Los virus del dengue, Zika y chikungunya representan una amenaza seria a nivel mundial y circulan ampliamente en América. Estas enfermedades comparten síntomas similares en sus etapas iniciales, lo que puede dificultar el diagnóstico temprano. En este estudio, se desarrollaron dos modelos predictivos basados en Árboles de Decisión y Bosques Aleatorios para clasificar dengue, Zika y chikungunya, con el objetivo de ser de apoyo y fácilmente interpretables para la comunidad médica. Para lograr esto, se recopiló un conjunto de datos de una clínica en Sincelejo, Colombia, incluyendo los signos, síntomas y resultados de laboratorio de estas enfermedades. Se aplicó la metodología de la Guía Diagnóstica 2022 de la Organización Panamericana de la Salud (OPS) para la clasificación diferencial de dengue y chikungunya, asignando pesos evaluativos a los síntomas en el conjunto de datos. Además, se utilizó una técnica de remuestreo por bootstrapping basada en el teorema del límite central para equilibrar la variable objetivo, y se utilizó la validación cruzada para entrenar los modelos. Los principales resultados se obtuvieron con la técnica de Bosques Aleatorios, logrando una precisión del 99.7% para clasificar chikungunya, 99.1% para dengue y 98.8% para Zika. Este estudio representa un avance significativo en la predicción diferencial de estas enfermedades a través del uso de técnicas de aprendizaje automático y la integración de información clínica y de laboratorio.