Uno de cada cuatro reingresos hospitalarios es potencialmente prevenible. Se han desarrollado modelos de aprendizaje automático (ML) para predecir reingresos hospitalarios y estratificar el riesgo de los pacientes, pero hasta ahora han sido limitados en aplicabilidad clínica, puntualidad y generalizabilidad. Métodos: Utilizando datos clínicos desidentificados de la Universidad de California, San Francisco (UCSF) entre enero de 2016 y noviembre de 2021, desarrollamos y comparamos cuatro modelos de ML supervisados (regresión logística, bosque aleatorio, aumento de gradiente y XGBoost) para predecir reingresos a los 30 días para adultos admitidos en un hospital de UCSF. Resultados: De 147,358 encuentros de pacientes hospitalizados, 20,747 (13.9%) pacientes fueron readmitidos dentro de los 30 días posteriores al alta. El modelo final seleccionado fue XGBoost, que tuvo un área bajo la curva de características operativas del receptor de 0.783 y un área bajo la curva de precisión-recall de 0.434. Las características más importantes según las Explicaciones Aditivas de Shapley fueron los días desde la última admisión, el departamento de alta y la duración de la estancia hospitalaria. Conclusiones: Desarrollamos y validamos internamente un modelo de ML supervisado para predecir reingresos a los 30 días en un sistema de salud basado en EE. UU. Este modelo tiene varias ventajas, incluyendo métricas de rendimiento de vanguardia, el uso de datos clínicos, el uso de características disponibles dentro de las 24 horas posteriores al alta y la generalizabilidad a múltiples estados de enfermedad.