Los informes de la fiebre del Valle del Rift (FVR), una enfermedad zoonótica altamente sensible al clima, han sido bastante frecuentes en Kenia. Aunque múltiples análisis empíricos han demostrado que los métodos de aprendizaje automático superan a los modelos de series temporales en la predicción de datos de series temporales, hay evidencia limitada de su aplicación en la predicción de brotes de enfermedades en África. En tiempos recientes, la literatura ha informado varias aplicaciones del aprendizaje automático para facilitar la toma de decisiones inteligentes en el sector de la salud y la salud pública. Sin embargo, hay escasez de información sobre la utilización del modelo XGBoost para predecir brotes de enfermedades. Dentro de las provincias de Kenia, la incidencia de la fiebre del Valle del Rift fue más prominente en las regiones del Valle del Rift (26.80%) y Este (20.60%). Este estudio investigó la correlación entre la ocurrencia de FVR (fallo rápido de la vegetación) y varias variables climáticas, incluyendo humedad, contenido de arcilla, elevación, pendiente y lluvia. La matriz de correlación reveló una dependencia lineal modesta entre diferentes variables climáticas y casos de FVR, siendo la correlación más alta, un escaso 0.02903, observada para la lluvia. El modelo XGBoost fue entrenado utilizando estas variables climáticas y logró medidas de rendimiento sobresalientes, incluyendo un AUC de 0.8908, precisión del 99.74%, precisión del 99.75% y recuperación del 99.99%. El análisis de la importancia de las características reveló que la lluvia fue el predictor más significativo. Estos hallazgos se alinean con estudios previos que demuestran la importancia de las condiciones climáticas en los brotes de FVR. Los resultados del estudio indican que la incorporación de modelos avanzados de aprendizaje automático que consideren varias variables climáticas puede mejorar significativamente la predicción y gestión de la incidencia de FVR.