Se espera que el número continuamente creciente de objetos que orbitan alrededor de la Tierra esté acompañado por una frecuencia creciente de objetos que reingresan a la atmósfera terrestre. Muchos de estos reingresos serán descontrolados, lo que hace que su predicción sea un desafío y esté sujeta a varias incertidumbres. Tradicionalmente, las predicciones de reingreso se basan en la propagación de la dinámica del objeto utilizando técnicas de modelado de vanguardia para las fuerzas que actúan sobre el objeto. Sin embargo, los errores de modelado, particularmente relacionados con la predicción de la resistencia atmosférica, pueden resultar en precisiones de predicción deficientes. En este contexto, exploramos la posibilidad de realizar un cambio de paradigma, de un enfoque basado en la física a un enfoque basado en datos. Con este fin, presentamos el desarrollo de un modelo de aprendizaje profundo para la predicción de reingresos de objetos descontrolados en Órbita Terrestre Baja (LEO). El modelo se basa en una versión modificada de la arquitectura de Secuencia a Secuencia y se entrena con el perfil de altitud promedio derivado de un conjunto de datos de Elementos de Dos Líneas (TLE) de más de 400 cuerpos. La novedad del trabajo consiste en introducir en el modelo de aprendizaje profundo, junto con la altitud promedio, tres nuevas características de entrada: un coeficiente similar a la resistencia, el índice solar promedio y la relación área-masa del objeto. El modelo desarrollado fue probado en un conjunto de objetos estudiados en las campañas del Comité de Coordinación de Desechos Espaciales de las Agencias (IADC). Los resultados muestran que el mejor rendimiento se obtiene en cuerpos caracterizados por el mismo coeficiente de resistencia similar y distribución de excentricidad que el conjunto de entrenamiento.