Los pacientes cuyos pulmones se ven comprometidos debido a diversas afecciones respiratorias requieren ventilación mecánica para apoyar la respiración. Diferentes ajustes de ventilación mecánica se seleccionan según la condición pulmonar del paciente, y la selección de estos parámetros depende de la respuesta observada del paciente y la experiencia de los clínicos involucrados. Para apoyar este proceso de toma de decisiones para los clínicos, los buenos modelos de predicción siempre son beneficiosos para mejorar la precisión de los ajustes, reducir errores en el tratamiento y retirar rápidamente a los pacientes del soporte de ventilación. En este estudio, desarrollamos un modelo de aprendizaje automático para la estimación de los parámetros de ventilación mecánica para la salud pulmonar. El modelo se basa en el mapeo inverso de redes neuronales artificiales con el Optimizador de Enjambre de Partículas Graduado. En esta nueva variante, introdujimos el agrupamiento y la jerarquía en el enjambre además de las reglas generales de optimización de enjambre de partículas para mejorar aún más su rendimiento de predicción de los parámetros de ventilación mecánica. El modelo de aprendizaje automático fue entrenado y probado utilizando datos clínicos de pacientes caninos y felinos en la Facultad de Medicina Veterinaria de la Universidad de Georgia. Nuestro modelo generó exitosamente un rango de valores de parámetros para la ventilación mecánica aplicada en los datos de prueba, con los valores de predicción promedio en múltiples pruebas cercanos a los valores objetivo. En general, el modelo de aprendizaje automático desarrollado debería ser capaz de predecir los ajustes de ventilación mecánica para diversas condiciones respiratorias para la supervivencia del paciente una vez que los datos relevantes estén disponibles.