En este trabajo, proponemos un enfoque basado en sensibilidad para construir estimadores de estado de orden reducido basados en redes neuronales recurrentes (RNN). Se asume que un modelo mecanicista está disponible pero es demasiado complejo computacionalmente para el diseño del estimador y que solo algunos resultados objetivo son de interés y deben ser estimados. Un estimador de orden reducido que pueda estimar los resultados objetivo es suficiente para abordar dicho problema. Introducimos un enfoque basado en análisis de sensibilidad para determinar cómo seleccionar las entradas y salidas apropiadas para la recolección de datos y el desarrollo de modelos basados en datos para estimar los resultados deseados con precisión. Específicamente, consideramos la red neuronal de memoria a corto y largo plazo (LSTM), un tipo de RNN, como la herramienta para entrenar el modelo basado en datos. Con base en esto, se diseña un filtro de Kalman extendido, un estimador de estado, para estimar los resultados objetivo. Se realizan simulaciones para ilustrar la efectividad y aplicabilidad del enfoque propuesto.