La predicción de interacciones entre fármacos (DDI) juega un papel crítico en la optimización de los resultados terapéuticos y en la mejora de la seguridad del paciente. Las DDI presentan desafíos en el descubrimiento de fármacos, a menudo conduciendo a efectos adversos, reducción de la eficacia o resultados inesperados. La IA en las DDI actúa como una herramienta efectiva para analizar y predecir DDI, lo que introduce enfoques computacionales eficientes para la predicción de DDI. Este documento tiene como objetivo proporcionar una comprensión integral de cómo los modelos de ML y DL se desempeñan en la predicción de DDI. Este documento presenta un análisis comparativo basado en métricas clave de rendimiento como precisión, exactitud, recuperación y F-score para diferentes modelos de ML y DL. Utilizamos la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) y el Optimizador de Lobo Gris (GWO), que lograron la mejor precisión del 95.42%. La combinación del GWO con SMOTE aborda tanto la optimización como los desafíos de desequilibrio de datos en la predicción de DDI. Efectivamente, SMOTE aborda el problema del desequilibrio de clases que conduce a un rendimiento deficiente. SMOTE mejora el rendimiento del modelo generando ejemplos sintéticos de la clase minoritaria en lugar de simplemente duplicar los existentes. Esto ayuda a crear un conjunto de datos equilibrado, permitiendo que el modelo aprenda los límites de decisión de manera más precisa. SMOTE reduce el riesgo de sobreajuste. El GWO sirve como un marco de optimización metaheurística que mejora el rendimiento del modelo al guiar la selección óptima de subconjuntos de características. Este proceso de optimización mejora la capacidad del modelo para capturar patrones de interacción complejos y no lineales, lo que lleva a resultados mejorados. En nuestro resultado, logramos una precisión de más del 94%, lo que ayuda en la seguridad de los fármacos y en la toma de decisiones terapéuticas en informática de la salud.