Los nuevos diseños de vástagos de cadera porosos y semi-porosos intentan aliviar complicaciones como el aflojamiento aséptico, el apantallamiento por estrés y el eventual fallo del implante. Se modelan varios diseños de vástagos de cadera para simular el rendimiento biomecánico utilizando análisis de elementos finitos; sin embargo, estos modelos son computacionalmente costosos. Por lo tanto, se incorpora un enfoque de aprendizaje automático con datos simulados para predecir el nuevo rendimiento biomecánico de los nuevos diseños de vástagos de cadera. Se emplearon seis tipos de algoritmos basados en aprendizaje automático para validar los resultados simulados del análisis de elementos finitos. Posteriormente, se utilizaron nuevos diseños de vástagos semi-porosos con capas densas externas de 2.5 y 3 mm y porosidades del 10 al 80% para predecir la rigidez de los vástagos, las tensiones en las capas densas externas, las tensiones en las secciones porosas y el factor de seguridad bajo cargas fisiológicas utilizando algoritmos de aprendizaje automático. Se determinó que la regresión de árbol de decisión es el algoritmo de aprendizaje automático de mejor rendimiento según los datos de simulación utilizados en términos del error porcentual absoluto medio de validación, que es igual al 19.62%. También se encontró que la regresión de cresta produce la tendencia de conjunto de prueba más consistente en comparación con los resultados originales del análisis de elementos finitos simulado, a pesar de depender de un conjunto de datos relativamente pequeño. Estos resultados predichos empleando algoritmos entrenados proporcionaron la comprensión de que cambiar los parámetros de diseño de los vástagos semi-porosos afecta el rendimiento biomecánico sin llevar a cabo un análisis de elementos finitos.