El carcinoma hepatocelular (HCC) presenta altas tasas de mortalidad en todo el mundo, con evidencia limitada sobre factores pronósticos al diagnóstico. Este estudio evalúa la utilidad de puntajes comunes que incorporan albúmina como predictores de mortalidad al diagnóstico de HCC utilizando técnicas de Machine Learning. También se comparan con otros puntajes y variables comúnmente utilizados. Se realizó un estudio de cohorte retrospectivo con 191 pacientes del Hospital Virgen de la Luz de Cuenca y del Hospital Universitario de Guadalajara. Se incluyeron variables demográficas, analíticas y específicas del tumor. Se implementaron varios algoritmos de Machine Learning, con eXtreme Gradient Boosting (XGB) como método de referencia. En el modelo predictivo desarrollado, el puntaje de Barcelona Clinic Liver Cancer fue el mejor predictor de mortalidad, seguido de cerca por los puntajes de Plaquetas-Albúmina-Bilirrubina y Albúmina-Bilirrubina. Los niveles de albúmina solos también mostraron una alta relevancia. Otros puntajes, como Proteína C-Reactiva/albúmina y Child-Pugh, tuvieron un rendimiento menos efectivo. XGB demostró ser el método más preciso entre las métricas analizadas, superando a otros algoritmos de ML. En conclusión, los puntajes de Barcelona Clinic Liver Cancer, Plaquetas-Albúmina-Bilirrubina y Albúmina-Bilirrubina son altamente confiables para evaluar la supervivencia al diagnóstico de HCC. El modelo desarrollado con XGB resultó ser el más confiable para este propósito en comparación con los otros métodos propuestos.