Este estudio explora el diseño y las capacidades de un Sistema de Información Geográfica (SIG) incorporado con un sistema de conocimiento experto, diseñado para rastrear y monitorear la propagación de enfermedades peligrosas en una colección de granjas de peces. Dirigiéndose específicamente a las regiones acuícolas de Grecia, el sistema captura datos geográficos y climáticos pertinentes a estas granjas. Una característica de este sistema es su capacidad para calcular los intervalos de transmisión de enfermedades entre jaulas individuales y entidades de granjas de peces más amplias, proporcionando información crucial sobre la dinámica de propagación. Estos datos actúan luego como un punto de entrada a nuestro sistema experto. Para mejorar la precisión predictiva, empleamos diversas estrategias de aprendizaje automático, centrándonos finalmente en un entorno de aprendizaje por refuerzo (RL). Este marco de RL, mejorado por la técnica de Bandido de múltiples brazos (MAB), se destaca como un mecanismo poderoso para gestionar eficazmente el flujo de transmisiones de virus dentro de las granjas. Pruebas empíricas destacan la eficiencia del enfoque MAB, que, en comparaciones directas, superó consistentemente otras opciones algorítmicas, logrando una impresionante tasa de precisión del 96%. Mirando hacia el futuro, planeamos integrar técnicas de buffer y profundizar en modelos avanzados de RL para mejorar nuestro sistema actual. Los resultados sientan las bases para futuras investigaciones en modelado predictivo dentro de la gestión de la salud acuícola, y nuestro objetivo es extender aún más nuestra investigación.