Este estudio aplicó algoritmos de aprendizaje automático (ML) para predecir la calidad de vida relacionada con la salud (HRQOL) utilizando características integrales de determinantes sociales de la salud (SDOH). Los datos del conjunto de datos All of Us, que comprenden participantes con registros completos de HRQOL y SDOH, fueron analizados. El resultado principal fue HRQOL, que abarcaba componentes de salud física y mental, mientras que las características de SDOH incluían factores sociales, educativos, económicos, ambientales y de acceso a la atención médica. Se probaron tres algoritmos de ML, a saber, regresión logística, XGBoost y Random Forest. Los modelos lograron rangos de precisión de 0.73-0.77 para HRQOL, 0.70-0.71 para la salud física y 0.72-0.77 para la salud mental, con rangos correspondientes de área bajo la curva de 0.81-0.84, 0.74-0.76 y 0.83-0.85, respectivamente. La estabilidad emocional, el manejo de la actividad, las creencias espirituales y la comorbilidad fueron identificados como predictores clave. Estos hallazgos subrayan el papel crítico de SDOH en la predicción de HRQOL y sugieren futuras investigaciones para centrarse en aplicar dichos modelos a diversas poblaciones de pacientes y condiciones clínicas específicas.