La pandemia de la enfermedad por coronavirus 2019 (COVID-19) resaltó la necesidad urgente de estrategias efectivas de vacunación para controlar la propagación del virus y reducir la mortalidad. Los algoritmos de aprendizaje automático (ML) ofrecen herramientas prometedoras para predecir la efectividad de la vacuna y ayudar en las decisiones de salud pública. Este estudio explora la aplicación de varias técnicas de ML, incluyendo redes neuronales artificiales (ANN), árboles de decisión (DT), vecinos más cercanos (KNN), bosques aleatorios (RF) y máquinas de vectores de soporte (SVM) para modelar y predecir el impacto de la vacunación en la mortalidad por COVID-19. Los algoritmos fueron evaluados utilizando métricas de precisión, sensibilidad, especificidad, F-measure y área bajo la curva (AUC). Los hallazgos revelaron que DT superó a otros algoritmos de ML, logrando las métricas más altas en múltiples criterios de evaluación. Registró una precisión del 92.27%, sensibilidad del 92.54%, especificidad del 91.95%, especificidad del 87.92%, F-measure del 92.24% y un AUC del 94.50%, resaltando su excepcional rendimiento predictivo. Además, DT demostró este alto nivel de precisión manteniendo un tiempo computacional mínimo. Estos hallazgos sugieren que los modelos de ML, particularmente los DT, pueden ser valiosos para evaluar la efectividad de la vacuna e informar estrategias de salud contra COVID-19.