Pronóstico de Gestión del Estado es introducido como un campo de investigación que conecta el estudio de los modos de falla y el Mantenimiento Basado en la Condición para predecir cuándo y cómo un producto es más propenso a fallar durante su vida útil y así prevenirlo. Así, se han desarrollado muchos modelos de pronóstico utilizando técnicas de Aprendizaje Automático, ya que son preferidas debido a su capacidad para repeler el ruido y encontrar patrones ocultos. Más recientemente, los modelos de pronóstico del estado del arte se basan en Redes Neuronales Profundas debido a su capacidad para aprender de datos abstractos difíciles. Sin embargo, la mayor parte de la investigación existente aún no se ha puesto en práctica debido a algunas restricciones, particularmente en la implementación de hardware. En este proyecto se propone una red neuronal Perceptrón Milticapa, ya que es menos costosa que las arquitecturas profundas, desde el punto de vista computacional. Para mejorar los resultados de nuestra red neuronal se hace una búsqueda profunda de los hiperparámetros del modelo, utilizando una metodología tradicional de ajuste de modelos y también una técnica de Meta-aprendizaje llamada Neuroevolución. Adicionalmente, se integra un Filtro de Kalman como una técnica de posprocesamiento de bajo costo computacional. El modelo es probado usando el caso de estudio del pronóstico de vida útil remanente para turbinas de aeronaves. Los resultados indican que nuestro modelo supera a varias propuestas de la literatura basadas en Aprendizaje Profundo.