Evidencia previa sugiere que la temperatura está asociada con el número de visitas al departamento de emergencias (ED). Por lo tanto, se necesita un sistema predictivo para las visitas al ED que tenga en cuenta la temperatura local. Este estudio tuvo como objetivo comparar el rendimiento predictivo de varios métodos de aprendizaje automático con métodos estadísticos tradicionales basados en variables de temperatura y desarrollar un modelo predictivo de la tasa de asistencia diaria al ED para Hong Kong. Analizamos la utilización del ED entre los adultos mayores de Hong Kong de mayo a septiembre de 2000 a 2016. Se derivaron un total de 103 predictores potenciales de un retraso de 1 a 14 días de la tasa de asistencia al ED y de indicadores meteorológicos y de calidad del aire, así como de un retraso de 0 días del indicador de días festivos y de los indicadores de mes y día de la semana. Se utilizó regresión LASSO para identificar las variables de temperatura más predictivas. Se entrenaron un regresor de árbol de decisión, un regresor de máquina de soporte vectorial (SVM) y un regresor de bosque aleatorio con la combinación óptima de predictores seleccionados. Se realizaron modelos de red neuronal profunda (DNN) y de unidad recurrente con compuerta (GRU) en la combinación de predictores extendida para el horizonte de 14 días anteriores. La temperatura máxima ambiente se identificó como un mejor predictor en su propio valor que como un indicador definido por el umbral. El GRU logró la mejor precisión predictiva. Los métodos de aprendizaje profundo, especialmente el modelo GRU, superaron a los métodos convencionales de aprendizaje automático y a los métodos estadísticos tradicionales.