Más de 800 millones de personas en todo el mundo sufren de enfermedad renal crónica (ERC). Se posiciona como una de las principales causas de mortalidad global, destacándose por un aumento en las tasas de mortalidad en los últimos veinte años entre las enfermedades no transmisibles. El aprendizaje automático (ML) promete predecir tales enfermedades, pero su naturaleza opaca, dificultad para explicar predicciones y dificultad para reconocer errores pronosticados limitan su uso en el cuidado de la salud. Abordando estos desafíos, nuestra investigación presenta un modelo de ML explicativo diseñado para la detección temprana de la ERC. Utilizando un marco de perceptrón multicapa (MLP), mejoramos la transparencia del modelo integrando Explicaciones Modelo-Agnósticas Interpretables Localmente (LIME), proporcionando ideas claras sobre los procesos predictivos. Esto no solo desmitifica la toma de decisiones del modelo, sino que también capacita a los profesionales de la salud para identificar y corregir errores, comprender las limitaciones del modelo y asegurar su confiabilidad. Al mejorar la interpretabilidad del modelo, nuestro objetivo es fomentar la confianza y expandir la utilización de ML en la predicción de la ERC, contribuyendo en última instancia a mejores resultados en el cuidado de la salud.