La calidad de los datos es crucial para la construcción de modelos de aprendizaje automático fiables. Para asegurar la robustez de los modelos de aprendizaje automático es esencial evaluar la fidelidad de los datos tabulares generados, es decir, su capacidad para replicar las distribuciones, correlaciones y patrones predictivos de los datos originales, pero actualmente se carece de métricas unificadas para esta evaluación integral. Este trabajo propone "TabDSFidelity", una nueva medida de calidad unificada para evaluar la fidelidad de dichos datos en tareas de clasificación. TabDSFidelity integra la precisión del clasificador, la similitud de distribución y la  preservación de correlaciones en una única puntuación ponderada y adaptable. La validación empleó diez conjuntos de datos reales de una Unidad de Cuidados Intensivos. Se generaron conjuntos balanceados mediante sobremuestreo y sintéticos, a gran escala, con SMOTE RSB* Adaptado con Ruido Gaussiano y CTGAN, seleccionando en cada etapa los óptimos con TabDSFidelity. Los resultados experimentales, utilizando diversos clasificadores, demuestran de manera consistente que los modelos entrenados con los datos seleccionados por TabDSFidelity superan significativamente en eficacia a los entrenados con datos originales. Además, se encontró una correlación positiva y significativa entre las puntuaciones de TabDSFidelity y la precisión real de los modelos. En conclusión, TabDSFidelity se presenta como una herramienta efectiva y adaptable para la evaluación objetiva de la fidelidad de datos tabulares generados, facilitando la selección informada de conjuntos que mejoran la efectividad predictiva de modelos de clasificación.