La modelización de la dinámica de fluidos computacional (CFD) del flujo sanguíneo juega un papel importante en la mejor comprensión de diversas condiciones médicas, el diseño de sistemas de entrega de medicamentos más efectivos y el desarrollo de nuevos métodos diagnósticos y tratamientos. Sin embargo, a pesar de los avances significativos en la tecnología y los recursos computacionales, el alto costo computacional de estas simulaciones aún obstaculiza su transformación de un interés de investigación a una herramienta clínica. Este cuello de botella es aún más severo para las simulaciones CFD específicas de pacientes basadas en imágenes, con condiciones de contorno realistas y dominios computacionales complejos, lo que hace que tales simulaciones sean excesivamente costosas. Para abordar este problema, se han explorado recientemente enfoques de aprendizaje profundo para acelerar las simulaciones hemodinámicas computacionales. En este estudio, revisamos los esfuerzos recientes para integrar el aprendizaje profundo con CFD y discutimos las aplicaciones de este enfoque en la resolución de problemas hemodinámicos, como el comportamiento del flujo sanguíneo en la aorta y las arterias cerebrales. También discutimos posibles direcciones futuras en el campo. En esta revisión, sugerimos que la incorporación de entendimientos fisiológicos y las leyes subyacentes de la mecánica de fluidos en los modelos de aprendizaje profundo conducirá pronto a un cambio de paradigma en el desarrollo de decisiones médicas computacionales no invasivas novedosas.