Este estudio presenta un enfoque novedoso utilizando Redes Neuronales Informadas por Física en 3D (PINNs) para simular el flujo sanguíneo en las arterias coronarias, integrando el aprendizaje profundo con principios fundamentales de la física. Al combinar modelos impulsados por la física con conjuntos de datos clínicos, nuestra metodología predice con precisión la reserva de flujo fraccional (FFR), abordando los desafíos en las mediciones no invasivas. La validación contra simulaciones de CFD y métodos invasivos de FFR demuestra la precisión y eficiencia del modelo. El error medio en comparación con el FFR invasivo fue de aproximadamente 1.2% para CT209, 2.3% para CHN13 y 2.8% para la arteria CHN03. En comparación con los métodos tradicionales en 3D que tienen dificultades con las condiciones de contorno, nuestro enfoque 3D PINN proporciona una solución flexible, eficiente y fisiológicamente sólida. Estos resultados sugieren que el enfoque 3D PINN produce resultados razonablemente precisos, posicionándolo como una herramienta confiable para diagnosticar condiciones de las arterias coronarias y avanzar en las simulaciones cardiovasculares.