El síndrome cardiometabólico (SCM) es una preocupación creciente en niños y adolescentes, caracterizado por obesidad, hipertensión, resistencia a la insulina y dislipidemia. Este estudio tuvo como objetivo predecir el SCM utilizando aprendizaje automático basado en datos del estudio CASPIAN-V, que involucró a 14,226 participantes de 7 a 18 años, con una prevalencia de SCM del 82.9%. Aplicamos el algoritmo XGBoost para analizar variables no invasivas clave, incluyendo salud autoevaluada, exposición al sol, tiempo frente a pantallas, consanguinidad, hábitos dietéticos saludables y no saludables, consumo discrecional de sal y azúcar, peso al nacer y orden de nacimiento, educación del padre y la madre, comportamiento de higiene oral y antecedentes familiares de dislipidemia, obesidad, hipertensión y diabetes utilizando validación cruzada de cinco pliegues. El modelo logró una alta sensibilidad (94.7% +/- 4.8) y especificidad (78.8% +/- 13.7), con un área bajo la curva ROC (AUC) de 0.867 +/- 0.087, lo que indica un fuerte rendimiento predictivo y superó significativamente al índice de masa triponderal (IMT) (prueba t pareada ajustada; p < 0.05). Los factores modificables seleccionados más críticos fueron la exposición al sol, el tiempo frente a pantallas, la consanguinidad, la dieta saludable y no saludable, el tipo de grasa dietética y el consumo discrecional de sal. Este estudio enfatiza la importancia clínica de la identificación temprana de individuos en riesgo para implementar intervenciones oportunas. Ofrece una herramienta prometedora para la detección del riesgo de SCM. Estos hallazgos apoyan el uso de análisis predictivos en entornos clínicos para abordar la creciente epidemia de SCM en niños y adolescentes.