Introducción: la tendinopatía rotuliana afecta comúnmente a atletas de alto rendimiento, especialmente en deportes con saltos repetitivos como el básquet. La identificación temprana de atletas en riesgo sigue siendo un desafío clínico, donde el aprendizaje automático podría ofrecer soluciones efectivas. Objetivos: desarrollar un modelo de machine learning para predecir el riesgo de tendinopatía rotuliana en jugadores de baloncesto, utilizando variables clínicas, biomecánicas, antropométricas y de carga de entrenamiento. Materiales y métodos: se realizó un estudio observacional y transversal en ochenta y un jugadores profesionales y semiprofesionales. Se evaluaron variables clínicas (VISA-P, EVA), ecográficas (diámetro del tendón en AP5 y AP10), antropométricas y funcionales (SLS). Los datos se analizaron en Python utilizando el algoritmo Random Forest, con validación cruzada de 10-folds. Resultados: el modelo alcanzó un 93.94 % de precisión en el conjunto de prueba. La variable más influyente fue el score VISA-P (55.3 %), seguida por AP10 y EVA. La matriz de confusión mostró alta sensibilidad y especificidad, con mínima tasa de falsos negativos. La inclusión de un árbol de decisión facilitó la interpretación clínica. Conclusión: el modelo Random Forest alcanzó una precisión superior al 93 % y permitió identificar de forma temprana el riesgo de tendinopatía rotuliana en jugadores de baloncesto; el score VISA-P y el AP10 se destacaron como los principales predictores. Su precisión y capacidad de interpretación lo convierten en una herramienta útil para la prevención personalizada en el deporte de alto rendimiento.