Las infecciones del tracto urinario (ITU) representan una de las infecciones bacterianas más prevalentes a nivel mundial, lo que supone una carga significativa para la salud, especialmente en países de ingresos bajos y medianos (PIM), debido a diagnósticos tardíos, acceso limitado a servicios de laboratorio y el aumento de la resistencia a los antimicrobianos. Este estudio presenta un marco de soporte diagnóstico basado en aprendizaje automático (ML) para la detección temprana de ITUs, aprovechando datos clínicos estructurados y técnicas de inteligencia artificial explicable (XAI) para mejorar la interpretabilidad y la confianza entre los proveedores de atención médica. Se utilizó un conjunto de datos de pacientes que contenía 4865 registros en el estudio para entrenar y probar clasificadores de Extreme Gradient Boosting (XGBoost), Árbol de Decisión (DT) y Bosque Aleatorio (RF), mientras que el desequilibrio de clases se abordó utilizando la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE). El rendimiento de los modelos se evaluó a través de precisión, exactitud, recuperación, puntuación F1, Log Loss y AUC-ROC, y el bosque aleatorio mostró los mejores resultados (exactitud: 86.43%, puntuación F1: 86.71%, AUC-ROC: 0.8695). Para garantizar que tales modelos puedan ser adoptados por las partes interesadas en el sector salud, se integraron Explicaciones Locales Interpretables Independientes del Modelo (LIME), que identificaron la micción dolorosa, la frecuencia urinaria y el dolor suprapúbico como predictores principales en el modelo. Este estudio muestra que los modelos de ML interpretables pueden ser útiles en regiones con recursos limitados para predecir ITUs, lo que proporciona una solución para mejorar la gestión de infecciones en estas regiones.