Una simulación numérica personalizada adecuada de los índices hemodinámicos en las arterias coronarias requiere una identificación precisa de los parámetros clave. Las propiedades elásticas de los vasos coronarios tienen un efecto significativo en la precisión de las simulaciones. Las mediciones directas de la elasticidad de los vasos coronarios no están disponibles en la clínica general. La velocidad del pulso de onda (AoPWV) en la aorta se correlaciona con la elasticidad aórtica y coronaria. En este trabajo, presentamos un enfoque de red neuronal para estimar AoPWV. Debido al número limitado de casos clínicos, utilizamos una base de datos sintética de AoPWV de sujetos virtuales para entrenar la red. Utilizamos un conjunto adicional de datos de AoPWV recopilados de pacientes reales para probar el algoritmo desarrollado. La red neuronal desarrollada predice el AoPWV braquial-tobillo con un error cuadrático medio (RMSE) de m/s y un error porcentual de %. Demostramos la relevancia de una nueva técnica comparando la reserva fraccional de flujo (FFR) medida de forma invasiva con los valores simulados utilizando los datos de pacientes con AoPWV constante ( m/s) y predicho. Concluimos que la identificación específica del paciente de AoPWV a través de la red neuronal desarrollada mejora la estimación de FFR de a en promedio, con una diferencia máxima de en un caso particular. Además, investigamos numéricamente la sensibilidad de los índices hemodinámicos más útiles, incluyendo FFR, reserva de flujo coronario (CFR) y la relación instantánea de onda libre (iFR) a AoPWV utilizando los datos específicos del paciente. Observamos una variabilidad sustancial de todos los índices considerados para AoPWV por debajo de 10 m/s y una variación débil de AoPWV por encima de 15 m/s. Concluimos que la importancia hemodinámica de la estenosis coronaria es mayor para los pacientes con AoPWV en el rango de 10 a 15 m/s. Las ventajas de nuestro enfoque son el uso de un conjunto limitado de parámetros de entrada fácilmente medibles (edad, volumen sistólico, frecuencia cardíaca, presiones sistólica, diastólica y arterial media) y el uso de un conjunto de datos generado por el modelo (sintético) para entrenar y probar métodos de aprendizaje automático para predecir índices hemodinámicos. La aplicación de nuestro enfoque en la práctica clínica ahorra tiempo, trabajo y fondos.