Antecedentes: La planificación precisa de la duración de las estancias en unidades de cuidados intensivos es de suma importancia para la planificación de recursos. Actualmente, la fecha de alta utilizada para la gestión de recursos se calcula solo en el momento de la admisión y se llama duración de la estancia. Sin embargo, la evolución del tratamiento puede ser diferente de un paciente a otro, por lo que se debe realizar una recálculo de la fecha de alta, llamado días hasta el alta. La predicción de los días hasta el alta durante la estancia en la UCI con métodos de análisis estadístico y de datos ha sido poco estudiada con resultados de baja calidad. Este estudio tiene como objetivo mejorar la predicción de la fecha de alta para cualquier paciente en unidades de cuidados intensivos utilizando técnicas de inteligencia artificial. Métodos: El documento propone un método híbrido basado en modelos condicionados por grupo obtenidos con técnicas de aprendizaje automático. Los pacientes se agrupan en tres grupos basados en una estimación inicial de la duración de la estancia. En cada grupo (agrupado por los primeros días de estancia), calculamos el valor de duración de la estancia condicionado por grupo para conocer la fecha de alta predicha, luego, después de un número dado de días, se debe utilizar otro modelo de predicción condicionado por grupo para calcular los días hasta el alta con el fin de obtener una predicción más precisa del número de días restantes. El estudio se realiza con la base de datos eICU, un conjunto de datos públicos de pacientes de EE. UU. ingresados en unidades de cuidados intensivos entre 2014 y 2015. Se utilizan tres métodos de aprendizaje automático (es decir, Random Forest, XGBoost y lightGBM) para generar modelos predictivos de duración de la estancia y días hasta el alta para cada grupo. Resultados: Random Forest es el algoritmo que obtiene los mejores predictores de días hasta el alta. El método híbrido propuesto logra un error cuadrático medio (RMSE) y un error promedio medio (MAE) por debajo de un día en el conjunto de datos eICU para los últimos seis días de estancia. Conclusiones: Los modelos de aprendizaje automático mejoran la calidad de las predicciones para los días hasta el alta y la duración de la estancia de los pacientes en la unidad de cuidados intensivos. Los resultados demuestran que el modelo híbrido, basado en Random Forest, mejora la precisión para predecir la duración de la estancia al principio y los días hasta el alta al final de la estancia en la unidad de cuidados intensivos. La implementación de estos modelos de predicción puede ayudar en la estimación precisa de la ocupación de camas en unidades de cuidados intensivos, mejorando así la planificación de estos recursos de salud limitados y críticos.