En tiempos recientes, se han construido varios modelos de aprendizaje automático para ayudar en la predicción de diversas enfermedades y minimizar los errores de diagnóstico cometidos por los médicos. Sin embargo, dado que la mayoría de los conjuntos de datos médicos parecen estar desequilibrados, los algoritmos de aprendizaje automático convencionales tienden a rendir por debajo cuando se entrenan con tales datos, especialmente en la predicción de la clase minoritaria. Para abordar este desafío y ofrecer un modelo robusto para la predicción de enfermedades, este documento introduce un enfoque que comprende etapas de aprendizaje de características y clasificación que integran un autoencoder disperso mejorado (SAE) y regresión Softmax, respectivamente. En la red SAE, la dispersión se logra penalizando los pesos de la red, a diferencia de los SAE convencionales que penalizan las activaciones dentro de las capas ocultas. Para la tarea de clasificación, el clasificador Softmax se optimiza aún más para lograr un excelente rendimiento. Por lo tanto, el enfoque propuesto tiene la ventaja de un aprendizaje de características efectivo y un rendimiento de clasificación robusto. Cuando se empleó para predecir tres enfermedades, el método propuesto obtuvo precisión de prueba del 98%, 97% y 91% para enfermedad renal crónica, cáncer cervical y enfermedad cardíaca, respectivamente, lo que muestra un rendimiento superior en comparación con otros algoritmos de aprendizaje automático. El enfoque propuesto también logra un rendimiento comparable con otros métodos disponibles en la literatura reciente.