Antecedentes: El seguimiento de la artroplastia total de cadera (THA, por sus siglas en inglés) se realiza convencionalmente con imágenes de rayos X en serie para garantizar la identificación temprana de fallas en el implante. El propósito de este estudio es desarrollar un sistema automatizado de detección de fallas radiográficas. Métodos: Se incluyeron 630 pacientes con THA en el estudio, dos tercios de los cuales necesitaban revisión total o parcial por aflojamiento protésico. El análisis se basa en una vista radiográfica anteroposterior y una lateral obtenida de cada paciente durante el seguimiento postoperatorio de rutina. Después del preprocesamiento para una estandarización adecuada, las imágenes fueron analizadas a través de una red neuronal convolucional (la red DenseNet169), con el objetivo de predecir la falla de la prótesis. El conjunto de datos completo se dividió en tres subconjuntos: entrenamiento, validación y prueba. Estos contenían algoritmos de transfer learning y fine-tuning, basados en el conjunto de datos de entrenamiento, y se implementaron para adaptar la red DenseNet169 a los datos específicos y al problema clínico. Resultados: Después de los procedimientos de entrenamiento, en el conjunto de prueba, la precisión de la clasificación fue del 0.97, la sensibilidad del 0.97, la especificidad del 0.97 y el AUC de la curva ROC fue del 0.99. Solo cinco imágenes se clasificaron incorrectamente. Setenta y cuatro imágenes se clasificaron como fallidas y ochenta como no fallidas con una probabilidad >0.999. Conclusión: El procedimiento propuesto de aprendizaje profundo puede detectar el aflojamiento de la prótesis de cadera con un grado muy alto de precisión.