En este estudio, se desarrolló un sistema para predecir la anemia utilizando datos de recuento sanguíneo y algoritmos de aprendizaje supervisado. La anemia, una condición común caracterizada por bajos niveles de glóbulos rojos o hemoglobina, afecta la oxigenación y a menudo causa síntomas, como fatiga y dificultad para respirar. El diagnóstico de anemia a menudo requiere pruebas de laboratorio, lo que puede ser un desafío en áreas de bajos recursos donde la anemia es común. Construimos un enfoque de aprendizaje supervisado y entrenamos tres modelos (Análisis Discriminante Lineal, Árboles de Decisión y Bosque Aleatorio) utilizando un conjunto de datos de anemia de un estudio previo de Sabatini en 2022. El modelo de Bosque Aleatorio logró una precisión del 99.82%, destacando su capacidad para subclasificar los tipos de anemia (microcítica, normocítica y macrocítica) con alta precisión, lo que representa un avance novedoso en comparación con estudios anteriores limitados a la clasificación binaria (presencia/ausencia de anemia) del mismo conjunto de datos.