La detección oportuna y la respuesta a la Hipotensión Intraoperatoria (IOH) durante la cirugía es crucial para evitar complicaciones postoperatorias graves. Aunque se han propuesto varios métodos para predecir la IOH utilizando aprendizaje automático, su rendimiento aún tiene margen de mejora. En este documento, proponemos un modelo ResNet-BiLSTM basado en entrenamiento multitarea y mecanismo de atención para la predicción de IOH. Entrenamos y probamos nuestro modelo propuesto utilizando formas de onda de bioseñales obtenidas de la monitorización de pacientes en cirugías no cardíacas. Seleccionamos tres modelos (WaveNet, CNN y TCN) que procesan datos de series temporales para la comparación. Los resultados experimentales demuestran que nuestro modelo propuesto tiene un MSE óptimo (43.83) y una precisión (0.9224) en comparación con otros modelos, incluidos WaveNet (51.52, 0.9087), CNN (318.52, 0.5861) y TCN (62.31, 0.9045), lo que sugiere que nuestro modelo propuesto tiene un mejor rendimiento en regresión y clasificación. Realizamos experimentos de ablación en las tareas múltiples y los mecanismos de atención, y los resultados experimentales demostraron que los mecanismos de tareas múltiples y atención mejoraron el MSE y la precisión. Los resultados demuestran la efectividad y superioridad de nuestro modelo propuesto en la predicción de IOH.