El síndrome del túnel carpiano idiopático bilateral (CTS) es una condición neuromuscular que implica la compresión del nervio mediano en ambas muñecas, lo que lleva a dolor, síntomas neurológicos y pérdida de función. Este artículo propone un marco robusto de aprendizaje automático para un ensayo clínico cruzado aleatorizado que compara dos regímenes de tratamiento fisioterapéutico: estiramiento seguido de movilización miofascial (S/M) y la secuencia inversa (M/S). En lugar de hacer inferencias sobre la superioridad de un tratamiento sobre otro, el régimen de tratamiento sirve como una etiqueta analítica estructurada para investigar la separabilidad predictiva, la representación de características y la estabilidad del modelo dentro de un entorno experimental controlado. El conjunto de datos clínicos de 73 pacientes se sometió a un riguroso preprocesamiento, que incluyó la agregación de características de fuerza y el análisis de componentes principales (PCA). Se evaluaron varios clasificadores, siendo CatBoost el que logró un ROC-AUC de 0.985 y una precisión de prueba del 96.5%, mientras que Random Forest demostró una fuerte robustez adversarial con una precisión adversarial del 96.83%. Para evaluar la robustez, se introdujeron perturbaciones clínicamente restringidas en el espacio de características PCA, simulando una variabilidad de entrada realista. Los hallazgos indican que los algoritmos de aprendizaje en conjunto pueden capturar patrones estructurados en conjuntos de datos clínicos cruzados y permanecer estables bajo perturbaciones adversariales de baja magnitud. El estudio subraya la importancia de la evaluación de la robustez y la interpretabilidad al aplicar modelos de aprendizaje automático a datos biomédicos, particularmente en cohortes clínicas pequeñas y bien estructuradas.