En este artículo, proponemos un enfoque basado en aprendizaje profundo para predecir el siguiente evento en los modelos de procesos organizacionales hospitalarios siguiendo la guía de la minería de procesos predictiva. Este método proporciona valor para la planificación y asignación de recursos, ya que cada traza vinculada a un caso muestra la ejecución consecutiva de eventos en un proceso de atención médica. El modelo predictivo se basa en una red neuronal de memoria a largo y corto plazo (LSTM) que logra una alta precisión en las etapas de entrenamiento y prueba. Además, se propone un marco para implementar la red neuronal LSTM, que comprende etapas desde el preprocesamiento de los datos en bruto hasta la selección del mejor modelo LSTM. La efectividad del método de predicción se evalúa a través de cuatro registros de eventos de la vida real que contienen información histórica sobre la ejecución de los procesos de órdenes de transferencia de pacientes entre hospitales, casos de atención por sepsis, facturación de servicios médicos y gestión de atención al paciente. En la etapa de prueba, el modelo LSTM alcanzó valores de 0.98, 0.91, 0.85 y 0.81 en la métrica de precisión, y en la evaluación de la predicción del siguiente evento utilizando la técnica de validación cruzada de 10 pliegues, se obtuvieron valores de 0.94, 0.88, 0.84 y 0.81 para los cuatro registros de eventos mencionados anteriormente. Además, se evaluó el rendimiento del modelo de predicción LSTM con las métricas de precisión, recuperación, F1-score y área bajo la curva de características operativas del receptor (ROC) (AUC), obteniendo puntuaciones altas muy cercanas a 1. Los resultados experimentales sugieren que el método propuesto logra medidas aceptables en la predicción del siguiente evento, independientemente de si se utiliza un evento de entrada o un conjunto de eventos de entrada.