La discontinuación de la ventilación mecánica sigue siendo un desafío. Desarrollamos un modelo de aprendizaje automático para predecir los resultados del destete utilizando solo parámetros de monitoreo continuo obtenidos de los ventiladores durante las pruebas de respiración espontánea (SBTs). Los pacientes que recibieron ventilación mecánica en la unidad de cuidados intensivos médicos de un hospital universitario terciario de 2019 a 2021 fueron incluidos en este estudio. Durante las SBTs, se recopilaron tres formas de onda y 25 datos numéricos como variables de entrada. El modelo de predicción de destete basado en redes neuronales convolucionales (CNN) propuesto extrae características de los datos de entrada con longitudes diversas. Entre los 138 pacientes inscritos, 35 (25.4%) experimentaron un fracaso en el destete. El conjunto de datos se dividió aleatoriamente en conjuntos de entrenamiento y prueba (proporción 8:2). El área bajo la curva característica de funcionamiento del receptor para el éxito del destete por el modelo de predicción fue de 0.912 (intervalo de confianza del 95% [IC], 0.795-1.000), con un área bajo la curva de precisión-recuperación de 0.767 (IC del 95%, 0.434-0.983). Además, utilizamos la tecnología de mapeo de activación de clase ponderada por gradiente para proporcionar explicaciones visuales de la predicción del modelo, resaltando características influyentes. Esta herramienta puede ayudar al personal médico proporcionando información intuitiva sobre la preparación para la extubación sin necesidad de recopilar datos adicionales aparte de los datos de SBT. El modelo predictivo propuesto puede ayudar a los médicos a tomar decisiones de destete del ventilador en tiempo real, mejorando así los resultados de los pacientes.