En el departamento de Chocó, las inundaciones representan un desafío recurrente y significativo debido a las fuertes lluvias y la densa red de ríos que caracteriza la región. Sin embargo, la falta de infraestructura adecuada para prevenir y predecir inundaciones agrava esta situación. La ausencia de sistemas de alerta temprana, la escasez de estaciones de monitoreo meteorológico e hidrológico y las deficiencias en la planificación urbana contribuyen a la vulnerabilidad de las comunidades ante estos fenómenos. Es imperativo invertir en infraestructura de predicción y prevención de inundaciones, incluyendo sistemas de monitoreo avanzados, el desarrollo de modelos de predicción hidrológica y la construcción de infraestructura hidráulica, para reducir el riesgo y proteger a las comunidades vulnerables en Chocó. Además, es esencial aumentar la conciencia pública sobre los riesgos asociados y fomentar la adopción de medidas de mitigación y preparación en toda la población. Este estudio presenta un enfoque novedoso para la predicción multivariante de variables hidrológicas, centrándose específicamente en las previsiones de nivel de agua para dos estaciones hidrológicas a lo largo del río Atrato en Colombia. El modelo, que utiliza un tipo especializado de red neuronal recurrente (RNN) llamada red de memoria a largo y corto plazo (LSTM), integra datos de variables hidrológicas, como el caudal, la precipitación y el nivel. Con una arquitectura de modelo que presenta cuatro entradas y dos salidas, donde el caudal y la precipitación sirven como entradas y el nivel como salida para cada estación, el modelo LSTM es hábil para capturar las dinámicas complejas y las correlaciones cruzadas entre estas variables. La validación implica comparar el rendimiento del modelo LSTM con modelos autorregresivos lineales y no lineales con entrada exógena (NARX), considerando factores como el error de estimación y el tiempo computacional. Además, este estudio explora diferentes escenarios para la predicción del nivel de agua, con el objetivo de utilizar el enfoque propuesto como un sistema efectivo de alerta temprana de inundaciones.