En este trabajo desarrollamos los procedimientos basados en algoritmos de aprendizaje automático diseñados para la identificación de una patologı́a cardı́aca, la fibrilación auricular (FA), a partir de la señal electrocardiográfica (ECG) de una derivación y de corta duración registrada con un dispositivo de tecno- logı́a electrónica móvil (DTEM). El dispositivo móvil tiene un método interno de clasificación que permite un análisis instantáneo del registro de ECG en ritmo normal, posible FA, o sin clasificar. Visto la importancia del diagnóstico temprano de patologı́as cardiovasculares tales como la FA, nuestro objetivo es mejorar la capacidad de clasificación del DTEM el cual, en la práctica, deja sin clasificar un conjunto relevante de registros de ECG. A tal efecto, utilizamos métodos de extracción de caracterı́sticas, basados en técnicas de filtrado y de análisis de la morfologı́a de la señal ECG, detectando, en particular, el llamado complejo QRS de cada latido del corazón y ubicando el respectivo pico R, siendo la medida del intervalo RR, que transcurre desde el inicio de una onda R hasta el inicio de la onda siguiente, un aspecto clı́nicamente relevante. Analizamos el desempeño predictivo de técnicas de clasificación supervisada, tales como árboles ge- nerados por partición recursiva y bosques aleatorios, empleadas en combinación con los métodos de extracción de caracterı́sticas de la señal ECG. Consideramos un banco de entrenamiento internacional, constituido para la competencia 2017 “PhysioNet/Computing in Cardiology (CinC)”, y un conjunto de prueba de registros de ECG de una población de adultos mayores de Uruguay, generado en 2019 en virtud de una colaboración entre la CHSCV y el Plan Ibirapitá. Los resultados obtenidos se interpretan a través de los diagnósticos disponibles de los ECG realizados por expertos cardiólogos clı́nicos.