Muchos investigadores en ciencia actuarial sobre modelado estocástico y pronóstico del riesgo de mortalidad sistemática utilizan el Modelo Cairns-Blake-Dowd (CBD) (2006) debido a su capacidad para considerar los efectos de cohorte. Un modelo de mortalidad estocástica de tres factores tiene tres parámetros que describen las tendencias de mortalidad a lo largo del tiempo al tratar con comportamientos futuros. Este estudio tiene como objetivo predecir las tendencias del modelo, aplicando Redes Neuronales Recurrentes dentro de una Memoria a Largo Plazo (una arquitectura LSTM artificial) en comparación con los modelos estadísticos tradicionales ARIMA (p,d,q). La novedosa técnica de aprendizaje profundo (aprendizaje automático) ayuda a integrar el modelo CBD para mejorar su precisión y capacidad predictiva para el futuro riesgo de mortalidad sistemática en países con disponibilidad limitada de datos, como Kenia. Los resultados muestran que la arquitectura de red de Memoria a Largo Corto tuvo niveles más altos de precisión al predecir los futuros riesgos de mortalidad sistemática que los métodos tradicionales. En última instancia, los resultados pueden ser implementados por las compañías de seguros kenianas al modelar y pronosticar el riesgo de mortalidad sistemática, lo que es útil en la fijación de precios de Anualidades y Aseguranzas.