La predicción de la gravedad de los accidentes de tráfico es crucial para implementar medidas de seguridad efectivas y estrategias proactivas de gestión del tráfico. Los métodos existentes a menudo tratan esto como un problema de clasificación nominal y utilizan técnicas tradicionales de selección de características. Sin embargo, aún es necesario investigar a fondo los métodos de clasificación ordinal que tienen en cuenta la naturaleza ordenada de la gravedad de los accidentes (por ejemplo, lesiones leves < graves < fatales) en la selección de características. En este estudio, proponemos un enfoque novedoso, el Árbol Aleatorio Ordinal con Selección de Características Orientada al Rango (ORT-ROFS), que utiliza el orden inherente de las etiquetas de clase tanto en la selección de características como en las etapas de predicción para la clasificación de la gravedad de los accidentes. El enfoque propuesto mejora el rendimiento del modelo al determinar la importancia de las características por separado basándose en los niveles de gravedad. Los experimentos demostraron la efectividad de ORT-ROFS con una precisión del 87.19%. Según los resultados, el método propuesto mejoró la precisión de la predicción en un 10.81% en promedio en diferentes ratios de división de entrenamiento-prueba en comparación con estudios de vanguardia. Además, logró una mejora promedio del 4.58% en precisión en comparación con los métodos tradicionales. Estos hallazgos sugieren que ORT-ROFS es un enfoque prometedor para la predicción precisa de la gravedad de los accidentes, lo que respalda la planificación de la seguridad vial y las estrategias de intervención.