Antecedentes: La regurgitación de la válvula mitral (RM) es la enfermedad valvular cardíaca más común y las variables actuales asociadas con la recurrencia de la RM siguen siendo controvertidas. Nuestro objetivo es desarrollar un modelo pronóstico basado en aprendizaje automático para predecir las causas del fracaso de la reparación de la válvula mitral (VM) y la recurrencia de la RM. Métodos: Se inscribieron 1000 pacientes que se sometieron a reparación de la VM en nuestra institución entre 2008 y 2018. Los pacientes fueron seguidos longitudinalmente durante un máximo de tres años. Se incluyeron datos clínicos y ecocardiográficos en el análisis. Los puntos finales fueron el fracaso quirúrgico de la reparación de la VM con la consecuente sustitución de la VM o la recurrencia de RM moderada/grave (>2+) a un mes y la recurrencia de RM moderada/grave después de tres años. Resultados: 817 pacientes (DS1) tuvieron un examen ecocardiográfico a un mes, mientras que 295 (DS2) también tuvieron uno a los tres años. Los datos se dividieron aleatoriamente en cohortes de entrenamiento (DS1: n = 654; DS2: n = 206) y validación (DS1: n = 164; DS2 n = 89). Para la evaluación del fracaso de la reparación de la VM intraoperatoria o temprana, el mejor área bajo la curva (AUC) fue de 0,75 y la complejidad de la prolapso de la válvula mitral fue el predictor principal. En la predicción de la recurrencia de RM moderada/grave a los tres años, el mejor AUC fue de 0,92 y la RM residual a los seis meses fue el predictor más importante. Conclusiones: Los algoritmos de aprendizaje automático pueden mejorar el pronóstico después del procedimiento de reparación de la VM, mejorando así las indicaciones para la selección correcta de candidatos para la reparación quirúrgica de la VM.