Cuando se combina con la información del paciente proporcionada por técnicas de imagen avanzadas, la biomecánica computacional puede proporcionar información detallada específica del paciente sobre las tensiones y deformaciones que actúan sobre los tejidos, lo cual puede ser útil para diagnosticar y evaluar tratamientos para enfermedades y lesiones. Este enfoque está más avanzado en aplicaciones cardiovasculares pero se puede aplicar a otros tejidos. Los desafíos para avanzar en la biomecánica computacional para diagnósticos y tratamientos en tiempo real de pacientes incluyen errores e información faltante en los datos del paciente, los grandes requisitos computacionales para las soluciones numéricas a ecuaciones biomecánicas multiscale, y la incertidumbre sobre las condiciones de contorno y las relaciones constitutivas. Esta revisión resume los esfuerzos actuales para utilizar el aprendizaje profundo para abordar estos desafíos e integrar grandes conjuntos de datos y métodos computacionales para permitir información clínica en tiempo real. Los ejemplos provienen de la mecánica de fluidos cardiovascular, la mecánica de tejidos blandos y la biomecánica ósea. La aplicación de redes neuronales convolucionales de aprendizaje profundo puede reducir el tiempo necesario para completar la segmentación de imágenes, el mallado y la solución de modelos de elementos finitos, además de mejorar la precisión de las condiciones de entrada y salida. Tales avances probablemente facilitarán la adopción de estos modelos para ayudar en la evaluación de la gravedad de enfermedades cardiovasculares y el desarrollo de nuevos tratamientos quirúrgicos.