Buscamos determinar si los riesgos de hemorragia de la malformación arteriovenosa cerebral (MAV), evaluados a través de la angiografía por sustracción digital (DSA) utilizando una red neuronal, eran superiores a los evaluados a través de la angioarquitectura. Llevamos a cabo una revisión retrospectiva de pacientes con MAV cerebral que se sometieron a DSA de 2011 a 2017. Se analizaron parámetros de angioarquitectura, edad y sexo utilizando regresión logística univariante y multivariante. Además, se entrenó una red neuronal utilizando una combinación de arquitecturas de red neuronal convolucional (CNN) y red neuronal recurrente (RNN). El conjunto de datos de entrenamiento consistió en 118 muestras, mientras que 29 muestras se reservaron para pruebas. Después de ajustar por la edad en el diagnóstico y el sexo, el drenaje venoso único (razón de momios [OR] = 2,48, = 0,017), el drenaje venoso profundo exclusivo (OR = 3,19, = 0,005) y el saco venoso (OR = 0,43, = 0,044) se identificaron como factores de riesgo independientes para la hemorragia. El modelo de predicción hemorrágica basado en angioarquitectura logró una precisión del 69% con un AUC (área bajo la curva ROC) de 0,757, mientras que el modelo basado en CNN-RNN logró una precisión del 76% con un AUC de 0,748. Presentamos un rendimiento diagnóstico para la evaluación del riesgo hemorrágico de las MAV que es comparable al análisis angioarquitectural. Al aprovechar conjuntos de datos más grandes, existe un potencial significativo para mejorar aún más la precisión de la predicción. El algoritmo CNN-RNN no solo puede potencialmente optimizar el flujo de trabajo dentro de la sala de angio, sino que también sirve como un enfoque complementario para optimizar la precisión diagnóstica y las estrategias de tratamiento.