La prueba de independencia condicional (CI) es fundamental en el análisis estadístico. Por ejemplo, la prueba de CI ayuda a validar gráficos causales o análisis de datos longitudinales con medidas repetidas en inferencia causal. La prueba de CI es difícil, especialmente cuando la prueba implica variables categóricas condicionadas a una mezcla de variables continuas y categóricas. Los métodos de prueba paramétricos y no paramétricos actuales están diseñados para variables continuas y pueden quedarse cortos rápidamente en el caso categórico. Este documento presenta un enfoque computacional para la prueba de CI adecuado para tipos de datos categóricos, que llamamos prueba de independencia condicional computacional (CCI). El procedimiento de prueba se basa en la permutación y combina algoritmos de predicción de aprendizaje automático y validación cruzada de Monte Carlo. Evaluamos el enfoque a través de estudios de simulación y evaluamos el rendimiento frente a métodos alternativos: la prueba de medida de covarianza generalizada, la prueba de independencia condicional del núcleo y la prueba con regresión multinomial. Descubrimos que el enfoque computacional para la prueba tiene utilidad sobre los métodos alternativos, logrando un mejor control sobre las tasas de error tipo I. Esperamos que este trabajo pueda ampliar el conjunto de herramientas para la prueba de CI para los profesionales e investigadores.