Detectar problemas de autocuidado es uno de los temas importantes y desafiantes para los terapeutas ocupacionales, ya que requiere un proceso complejo y que consume tiempo. Los algoritmos de aprendizaje automático se han aplicado recientemente para superar este problema. En este estudio, proponemos un modelo de predicción de autocuidado llamado GA-XGBoost, que combina algoritmos genéticos (GAs) con extreme gradient boosting (XGBoost) para predecir problemas de autocuidado en niños con discapacidad. La selección del subconjunto de características afecta el rendimiento del modelo; por lo tanto, utilizamos GA para optimizar la búsqueda de los subconjuntos de características óptimos para mejorar el rendimiento del modelo. Para validar la efectividad de GA-XGBoost, presentamos seis experimentos: comparando GA-XGBoost con otros modelos de aprendizaje automático y resultados de estudios anteriores, una prueba de significancia estadística, análisis de impacto de la selección de características y comparación con otros métodos de selección de características, y análisis de sensibilidad de los parámetros de GA. Durante los experimentos, utilizamos precisión, exactitud, sensibilidad y puntaje f1 para medir el rendimiento de los modelos de predicción. Los resultados muestran que GA-XGBoost obtiene un mejor rendimiento que otros modelos de predicción y los resultados de estudios anteriores. Además, diseñamos y desarrollamos una predicción de autocuidado basada en la web para ayudar a los terapeutas a diagnosticar los problemas de autocuidado de los niños con discapacidades. Por lo tanto, se podrían realizar tratamientos/terapias apropiados para cada niño para mejorar su resultado terapéutico.