El aprendizaje profundo se está convirtiendo en una pieza fundamental en el cambio de paradigma de la medicina basada en evidencia a la medicina basada en datos. Sin embargo, su capacidad de aprendizaje rara vez se explota al trabajar con conjuntos de datos pequeños. A través del aprendizaje por transferencia (TL), la información de un dominio fuente se transfiere a uno objetivo para mejorar una tarea de aprendizaje en dicho dominio. Los mecanismos de TL propuestos se basan en la ampliación del espacio de muestras y características. Por lo tanto, los autoencoders profundos extraen representaciones complejas de los datos en el enfoque de TL. Sus representaciones latentes, los llamados códigos, se manejan para transferir información entre dominios. La transferencia de muestras se lleva a cabo mediante el cálculo de una matriz de mapeo de espacio latente que vincula códigos de ambos dominios para su posterior reconstrucción. La ampliación del espacio de características se basa en el cálculo del promedio de los códigos más similares de un dominio. Dicho promedio aumenta las características en un dominio objetivo. El marco propuesto se evalúa en la predicción de la mortalidad en pacientes en etapa terminal de enfermedad renal, transfiriendo información relacionada con la mortalidad de pacientes con lesión renal aguda de la base de datos masiva MIMIC-III. En comparación con otros mecanismos de TL, el enfoque propuesto mejora en un 6-11% los modelos predictivos de mortalidad previos. La integración de enfoques de TL en tareas de aprendizaje en patologías con problemas de volumen de datos podría fomentar el uso de la medicina basada en datos en un entorno clínico.