Este documento presenta un enfoque híbrido novedoso que integra dinámica de fluidos computacional (CFD), redes neuronales informadas por la física (PINN) y métodos de interacción fluido-estructura (FSI) para simular el flujo de fluidos en árboles de arterias coronarias estenóticas y predecir la reserva de flujo fraccionario (FFR) en áreas de estenosis. El objetivo principal es utilizar un modelo PINN unidimensional para predecir con precisión las condiciones de flujo de salida, abordando efectivamente los desafíos de medir o estimar estas condiciones dentro de redes arteriales complejas. La validación frente a métodos CFD tradicionales demuestra una fuerte precisión mientras se incorpora un entrenamiento basado en la física para garantizar el cumplimiento de los principios fundamentales de la dinámica de fluidos. Los hallazgos indican que el método híbrido CFD PINN FSI genera condiciones de contorno de salida realistas, cruciales para diagnosticar la estenosis, requiriendo datos de entrada mínimos. Al integrar sin problemas las condiciones iniciales establecidas por el PINN unidimensional en simulaciones FSI, este enfoque permite evaluaciones precisas de la dinámica del flujo sanguíneo y los valores de FFR en regiones estenóticas. Esta aplicación innovadora del PINN unidimensional no solo distingue esta metodología de los modelos convencionales impulsados por datos que dependen en gran medida de conjuntos de datos extensos, sino que también destaca su potencial para mejorar nuestra comprensión de la hemodinámica en estados patológicos. En última instancia, esta investigación allana el camino para avances significativos en técnicas de diagnóstico no invasivas en cardiología, mejorando la toma de decisiones clínicas y los resultados para los pacientes.