En los últimos años, las redes neuronales convolucionales (CNN) han surgido como arquitecturas altamente eficientes para tareas de clasificación de imágenes y audio, ganando una amplia adopción en metodologías de vanguardia. Mientras que las CNN destacan en escenarios de aprendizaje automático donde la representación de datos exhibe una estructura de cuadrícula, enfrentan desafíos para generalizar a otros tipos de datos. Por ejemplo, tienen dificultades con datos estructurados en mallas 3D (por ejemplo, mediciones de una red de estaciones meteorológicas) o datos representados por estructuras de grafos (por ejemplo, grafos moleculares). Para abordar tales desafíos, la literatura científica propone arquitecturas novedosas de redes convolucionales basadas en grafos, extendiendo el concepto clásico de convolución a estructuras de datos definidas por grafos. En este documento, utilizamos una arquitectura de aprendizaje profundo de este tipo para examinar grafos definidos utilizando los códigos de la CIE-10 que aparecen en los datos médicos de pacientes que sufrieron un accidente cerebrovascular hemorrágico en Hungría en el período 2006-2012. El propósito del análisis es predecir el riesgo de accidente cerebrovascular examinando el grafo de un paciente. Finalmente, también comparamos la efectividad de este método con métodos clásicos de clasificación de aprendizaje automático. Los resultados demuestran que el método basado en grafos puede predecir el riesgo de accidente cerebrovascular con una precisión de más del 73%, lo cual es más de un 10% más alto que los métodos clásicos.