La enfermedad de Alzheimer (EA) es un trastorno neurológico persistente que no tiene cura. Para que se implemente un tratamiento exitoso, es esencial diagnosticar la EA en una etapa temprana, lo que puede ocurrir hasta ocho años antes de que se manifieste la demencia. En este sentido, se propone un nuevo modelo predictivo de aprendizaje automático que funciona en dos etapas y aprovecha tanto enfoques de aprendizaje no supervisado como supervisado para proporcionar una solución rápida, asequible y precisa. La primera etapa involucró la partición difusa de un conjunto de datos de referencia, DARWIN (Diagnóstico de Alzheimer con escritura a mano). Este conjunto de datos consiste en características clínicas y está diseñado para detectar la enfermedad de Alzheimer a través del análisis de la escritura. Para determinar el número óptimo de clústeres, se promediaron cuatro Índices de Validez de Agrupamiento (CVI), que nos referimos como características cognitivas. Durante la segunda etapa, se construyó un modelo predictivo exclusivamente a partir de estas características cognitivas. En comparación con modelos que dependen de conjuntos de datos con atributos clínicos, los modelos que incorporan características cognitivas mostraron mejoras sustanciales en el rendimiento, que oscilan entre el 12% y el 26%. Nuestro modelo propuesto superó todos los modelos de última generación actuales, logrando una precisión media del 99%, una sensibilidad media del 98%, una especificidad media del 100%, una precisión media del 100% y una media de MCC y Kappa de Cohen del 98%, junto con una puntuación media de AUC-ROC del 99%. Por lo tanto, la integración de la salida del aprendizaje no supervisado en modelos de aprendizaje automático supervisado mejoró significativamente su rendimiento. En el proceso de elaboración de intervenciones tempranas para individuos con un riesgo elevado de inicio de la enfermedad, nuestro marco pronóstico puede ayudar tanto en el reclutamiento como en el avance de ensayos clínicos.