En estudios de dolor experimental en animales, los informes subjetivos de dolor no son factibles. Los métodos actuales para detectar comportamientos relacionados con el dolor dependen de la observación humana, lo cual es laborioso y requiere mucho tiempo, especialmente para grabaciones de video extensas. La automatización de la cuantificación de estos comportamientos plantea desafíos sustanciales. En este estudio, desarrollamos y evaluamos un algoritmo de aprendizaje profundo de múltiples flujos para detectar comportamientos de acicalamiento relacionados con el dolor en ratas. Los comportamientos de acicalamiento relacionados con el dolor fueron inducidos inyectando pequeñas cantidades de productos químicos inductores de dolor en las extremidades traseras de las ratas. Las grabaciones de video de todo el día fueron luego analizadas con nuestro algoritmo, que inicialmente filtró los segmentos no relacionados con el acicalamiento. Los segmentos restantes, denominados clips de acicalamiento probables, se utilizaron para el entrenamiento y la prueba del modelo. Nuestro modelo, una red convolucional recurrente de múltiples flujos, aprendió a diferenciar el acicalamiento de los comportamientos no relacionados con el acicalamiento dentro de estos clips a través del aprendizaje profundo. La precisión promedio de validación a través de tres métodos de evaluación fue del 88.5%. Además, analizamos estadísticas de acicalamiento comparando la duración de los episodios de acicalamiento entre los grupos experimental y de control. Los resultados demostraron cambios estadísticamente significativos en el comportamiento de acicalamiento consistentes con la expresión del dolor.