El virus de la influenza aviar H9N2 se ha convertido en uno de los subtipos dominantes del virus de la influenza aviar en las aves de corral y ha sido significativamente perjudicial para las gallinas en China, con grandes pérdidas económicas en términos de reducción de la producción de huevos o alta mortalidad por co-infección con otros patógenos. Una predicción del estado de H9N2 basada en datos de producción fácilmente disponibles y con alta precisión sería importante y esencial para prevenir y controlar brotes de H9N2 por adelantado. Este estudio desarrolló un marco de aprendizaje automático basado en el algoritmo de clasificación XGBoost utilizando tasas de postura y mortalidades de 3 meses recopiladas de tres gallineros infectados con H9N2 con ciclos de inicio completos. Se desarrolló un marco para predecir automáticamente el estado de H9N2 de cada gallinero para los próximos 3 días (estado H9N2 + 0, estado H9N2 + 1, estado H9N2 + 2) con cinco marcos temporales (día + 0, día - 1, día - 2, día - 3, día - 4). Se ha demostrado que se puede lograr una tasa de precisión alta > 90%, una tasa de recuperación > 90%, una tasa de precisión > 80%, y un área bajo la curva de la característica operativa del receptor >= 0.85 con los modelos de predicción. Se recomendaron altamente los modelos con día + 0 y día - 1 para predecir el estado H9N2 + 0 y el estado H9N2 + 1 para el monitoreo directo o auxiliar de su ocurrencia y desarrollo. Tal marco podría proporcionar nuevas perspectivas para predecir brotes de H9N2, y otras aplicaciones prácticas potenciales para ayudar en el monitoreo de enfermedades también serían considerables.