Mantener la salud y el bienestar de las gallinas ponedoras es clave para lograr una productividad máxima y se ha vuelto significativo para asegurar la confianza del consumidor en la industria. Los sistemas de producción de huevos de gallinas en libertad representan entornos diversos, con una variedad de desafíos que socavan el rendimiento del grupo que no se experimentan en sistemas de producción más convencionales. Estos desafíos pueden incluir una mayor exposición a parásitos e infecciones bacterianas o virales, junto con lesiones y daños en el plumaje resultantes de una mayor libertad de movimiento e interacción con los compañeros de grupo. La capacidad de prever la incidencia de estos desafíos de salud a lo largo del ciclo de producción para gallinas ponedoras individuales podría resultar en una oportunidad para realizar ahorros económicos significativos. Al ofrecer la oportunidad de reducir las tasas de mortalidad y aumentar las tasas de puesta de huevos, la implementación de sistemas de monitoreo de grupos puede ser una solución viable. Este estudio investiga el uso de tecnologías de identificación por radiofrecuencia (RFID) y aprendizaje automático para identificar patrones de uso del sistema de producción y prever el estado de salud de gallinas individuales. Se presenta un análisis de los datos subyacentes que se centra en identificar correlaciones y estructuras que son significativas para explicar el rendimiento de los modelos predictivos que se entrenan con estos conjuntos de datos desafiantes y altamente desbalanceados. Se desarrolló un flujo de trabajo de aprendizaje automático que incorpora el re-muestreo de datos para superar el desbalance del conjunto de datos y la identificación/refinamiento de características de datos importantes. Los resultados demuestran un rendimiento prometedor, con un promedio del 28% de la Enfermedad del Hígado Manchado, 33% de lombrices redondas y 33% de infecciones por tenias correctamente predichas al final de la producción. El análisis mostró que monitorear a las gallinas durante las primeras etapas de la producción de huevos muestra un rendimiento similar al de los modelos entrenados con datos obtenidos en períodos posteriores de producción de huevos. El trabajo futuro podría mejorar estas predicciones iniciales al incorporar flujos de datos adicionales para crear una visión más completa de la salud del grupo.