La malaria, la fiebre tifoidea, las infecciones del tracto respiratorio y las infecciones del tracto urinario impactan significativamente a las mujeres, especialmente en entornos remotos y con recursos limitados, debido al acceso limitado a atención médica de calidad y ciertos factores de riesgo. La mayoría de los estudios se han centrado en medidas de control de vectores, como las mosquiteras tratadas con insecticidas y el análisis de series temporales, a menudo descuidando factores de riesgo emergentes pero críticos que son vitales para prevenir eficazmente las enfermedades febril. Abordamos esta brecha investigando el uso de modelos de aprendizaje automático (ML), específicamente el aumento extremo de gradiente y el bosque aleatorio, para predecir la susceptibilidad de las mujeres adultas a estas enfermedades en función de factores biológicos, ambientales y socioeconómicos. Se aplicó una técnica de IA explicable (XAI), explicaciones locales interpretables independientes del modelo (LIME), para mejorar la transparencia y la interpretabilidad de los modelos predictivos. Este enfoque proporcionó información sobre el proceso de toma de decisiones de los modelos e identificó factores de riesgo clave, lo que permitió a los profesionales de la salud personalizar los servicios de tratamiento. Factores como los niveles altos de colesterol, la mala higiene personal y la exposición a la contaminación del aire surgieron como contribuyentes significativos a la susceptibilidad a enfermedades, revelando áreas críticas para la intervención en salud pública en entornos remotos y con recursos limitados. Este estudio demuestra la efectividad de integrar XAI con ML en la dirección de intervenciones de salud, proporcionando una comprensión más clara de los factores de riesgo y asignando recursos de manera eficiente para la prevención y el tratamiento de enfermedades.