La identificación de biomarcadores es crucial para el diagnóstico del cáncer, comprender los mecanismos biológicos subyacentes y desarrollar terapias dirigidas. En este estudio, proponemos un enfoque de aprendizaje automático para predecir los resultados de los pacientes con cáncer de ovario y el estado de resistencia a platino utilizando datos de expresión génica públicamente disponibles. Se comparan seis algoritmos clásicos de aprendizaje automático en cuanto a su rendimiento predictivo. Aquellos con la puntuación más alta son analizados por su importancia de características utilizando el algoritmo SHAP. Pudimos seleccionar varios genes que se correlacionaron con el resultado y el estado de resistencia a platino de los pacientes y validamos estos utilizando gráficos de Kaplan-Meier. En comparación con enfoques similares, el rendimiento de los modelos fue superior, y se identificaron diferentes genes mediante el análisis de importancia de características. Los genes identificados más prometedores que podrían usarse como biomarcadores son TMEFF2, ACSM3, SLC4A1 y ALDH4A1.