La diabetes gestacional (DG) es una condición común con repercusiones tanto para la madre como para su hijo. Se propusieron técnicas de modelado de aprendizaje automático (AA) para predecir el riesgo de varios resultados médicos. Se justifica una evaluación sistemática de la capacidad predictiva de los factores maternos que resultan en DG en los EAU. Se utilizaron datos de un total de 3858 mujeres que dieron a luz y tenían información sobre su estado de DG en una cohorte de nacimiento para ajustar el modelo de predicción del riesgo de DG. La información utilizada para el modelado predictivo provino de datos epidemiológicos autoinformados recopilados en las primeras etapas de la gestación. Se utilizaron tres modelos de AA diferentes: bosque aleatorio (BA), modelo de aumento de gradiente (MAG) y aumento de gradiente extremo (XGBoost), para predecir la DG. Además, para proporcionar una interpretación local de cada característica en el diagnóstico de DG, se estudiaron las características utilizando explicaciones aditivas de Shapley (SHAP). Los resultados obtenidos utilizando modelos de AA muestran que XGBoost, que alcanzó un AUC de 0.77, tuvo un mejor rendimiento en comparación con BA y MAG. La importancia de las características individuales utilizando el valor SHAP y el modelo XGBoost muestra que el diagnóstico previo de DG, la edad materna, el índice de masa corporal y la gravedad juegan un papel vital en el diagnóstico de DG. Los modelos de AA que utilizan datos epidemiológicos autoinformados son útiles y factibles en modelos de predicción para el diagnóstico de DG entre mujeres embarazadas. Dichos datos deben ser recopilados periódicamente al inicio del embarazo para que los profesionales de la salud puedan intervenir en etapas tempranas y prevenir resultados adversos en el embarazo y el parto. El algoritmo XGBoost fue el modelo óptimo para identificar las características que predicen el diagnóstico de DG.