando varios algoritmos de ML, incluidos K-vecinos más cercanos (KNN), DT, bagging y stacking. Los resultados experimentales mostraron que el modelo de stacking tuvo la mayor precisión de entrenamiento, precisión del conjunto de pruebas, precisión y puntuación F1, que fueron del 97,51%, 92,63%, 95,29% y 92,04%, respectivamente. La importancia de las características y la inteligencia artificial explicativa (XAI) identificaron a los neutrófilos, el recuento de glóbulos blancos, la duración total de la estancia, la duración de la estancia en el hospital y los días de síntomas como las características principales que afectaron significativamente el rendimiento del modelo. Basándose en los resultados y en la retroalimentación de los profesionales de la salud, el esquema es prometedor en términos de su efectividad en el diagnóstico de la apendicitis aguda.