O aumento da expectativa de vida, estilo de vida inadequado, crises epidemiológicas e a desigualdade em acesso à serviços de saúde, demandam urgentemente atualizações tecnológicas com valores de previsões robustas e cenários alternativos que possam mapear futuros problemas de saúde. O uso de algoritmos de machine learning que leve em conta a variabilidade genética, fenotípica individual associada ao meio ambiente e estilo de vida, abre uma perspectiva para aplicação em escala populacional de um diagnóstico de precisão. Sendo assim, o objetivo principal desta tese é propor ferramentas de machine learning para a análise de risco cardiometabólico em trabalhadores da saúde. Tendo como objetivos específicos: a) realizar uma revisão sistemática na literatura e estimar a precisão diagnóstica de modelos preditivos de doenças cardiometabólicas; b) comparar as redes de fatores de risco cardiometabólico em trabalhadores com e sem doença de um Hospital Escola do Sul do Brasil.; c) aplicar algoritmos de clusterização para definir perfis de risco cardiometabólico em trabalhadores da saúde. A pesquisa foi realizada com 560 dados de servidores de um hospital escola nos anos de 2016 e 2018. O artigo 1 traz o estado da arte das publicações de modelos preditivos de doença cardiometabólica e a precisão diagnóstica de modelos preditivos, por meio da metanálise. Para as análises estatísticas descritivas foram apresentadas valores médios e intervalos de confiança de 95% para caracterizar a população. Para a confecção do artigo 2 foi utilizado o método ggmModSelect (Gaussian Graphical Models Mod Select), um algoritmo não regularizado potencialmente rápido para estimativa de rede com base principalmente no algoritmo glasso em combinação com a seleção do modelo BIC (Bayesian Information Criterion). No artigo 3 foi utilizado a análise estatística de agrupamento (clustering), com a utilização do algoritmo KMeans, uma técnica de análise exploratória de dados que agrupa objetos heterogêneos em grupos homogêneos. A partir dos resultados, é possível verificar a escassez de estudos sobre aprendizagem de máquina e preditores de atividade física. Além disso, no artigo 2 é possível observar que a variável mais forte foi o IMC, seguido de circunferência abdominal, glicemia e horas de sono na rede de doenças cardiometabólicas, demostrando um maior impacto de variáveis antropométricas e fisiológicas nos sujeitos com alguma complicação metabólica, quando comparado a sujeitos sem doenças. Os resultados do artigo 3, apontam para a criação de 3 clusters. O uso de agrupamento de fatores de risco cardiometabólicos identificou alta proporção de trabalhadores com presença de alterações cardiometabólicas relevantes. A análise em cluster é importante para possibilitar um olhar sem rotulo, com resultados, em muitos momentos inesperados. Focar em medidas preventivas e de baixo custo é algo essencial para a preparação da população para os desafios futuros, frente as diversas pandemias e avanços tecnológicos.