Los accidentes de tráfico son una de las causas de muerte más comunes en todo el mundo. Según estadísticas de la Organización Mundial de la Salud (OMS), 50 millones de personas están involucradas en accidentes de tráfico cada año. Canadá, especialmente Montreal, no es inmune a este problema. Los datos de la Société de l"Assurance Automobile du Québec (SAAQ) muestran que hubo 392 muertes en las carreteras de Québec en 2022, 38 de ellas relacionadas con la ciudad de Montreal. Este valor representa un aumento del 29.3% para la ciudad de Montreal en comparación con el promedio de los años 2017 a 2021. En este contexto, es importante tomar medidas concretas para mejorar la seguridad vial en la ciudad de Montreal. En este artículo, presentamos una solución basada en la web y en el aprendizaje automático que predice la gravedad de los accidentes de tráfico en Montreal. Esta solución utiliza un conjunto de datos de accidentes de tráfico que ocurrieron en Montreal entre 2012 y 2021. Al predecir la gravedad de los accidentes, nuestro enfoque tiene como objetivo identificar los factores clave que influyen en si un accidente es grave o no. Comprender estos factores puede ayudar a las autoridades a implementar intervenciones específicas para prevenir accidentes graves y asignar recursos de manera más efectiva durante las respuestas de emergencia. Algoritmos de clasificación como eXtreme Gradient Boosting (XGBoost), Categorical Boosting (CatBoost), Random Forest (RF) y Gradient Boosting (GB) se utilizaron para desarrollar el modelo de predicción. Se utilizaron métricas de rendimiento como precisión, recuperación, puntuación F1 y exactitud para evaluar el modelo de predicción. El análisis de rendimiento muestra una excelente precisión del 96% para el modelo de predicción basado en el clasificador XGBoost. Los otros modelos (CatBoost, RF, GB) lograron una exactitud del 95%, 93% y 89%, respectivamente. El modelo de predicción basado en el clasificador XGBoost se implementó utilizando una aplicación web cliente-servidor gestionada por Swagger-UI, Angular y el marco Python Flask. Este estudio realiza contribuciones significativas al campo al emplear un conjunto de algoritmos de aprendizaje automático supervisado, lograr una alta precisión de predicción y desarrollar una aplicación web de predicción en tiempo real. Esta aplicación permite respuestas más rápidas y efectivas de los servicios de emergencia, lo que potencialmente reduce el impacto de los accidentes graves y mejora la seguridad vial en general.