A infertilidade, definida como ausência de concepção após um período médio de 12 meses de relação sexual desprotegida, tornou-se um problema de saúde global. A infertilidade afeta cerca de 37 a 70 milhões de casais em todo o mundo, o que justifica o aumento do número de casais em busca de fertilização in vitro (FIV). Apesar dos avanços e aprimoramentos técnicos nos procedimentos de fertilização artificial, alguns casais não conseguem ter sucesso devido à alta complexidade da técnica e aos vários fatores, controláveis ou não, que podem comprometer o resultado final. Machine Learning (ML) é uma subárea da Inteligência Artificial que se dedica ao estudo de algoritmos e modelos estatísticos para executar uma determinada tarefa sem a necessidade do uso de instruções explícitas, com o intuito de gerar modelos preditivos do desfecho. O objetivo deste estudo foi aplicar modelos de ML para predizer o sucesso de gestação em mulheres submetidas ao procedimento de FIV em um serviço público de saúde, incluindo variáveis pré-implantacionais. Este estudo incluiu a análise de um banco de dados compreendendo 771 casos de casais submetidos à FIV no Hospital das Clínicas da Universidade Federal de Minas Gerais, entre 2013 e 2019. Foram utilizados os seguintes algoritmos baseados em ML: Regressão Logística, Randon Forest, XG Boost e Support Vector Machines (SVM). O algoritmo Random Forest apresentou o melhor desempenho, com melhor acurácia, sensibilidade e área sob a curva ROC, indicando as 20 variáveis, dentre as 90 totais do banco de dados, que são mais relevantes para predizer o sucesso da gravidez após a FIV. Nosso algoritmo de ML pode ser útil para estimar a chance de gravidez em mulheres submetidas à FIV, bem como definir as variáveis nas quais a intervenção clínica pode melhorar o sucesso do tratamento