El hacinamiento en los departamentos de emergencia (DE) sigue siendo un gran desafío para los hospitales, lo que resulta en peores resultados, tiempos de espera más largos, costos operativos hospitalarios elevados y una mayor presión sobre el personal. El conteo de pacientes en espera, el número de pacientes que han sido admitidos en una unidad de hospitalización pero que aún están en el DE esperando ser transferidos, es una métrica clave del flujo de pacientes que afecta las operaciones generales del DE. Este estudio presenta un enfoque basado en aprendizaje profundo para pronosticar los conteos de pacientes en espera en el DE utilizando solo características operativas y contextuales derivadas del seguimiento horario del DE, el censo de pacientes hospitalizados, el clima, los días festivos y los datos de eventos locales, sin información clínica a nivel de paciente. Se probaron diferentes algoritmos de aprendizaje profundo, incluidos modelos de series temporales basados en convoluciones y transformadores, y el modelo de mejor rendimiento, Time Series Transformer Plus (TSTPlus), logró un rendimiento sólido en el horizonte de predicción de 6 horas, con un error absoluto medio de 4.30 y un puntaje R2 de 0.79. Después de identificar TSTPlus como el modelo de mejor rendimiento, su desempeño se evaluó aún más en horizontes adicionales de 8, 10 y 12 horas. El modelo también se evaluó bajo condiciones operativas extremas, demostrando pronósticos robustos y precisos. Estos hallazgos destacan el potencial del enfoque de pronóstico propuesto para apoyar la planificación operativa proactiva y reducir el hacinamiento en el DE.