El uso de técnicas de análisis de datos en los registros electrónicos de salud (EHR) ofrece una gran promesa para mejorar la modelización de riesgos predictivos. Aunque son útiles, estas técnicas de análisis a menudo sufren de una falta de interpretabilidad y transparencia, especialmente cuando los datos son de alta dimensión. La aparición de un tipo de sistema computacional conocido como análisis visual tiene el potencial de abordar estos problemas al integrar técnicas de análisis de datos con visualizaciones interactivas. Este documento presenta un sistema de análisis visual llamado VERONICA que utiliza la clasificación natural de características en los EHR para identificar el grupo de características con el mayor poder predictivo. VERONICA incorpora un conjunto representativo de técnicas de aprendizaje automático supervisado, a saber, árboles de clasificación y regresión, C5.0, bosques aleatorios, máquinas de soporte vectorial y Bayes ingenuo, para ayudar a los usuarios a desarrollar modelos predictivos utilizando EHR. Luego, hace que los resultados del análisis sean accesibles a través de una interfaz visual interactiva. Al integrar diferentes estrategias de muestreo, algoritmos de análisis, técnicas de visualización e interacción humano-datos, VERONICA asiste a los usuarios en la comparación de modelos de predicción de manera sistemática. Para demostrar la utilidad y funcionalidad de nuestro sistema propuesto, utilizamos el conjunto de datos clínicos almacenados en ICES para identificar los mejores grupos de características representativas en la detección de pacientes que tienen un alto riesgo de desarrollar lesión renal aguda.