Antecedentes: Después de COVID-19, se desarrollaron métodos alternativos a las pruebas de laboratorio para la predicción del SARS-CoV-2. El objetivo de este estudio fue desarrollar y validar un modelo para la predicción individualizada de la infección por SARS-CoV-2. Nuestra pregunta de investigación fue: ¿Cuál es el desempeño de un modelo desarrollado para predecir el diagnóstico de COVID-19 en pacientes de los Centros de Salud de Álvaro Obregón, con un método remoto de recolección de datos, tales como la sintomatología, la demografía, contacto con caso sospechoso, y que sea desarrollado a partir de un modelo estadístico de regresión logística binaria? Metodología: El estudio incluyó pacientes de los Centros de Salud de la Alcaldía Álvaro Obregón de 2021 a 2023 abarcando las 6 olas de contagio registradas en el Sistema de Vigilancia Epidemiológica de las Enfermedades Respiratorias Virales (SINAVE). Con muestras de 36,949 pacientes para la primera fase (desarrollo del modelo, primeras 5 olas) y 2,957 para la segunda fase (validación, ola 6). Las variables significativas entre positivos y negativos del virus se usaron para generar modelos de regresión logística binaria. Para la validación, los mejores modelos se aplicaron en datos de la ola 6. Resultados: Los porcentajes promedio fueron de 73% de eficacia (63%-83%), sensibilidad de 67% (18-86%) y especificidad de 74% (59-91%). El modelo de la ola 5 tuvo el mejor desempeño (eficacia de 83%). En la validación con datos de la ola 6, la ecuación del modelo de la ola 5 tuvo 100% de sensibilidad, 0% de especificidad y 39% de eficacia y la ecuación del modelo general tuvo 66% de sensibilidad, 43% de especificidad, y 52% de eficacia. Conclusión: Los modelos de predicción individualizada de prueba positiva de COVID-19 basados en datos del SISVER-SINAVE obtuvieron buen desempeño de predicción en la fase de desarrollo y un desempeño menor en la fase de validación. Estos modelos de predicción podrían aplicarse en estrategias de identificación temprana de casos, especialmente en población vulnerable.