Este estudio presenta un novedoso Modelo de Detección de Malware de API Híbrida Basado en Similitud (HAPI-MDM) con el objetivo de mejorar la precisión de la detección de malware aprovechando las fortalezas combinadas del análisis estático y dinámico de llamadas a API. Frente al desafío generalizado de las técnicas de ofuscación utilizadas por los autores de malware, los modelos de detección convencionales a menudo luchan por mantener un rendimiento sólido. Nuestro modelo propuesto aborda este problema mediante la implementación de un enfoque de aprendizaje de dos etapas en el que el algoritmo XGBoost actúa como extractor de características que alimenta a una Red Neuronal Artificial (ANN). La innovación clave de HAPI-MDM es la característica basada en similitud, que mejora aún más la precisión de la detección del análisis dinámico, asegurando una detección confiable incluso en presencia de ofuscación. El modelo fue evaluado utilizando siete técnicas de aprendizaje automático con validación cruzada de 10 K-fold. Los resultados experimentales demostraron el rendimiento superior de HAPI-MDM, logrando una precisión general del 97.91% y las tasas más bajas de falsos positivos y falsos negativos en comparación con trabajos relacionados. Los hallazgos sugieren que la integración de características dinámicas y estáticas basadas en API y el uso de una característica basada en similitud mejoran significativamente el rendimiento de la detección de malware, ofreciendo así una herramienta efectiva para fortalecer las medidas de ciberseguridad contra las crecientes amenazas de malware.