Antecedentes: La ruptura de aneurismas intracraneales (IAs) resultaría en hemorragia subaracnoidea con alta mortalidad y discapacidad. Predecir el riesgo de ruptura de IAs sigue siendo un desafío. Métodos: Este documento propuso un método efectivo para clasificar el estado de ruptura de IAs mediante la integración de un modelo basado en PointNet y algoritmos de aprendizaje automático. Primero, se aplicaron algoritmos de segmentación y reconstrucción de imágenes médicas a datos de imagen 3D de Angiografía por Sustracción Digital (DSA) para construir modelos geométricos tridimensionales de IAs. Los parámetros geométricos de IAs fueron adquiridos utilizando Geomagic, seguido por el cálculo de nubes hemodinámicas y parámetros hemodinámicos utilizando Dinámica de Fluidos Computacional (CFD). Se desarrolló un modelo basado en PointNet para extraer diferentes características de nubes hemodinámicas dimensionales. Finalmente, se aplicaron cinco tipos de algoritmos de aprendizaje automático en parámetros geométricos, parámetros hemodinámicos y características de nubes hemodinámicas para clasificar y reconocer el estado de ruptura de IAs. También se comparó el rendimiento de clasificación de diferentes características de nubes hemodinámicas dimensionales. Resultados: Se extrajeron características de nubes hemodinámicas de 16, 32, 64 y 1024 dimensiones con el modelo basado en PointNet, respectivamente, y los cuatro tipos de características de nubes en combinación con los parámetros geométricos y parámetros hemodinámicos fueron respectivamente aplicados para clasificar el estado de ruptura de IAs. Los mejores resultados de clasificación se lograron en el caso de características de nubes hemodinámicas de 16 dimensiones, la precisión de los algoritmos XGBoost, CatBoost, SVM, LightGBM y LR fue de 0.887, 0.857, 0.854, 0.857 y 0.908, respectivamente, y las AUC fueron 0.917, 0.934, 0.946, 0.920 y 0.944. En contraste, al utilizar solo parámetros geométricos y parámetros hemodinámicos, las precisiones fueron de 0.836, 0.816, 0.826, 0.832 y 0.885, respectivamente, con valores de AUC de 0.908, 0.922, 0.930, 0.884 y 0.921. Conclusión: En este documento, se construyeron modelos de clasificación para el estado de ruptura de IAs mediante la integración de un modelo basado en PointNet y algoritmos de aprendizaje automático. Los experimentos demostraron que las características de nubes hemodinámicas tenían un cierto peso de contribución a la clasificación del estado de ruptura de IAs. Cuando se agregaron características de nubes hemodinámicas de 16 dimensiones a las características morfológicas y hemodinámicas, los modelos lograron las mayores precisiones de clasificación y AUC. Nuestros modelos y algoritmos proporcionarían información valiosa para el diagnóstico y tratamiento clínico de IAs.