Este proyecto presenta el desarrollo y validación de un modelo de inteligencia artificial para la predicción de riesgo de coledocolitiasis, utilizando un enfoque de ensamble que combina técnicas de stacking y boosting. Con una sensibilidad de 96.81 %, especificidad de93.16 % y un puntaje F1 de 94.87 %, el modelo demuestra una alta precisión en la detección ́de casos positivos y una reducción significativa de falsos positivos . Este enfoque de ensamble integra modelos lineales (Regresión Logística y Análisis de Discriminante Lineal) y no lineales (CNN 1D), aprovechando las fortalezas de cada uno para maximizar el rendimiento.