Este estudio tiene como objetivo desarrollar un modelo de aprendizaje profundo para predecir el fracaso de la diálisis peritoneal (DP) en los próximos tres meses utilizando datos de los tres meses anteriores. Antecedentes: Los pacientes en DP suelen realizar tratamientos en casa y visitar la clínica solo una vez al mes, lo que genera importantes brechas en la atención clínica y aumenta los riesgos de fracaso de la DP, lo que puede requerir una transición a hemodiálisis (HD). Los estudios actuales sobre pacientes en DP se centran en gran medida en predecir el fracaso de la DP, el riesgo de mortalidad y la hospitalización a través de métodos tradicionales de aprendizaje automático, con una aplicación limitada del aprendizaje profundo para este propósito. Métodos: Recopilamos datos completos de los pacientes, incluyendo información demográfica, comorbilidades, historial de medicamentos, resultados de pruebas bioquímicas, prescripciones de diálisis y resultados de pruebas de equilibrio peritoneal. Después del preprocesamiento, empleamos modelos de aprendizaje profundo de series temporales para entrenar y hacer predicciones. Resultados: El modelo logró una precisión de predicción del 89% y un AUROC del 92%, superando los métodos anteriores utilizados para la predicción del fracaso de la DP. Conclusión: Este enfoque no solo mejora la precisión de la predicción, sino que también identifica características clave que pueden ayudar a los clínicos a desarrollar planes de tratamiento más precisos y mejorar la atención al paciente.