El infarto de miocardio es una de las formas más graves de enfermedad cardíaca isquémica, asociada con una alta mortalidad y discapacidad a nivel mundial. La predicción precisa y confiable de eventos cardiovasculares adversos es fundamental para desarrollar estrategias de tratamiento efectivas y mejorar los resultados en la rehabilitación cardíaca. Los modelos pronósticos tradicionales, como los puntajes GRACE y TIMI, a menudo carecen de la flexibilidad para incorporar una amplia gama de predictores clínicos contemporáneos. Por lo tanto, los métodos de aprendizaje automático, en particular las redes neuronales profundas, han surgido recientemente como alternativas prometedoras capaces de mejorar la precisión predictiva y permitir una atención más personalizada. Este estudio presenta un modelo de aprendizaje profundo de múltiples tareas diseñado para abordar simultáneamente dos tareas relacionadas: la clasificación binaria multidimensional de complicaciones de infarto de miocardio y la clasificación multiclase de causas de mortalidad. El modelo fue entrenado en un conjunto de datos de 1700 pacientes, que abarca 111 características clínicas y demográficas. Los resultados experimentales demuestran una alta precisión predictiva y la capacidad del modelo para capturar interacciones complejas entre factores de riesgo, lo que sugiere su potencial como una herramienta valiosa para el apoyo a la toma de decisiones clínicas en cardiología. El análisis comparativo confirma que el enfoque de múltiples tareas propuesto se desempeña de manera comparable o mejor que los modelos de aprendizaje automático convencionales. La investigación futura se centrará en refinar el modelo y validar su capacidad de generalización en entornos clínicos del mundo real.