Las expresiones faciales reflejan estados psicológicos y son cruciales para entender las emociones humanas. Los métodos tradicionales de reconocimiento de expresiones faciales enfrentan desafíos en aplicaciones de salud en el mundo real debido a variaciones en la estructura facial, condiciones de iluminación y oclusión. Presentamos una metodología basada en el aprendizaje por transferencia con los modelos preentrenados VGG-19 y ResNet-152, y destacamos técnicas de preprocesamiento específicas del conjunto de datos que incluyen el cambio de tamaño de las imágenes a 124 x 124 píxeles, la augmentación de datos y el congelamiento selectivo de capas para mejorar la robustez del modelo. Este estudio explora la aplicación del reconocimiento de expresiones faciales basado en aprendizaje profundo en el cuidado de la salud, particularmente para el monitoreo remoto de pacientes y la telemedicina, donde un reconocimiento preciso de las expresiones faciales puede mejorar la evaluación del paciente y el diagnóstico temprano de condiciones psicológicas como la depresión y la ansiedad. El método propuesto logró una precisión promedio de 0.98 en el conjunto de datos CK+, demostrando su efectividad en entornos controlados. Sin embargo, el rendimiento varió entre conjuntos de datos, con tasas de precisión de 0.44 en FER2013 y 0.89 en JAFFE, reflejando los desafíos que presentan los datos ruidosos y diversos. Nuestros hallazgos enfatizan el potencial del reconocimiento de expresiones faciales basado en aprendizaje profundo en aplicaciones de salud, al tiempo que subrayan la importancia de la optimización del modelo específica del conjunto de datos para mejorar la generalización a través de diferentes distribuciones de datos. Esta investigación contribuye al avance del reconocimiento automatizado de expresiones faciales en telemedicina, apoyando una mejor comunicación entre el médico y el paciente y mejorando la atención al paciente.