Antecedentes: La recurrencia de taquicardia ventricular (TV) después de la ablación por catéter sigue siendo una preocupación, lo que enfatiza la necesidad de una evaluación de riesgos precisa. Nuestro objetivo fue utilizar el aprendizaje automático (ML) para predecir la recurrencia de TV a 1 mes y 1 año después de la ablación de TV. Métodos: Para 337 pacientes sometidos a ablación de TV, recopilamos 31 parámetros que incluyen historial médico, ecocardiografía y datos procedimentales. Se incluyeron 17 características relevantes en la selección de características basada en ML, lo que arrojó seis y cinco características óptimas para la recurrencia a 1 mes y 1 año, respectivamente. Entrenamos varios modelos de aprendizaje automático supervisado utilizando validación cruzada de 10 pliegues para cada punto final. Resultados: Observamos que la recurrencia de TV a 1 mes se observó en 60 (18%) casos y se predijo con precisión utilizando nuestro modelo con un área bajo la curva de operación del receptor (AUC) de 0,73. Las características de entrada utilizadas fueron inestabilidad hemodinámica, TV incesante, descarga del CDI, fracción de eyección del ventrículo izquierdo, TAPSE e inductibilidad no inducible de la TV clínica al final del procedimiento. Se entrenó un modelo separado para la recurrencia de TV a 1 año (observada en 117 (35%) casos) con un AUC medio de 0,71. Las características seleccionadas fueron inestabilidad hemodinámica, número de morfologías de TV inducibles, diámetro sistólico del ventrículo izquierdo, regurgitación mitral y descarga del CDI. Para ambos puntos finales, un modelo de bosque aleatorio mostró el mejor rendimiento. Conclusiones: Nuestros modelos de ML predicen de manera efectiva la recurrencia de TV después de la ablación, ayudando a identificar a los pacientes de alto riesgo y adaptar estrategias de seguimiento.