La detección temprana y precisa de los cambios en la incidencia de la brucelosis es de suma importancia para la implementación de una planificación estratégica de la salud orientada a su prevención. El presente estudio investigó y comparó el rendimiento de tres técnicas de minería de datos: bosques aleatorios (*random forest*, RF), máquinas de vectores de soporte (SVM) y *splines* de regresión adaptativa multivariante (MARS), en el modelado y la predicción de series temporales de datos mensuales de brucelosis desde 2005 (marzo/abril) hasta 2017 (febrero/marzo), extraídos de un sistema nacional de vigilancia de salud pública en Hamadán, ubicado en el oeste de Irán. Los rendimientos se compararon con base en los criterios de la raíz del error cuadrático medio, el error absoluto medio, el coeficiente de determinación (R) y el coeficiente de correlación intraclase. Los resultados indicaron que el modelo RF superó a los modelos SVM y MARS en el modelado de los datos utilizados y puede emplearse con éxito para diagnosticar el comportamiento de la brucelosis a lo largo del tiempo. Investigaciones futuras que apliquen estos novedosos modelos de series temporales en la práctica proporcionarán a los epidemiólogos el método más adecuado para el control y la prevención de futuros brotes.