El pronóstico y la gestión de la salud dependen de un conocimiento previo suficiente del proceso de degradación de componentes críticos para predecir la vida útil restante. Esta tarea se compone de dos fases: aprendizaje y predicción. La primera fase utiliza la información disponible para aprender el comportamiento del sistema. La segunda fase predice el comportamiento futuro basado en la información disponible del sistema y estima su vida útil restante. Los enfoques de aprendizaje profundo logran un buen rendimiento pronóstico, pero suelen sufrir de una alta carga computacional y una falta de interpretabilidad. Los modelos complejos de extracción de características no resuelven este problema, ya que pierden información en la fase de aprendizaje y, por lo tanto, tienen un mal pronóstico para la vida útil restante. Se utiliza un nuevo enfoque de preprocesamiento con agrupamiento de características para abordar este problema. Permite reestructurar los datos en grupos homogéneos fuertemente relacionados entre sí utilizando una arquitectura simple del modelo LSTM. Es ventajoso en términos de tiempo de aprendizaje y la posibilidad de utilizar capacidades computacionales limitadas. Luego, nos enfocamos en la interpretabilidad del pronóstico de aprendizaje profundo utilizando IA Explicable para lograr una predicción de RUL interpretable. El enfoque propuesto ofrece mejoras en el modelo y una mayor interpretabilidad, lo que permite una mejor comprensión de las contribuciones de las características. Los resultados experimentales en el conjunto de datos disponible de NASA C-MAPSS muestran el rendimiento del modelo propuesto en comparación con otros métodos comunes.