Antecedentes: La predicción precisa del riesgo longitudinal de ocurrencia de DCI (isquemia cerebral retardada) después de una hemorragia subaracnoidea (HSA) es esencial para que los médicos administren diagnósticos apropiados y oportunos, mejorando así la planificación del tratamiento y el resultado. Este estudio tuvo como objetivo desarrollar un modelo de predicción mejorado de DCI longitudinal y evaluar su rendimiento en la predicción de DCI entre el día 4 y el 14 después de la ruptura de un aneurisma. Métodos: Se entrenaron dos modelos de clasificación de DCI: (1) un modelo estático basado en datos demográficos recopilados rutinariamente y puntuaciones de gravedad de HSA y (2) un modelo dinámico basado en resultados de análisis de laboratorio y gases sanguíneos anclados en el momento de la DCI. Se derivó un modelo combinado de estos dos utilizando un enfoque de votación. Se evaluaron múltiples clasificadores, incluidos Regresión Logística, Máquinas de Soporte Vectorial, Bosques Aleatorios, Impulso de Gradiente basado en Histogramas y Árboles Extremadamente Aleatorizados, mediante validación cruzada utilizando datos anclados. Luego se realizó una simulación de dejar uno fuera en los modelos con mejor rendimiento para evaluar su rendimiento longitudinal utilizando un análisis de Característica Operativa del Receptor (ROC) dependiente del tiempo. Resultados: El conjunto de datos de entrenamiento incluyó 218 pacientes, de los cuales 89 desarrollaron DCI (41%). En el análisis de ROC anclado, el modelo combinado logró un AUC de ROC de 0.73 +/- 0.05 en la predicción del inicio de DCI, el modelo estático y el dinámico lograron un AUC de ROC de 0.69 +/- 0.08 y 0.66 +/- 0.08, respectivamente. En los experimentos de simulación de dejar uno fuera, el modelo dinámico y de votación mostraron una puntuación de riesgo altamente dinámica (rango de puntuación intra-paciente fue 0.25 [0.24, 0.49] y 0.17 [0.12, 0.25] para el modelo dinámico y el modelo de votación, respectivamente, para la ocurrencia de DCI a lo largo de la enfermedad. En el análisis de ROC dependiente del tiempo, el modelo dinámico tuvo el mejor desempeño hasta el día 5.4, y posteriormente el modelo de votación mostró el mejor rendimiento. Conclusiones: Se desarrolló un modelo de aprendizaje automático para la evaluación del riesgo longitudinal de DCI que comprende un submodelo estático y un submodelo dinámico. La evaluación del rendimiento longitudinal resaltó una dependencia temporal sustancial en el rendimiento del modelo, subrayando la necesidad de una evaluación longitudinal de los modelos de predicción en entornos de cuidados intensivos. Además, los médicos deben ser conscientes de estas variaciones de rendimiento al realizar una evaluación de riesgos y ponderar correspondientemente las diferentes salidas del modelo.