Controlar una cámara laparoscópica durante la cirugía robótica representa un desafío multifacético, que exige un considerable esfuerzo físico y cognitivo por parte de los operadores. Si bien el control manual presenta la ventaja de permitir ángulos de visión óptimos, se ve contrarrestado por su naturaleza agotadora. En contraste, los sistemas de cámara autónomos actuales ofrecen predictibilidad en el seguimiento de herramientas, pero a menudo son rígidos, careciendo de la adaptabilidad de los operadores humanos. Esta investigación investiga el potencial de dos arquitecturas de red distintas: una red neuronal densa (DNN) y una red neuronal recurrente (RNN), ambas entrenadas utilizando un conjunto de datos diverso que comprende movimientos de cámara autónomos y guiados por humanos. Se realiza una evaluación comparativa de los sistemas de cámara controlados por red, autónomos y operados por humanos para medir la eficacia de las redes. Mientras que la red neuronal densa muestra competencia en el seguimiento básico de herramientas, enfrenta limitaciones arquitectónicas inherentes que obstaculizan su capacidad para dominar la funcionalidad de zoom de la cámara. En marcado contraste, la red neuronal recurrente sobresale, demostrando una capacidad para replicar suficientemente los comportamientos exhibidos por una mezcla de métodos autónomos y operados por humanos. En total, el 96.8% de las predicciones de la red densa tuvieron un error de hasta un centímetro en comparación con los conjuntos de datos de prueba, mientras que la red recurrente logró un error de prueba submilimétrico del 100%. Este documento entrena y evalúa redes neuronales sobre datos de comportamiento autónomo y humano para el control de cámaras.