Las enfermedades transmitidas por alimentos y bebidas (ETA) siguen siendo un problema importante de salud publica con un alto impacto social y economico. El US Agricultural Research Service (ARS) estima que el costo de brotes de listeriosis es de US$1.270 por persona infectada. Para la industria de alimentos como para los entes reguladores es claro que las medidas de control deben incluir estrategias eficaces de prevencion. La microbiologia predictiva con sus herramientas de modelacion y bases de datos permite vaticinar el comportamiento de los microorganismos a lo largo de la cadena de produccion de un alimento, desde su produccion primaria hasta el consumidor. El presente estudio tuvo como proposito utilizar la mineria de datos como proceso para extraer informacion implicita de bases de datos para construir modelos de prediccion. De la base de datos ComBase se seleccionaron 316 conjuntos de datos de inactivacion de Listeria monocytogenes y L. innocua en caldo de cultivo y leche. Despues de analizar sus caracteristicas de dispersion, valores atipicos o nulos, 262 conjuntos de datos de entrada se utilizaron para generar el modelo de prediccion. Las curvas de sobrevivencia presentaron comportamiento lineal (70%), el 30% restante presentan hombros o colas de corta duracion con la siguiente distribucion: hombros (23%), colas (3%) y hombros y colas (4%). De acuerdo con estas cineticas de inactivacion se evaluo el ajuste del modelo de Weibull y lineal (Bigelow y Esty, 1920) siendo este ultimo el de mejor desempeno. La estimacion de la tasa maxima de inactivacion (kmax) a diferentes condiciones de temperatura y pH permitio la generacion de una superficie de respuesta (R2=0.90), en donde los parametros del modelo polinomico se estimaron a traves de un algoritmo de Levenberg-Marquard. El desempeno del modelo fue satisfactorio con Af de 1.32 y un Bf de 0.98. Estos resultados evidencian la utilidad de los procesos de mineria de datos como estrategia preventiva para el control de ETA.