La investigación sobre los aneurismas de aorta abdominal (AAA) se centra principalmente en desarrollar una comprensión clara de la iniciación, progresión y tratamiento del AAA a través de una mayor precisión del modelo. Las predicciones hemodinámicas y biomecánicas de alta fidelidad son esenciales para que los médicos optimicen la planificación preoperatoria y minimicen los riesgos terapéuticos. La dinámica de fluidos computacional (CFD), el análisis de elementos finitos (FEA) y la interacción fluido-estructura (FSI) se utilizan ampliamente para simular la hemodinámica y la biomecánica del AAA. Sin embargo, la precisión de estas simulaciones depende de la utilización de condiciones límite (BCs) realistas y sofisticadas, que son esenciales para integrar adecuadamente el AAA con el resto del sistema cardiovascular. Los avances recientes en técnicas de aprendizaje automático (ML) han introducido sustitutos más rápidos y basados en datos para el modelado de AAA. Estos enfoques pueden acelerar la segmentación, predecir la hemodinámica y la biomecánica, y evaluar la progresión de la enfermedad. Sin embargo, su fiabilidad depende de datos de entrenamiento de alta calidad derivados de simulaciones CFD y FEA, donde el modelado de BC juega un papel crucial. BCs precisos pueden mejorar las predicciones de ML, aumentando la aplicabilidad clínica. Este documento revisa los modelos de BC existentes, discutiendo sus limitaciones y desafíos técnicos. Además, se exploran los avances recientes en ML y técnicas basadas en datos, discutiendo sus estados actuales, direcciones futuras, algoritmos comunes y limitaciones.