El creciente interés en el aprendizaje automático en un dominio crítico como la atención médica enfatiza la necesidad de predicciones confiables, ya que las decisiones basadas en estos resultados pueden tener consecuencias significativas. Este estudio evalúa métodos para valorar la fiabilidad puntual, centrándose en técnicas basadas en datos que se fundamentan en el principio de densidad y el principio de ajuste local. Estos métodos evalúan la fiabilidad de predicciones individuales analizando su similitud con los datos de entrenamiento y evaluando el rendimiento del modelo en regiones locales. Con el objetivo de establecer una comparación estandarizada, el estudio introduce un marco de referencia que combina evaluaciones de tasas de error a través de intervalos de fiabilidad con visualizaciones de Embedding Estocástico de Vecinos Distribuidos t para validar aún más los resultados. Los resultados demuestran que los métodos que combinan los principios de densidad y ajuste local generalmente superan a aquellos que se basan en un solo principio, logrando tasas de error más bajas para predicciones de alta fiabilidad. Además, el estudio identifica desafíos como el ajuste de parámetros de los métodos y las limitaciones de agrupamiento y proporciona información sobre su impacto en las evaluaciones de fiabilidad.