Este estudio tuvo como objetivo principal desarrollar y validar un modelo bayesiano de regresión logística ordinal para predecir las transiciones entre estados clínicos en pacientes con enfermedad de Alzheimer, evaluando tanto su capacidad inferencial como predictiva. La investigación se basó en un enfoque bayesiano implementado en PyMC3, analizando variables clínicas, cognitivas y demográficas mediante cadenas MCMC con verificaciones de convergencia (R-hat ≤ 1.01, ESS > 400) y precisión (MCSE < 0.05). Los resultados identificaron predictores clave: puntuación global de la escala de demencia clínica y edad como factores de riesgo significativos. Los puntos de corte mostraron separación óptima entre estadios (leve-moderado-severo), respaldada por una alta discriminación (AUC = 0.83) y calibración adecuada. La distribución predictiva posterior confirmó la utilidad del modelo para clasificar pacientes según su riesgo de progresión. Estos resultados demuestran que el modelo propuesto proporciona estimaciones robustas y clínicamente interpretables, ofreciendo una herramienta prometedora para el pronóstico personalizado en Alzheimer, con potencial aplicación en la toma de decisiones terapéuticas y el diseño de ensayos clínicos.