Este estudio tiene como objetivo desarrollar modelos de aprendizaje profundo (DL) para predecir los cambios en el grosor de la capa de fibras nerviosas de la retina (RNFL) en el glaucoma, facilitando el diagnóstico temprano y el monitoreo de la progresión de la enfermedad. Utilizando datos longitudinales de dos estudios de glaucoma (Estudio de Innovaciones Diagnósticas en Glaucoma (DIGS) y Estudio de Evaluación del Glaucoma en Descendientes Africanos (ADAGES)), construimos modelos utilizando escaneos de tomografía de coherencia óptica (OCT) de 251 participantes (437 ojos). Los modelos fueron entrenados para predecir el grosor de la RNFL en una visita futura basándose en escaneos previos. Evaluamos cuatro modelos: regresión lineal (LR), regresión de vectores de soporte (SVR), regresión de aumento de gradiente (GBR) y una red neuronal convolucional personalizada de 1D (CNN). El modelo GBR logró el mejor rendimiento en la predicción de cambios en el grosor de la RNFL punto por punto (MAE = 5.2 m, R = 0.91), mientras que la CNN personalizada de 1D destacó en la predicción de cambios en el grosor global y sectorial promedio de la RNFL, brindando una mayor resolución y superando a los modelos tradicionales (MAEs de 2.0-4.2 m, R de 0.94-0.98). Nuestros modelos personalizados utilizaron un enfoque novedoso que incorporó imágenes longitudinales de OCT para lograr un rendimiento consistente en diferentes demografías y severidades de la enfermedad, ofreciendo soporte potencial para la toma de decisiones clínicas en el diagnóstico del glaucoma. La división de datos a nivel de paciente mejora la robustez de la evaluación, mientras que predecir el grosor detallado de la RNFL proporciona una comprensión comprensiva de los cambios estructurales a lo largo del tiempo.