La desnutrición aguda es una condición de salud que afecta a una relevante cantidad de niños menores de 5 años. Anualmente se obtienen datos climatológicos y sociodemográficos que en la literatura han demostrado tener asociación con la desnutrición aguda infantil. Este estudio propone un modelo predictivo para la presencia de la desnutrición aguda en niños de 6 meses a 5 años en el Perú usando variables climáticas. La población y muestra de estudio seleccionada fueron los niños de entre 6 meses y 5 años en el Perú, durante el periodo de 2014 a 2019 elegibles para la ENDES INEI. Se emplearon modelos de Machine Learning como Random Forest y XGBoost con validación cruzada y evaluación por ventanas de tiempo. En el entrenamiento se obtuvo una precisión y AUC en validación de hasta 93% y 78% respectivamente, aunque en la evaluación se redujeron al 92% y 69%. Se aplicó un análisis desagregado por departamentos, donde la selva obtuvo los mejores resultados en sensibilidad (87% de promedio para los años de evaluación). Asimismo, se comparó un modelo base utilizando solo variables sociodemográficas, donde los resultados fueron comparables a los obtenidos por predictores climáticos. Como conclusión, se comprueba la capacidad de modelos basados en algoritmos de ML para utilizar datos secundarios climáticos y predecir la presencia de desnutrición aguda con un enfoque diferenciado en las regiones del Perú. Futuros estudios deberían incluir la temporalidad en el análisis, lo que favorece una herramienta de toma de decisiones en salud pública.Acute malnutrition is a health condition that affects a significant number of children under 5 years of age. Climatological and sociodemographic data are obtained annually and have been shown in the literature to be associated with acute malnutrition in children. This study proposes a predictive model for the presence of acute malnutrition in children aged 6 months to 5 years in Peru using climatic variables. The study population and sample selected were children aged 6 months to 5 years in Peru, during the period from 2014 to 2019 eligible for the ENDES INEI. Machine Learning models such as Random Forest and XGBoost were used with cross-validation and evaluation by time windows. In training, accuracy and AUC in validation were obtained up to 93% and 78%, respectively, although in evaluation they were reduced to 92% and 69%. A disaggregated analysis by department was applied, where the jungle obtained the best results in sensitivity (87% on average for the years of evaluation). Likewise, a base model was compared using only sociodemographic variables, where the results were comparable to those obtained by climatic predictors. In conclusion, the ability of models based on ML algorithms to use secondary climatic data to predict the presence of acute malnutrition with a differentiated approach in the regions of Peru is proven. Future studies should include temporality in the analysis, which would favor a decision-making tool in public health.