La lesión renal aguda (LRA) es una complicación común en pacientes hospitalizados y puede resultar en un aumento de la estancia hospitalaria, costos relacionados con la salud, mortalidad y morbilidad. Varios estudios recientes han demostrado que la LRA es predecible y evitable si se pueden identificar factores de riesgo tempranos mediante el análisis de Registros Electrónicos de Salud (RES). En este estudio, empleamos técnicas de aprendizaje automático para identificar a pacientes mayores que tienen riesgo de readmisión con LRA al hospital o al departamento de emergencias dentro de los 90 días posteriores al alta. Se incluyen los registros de un millón de pacientes que visitaron el hospital o el departamento de emergencias en Ontario entre 2014 y 2016. Las variables predictoras incluyen demografía del paciente, condiciones comórbidas, medicamentos y códigos de diagnóstico. Desarrollamos 31 modelos de predicción basados en diferentes combinaciones de dos técnicas de muestreo, tres métodos de ensamblaje y ocho clasificadores. Estos modelos fueron evaluados mediante validación cruzada de 10 pliegues y comparados en función de la métrica AUROC. Las actuaciones de estos modelos fueron consistentes, y el AUROC osciló entre 0.61 y 0.88 para predecir LRA entre 31 modelos de predicción. En general, las actuaciones de los métodos basados en ensamblaje fueron superiores a la regresión logística sensible al costo. También validamos las características que son más relevantes para predecir LRA con un experto en salud para mejorar el rendimiento y la fiabilidad de los modelos. Este estudio predice el riesgo de LRA para un paciente después de ser dado de alta, lo que proporciona a los proveedores de atención médica suficiente tiempo para intervenir antes del inicio de la LRA.