La microbiota ha demostrado ser uno de los factores críticos para muchas enfermedades, y los investigadores han estado utilizando datos del microbioma para la predicción de enfermedades. Sin embargo, los modelos entrenados en un estudio independiente de microbioma pueden no ser fácilmente aplicables a otros estudios independientes debido al alto nivel de variabilidad en los datos del microbioma. En este estudio, desarrollamos un método para mejorar la generalizabilidad y la interpretabilidad de los modelos de aprendizaje automático para predecir tres enfermedades diferentes (cáncer colorrectal, enfermedad de Crohn y respuesta a la inmunoterapia) utilizando nueve conjuntos de datos de microbioma independientes. Nuestro método implica combinar un conjunto de datos más pequeño con un conjunto de datos más grande, y encontramos que el uso de al menos el 25% de las muestras objetivo en los datos fuente resultó en un mejor rendimiento del modelo. Determinamos el bosque aleatorio como nuestro modelo principal y empleamos la selección de características para identificar taxones comunes e importantes para la predicción de enfermedades en los diferentes estudios. Nuestros resultados sugieren que este esquema de aprovechamiento es un enfoque prometedor para mejorar la precisión y la interpretabilidad de los modelos de aprendizaje automático para predecir enfermedades basadas en datos del microbioma.