Las estrategias de mantenimiento basado en condiciones (CBM) y mantenimiento predictivo (PdM) impulsadas por datos han surgido en los últimos años y tienen como objetivo minimizar los costos de mantenimiento de la aviación y el impacto ambiental mediante el diagnóstico y pronóstico de los sistemas de aeronaves. Dado que el uso de datos y algoritmos relevantes es esencial para los diagnósticos de turbinas de gas basados en IA, existen diferentes desafíos técnicos, operativos y regulatorios que deben abordarse para que la industria aeronáutica pueda aprovechar su pleno potencial. En este trabajo, se utiliza el método de aprendizaje automático (ML) del modelo aditivo generalizado (GAM) para predecir la evolución de la temperatura de los gases de escape (EGT) de un motor a reacción. Se emplean tres conjuntos de datos sintéticos continuos desarrollados por la NASA, conocidos como New Commercial Modular Aero-Propulsion System Simulation (N-CMAPSS), con una complejidad creciente en el deterioro del motor. Los resultados muestran que el GAM puede predecir la evolución de la EGT con alta precisión al utilizar varias características de entrada que se asemejan a los tipos de sensores físicos instalados en las turbinas de gas aeroespaciales actualmente en operación. Dado que el GAM ofrece una buena interpretabilidad, este estudio de caso se utiliza para discutir los diferentes atributos de datos que un conjunto de datos necesita tener para generar confianza y avanzar hacia modelos certificables en el futuro.