La evolución natural de los pacientes con tromboembolismo venoso (ETV) en cualquiera de sus presentaciones (embolia pulmonar {EP} y/o trombosis venosa profunda {TVP}) que no reciben anticoagulación o la interrumpen prematuramente (menos de 90 días), no ha sido evaluada de forma consistente. A estos pacientes se les presupone un elevado riesgo, no bien cuantificado, de muerte y recurrencias. Nuestro propósito fue estudiar la relación entre la duración de la anticoagulación y la aparición de complicaciones (recurrencia y/o fallecimiento) en la primera fase de tratamiento de la ETV. Valorar si los métodos de aprendizaje automático (machine learning; ML) mejoran el rendimiento de los métodos tradicionales basados en la regresión logística (RL) para predecir complicaciones relacionadas con la interrupción anticipada del tratamiento anticoagulante. Para realizar dicha tarea, se seleccionaron pacientes del registro RIETE con EP y/o TVP proximal (por encima de la rodilla) de las extremidades inferiores que interrumpieron la anticoagulación antes de los 90 días. Se evaluó la incidencia de muerte relacionada con EP, muerte súbita o ETV recurrente dentro de los 30 días posteriores a la interrupción como una variable principal compuesta. Se determinó el riesgo de estos eventos comparando su incidencia con la de pacientes sin interrupción prematura de la anticoagulación (ajustado por factores demográficos y clínicos). Se construyeron modelos de predicción basados en métodos de RL y, en el caso de los pacientes con EP, también con 5 modelos de ML (Decision Tree, K-Nearest Neighbours, Support Vector Machine, Ensemble y Neural Network) para identificar a los pacientes con mayor riesgo de desarrollar esas complicaciones. El rendimiento de los diferentes métodos se evaluó mediante las métricas de matriz de confusión y el modelo final de ML también con un gráfico d e calibración para ver la capacidad predictiva en diferentes grupos de riesgo. Es imporante destacar, que los pacientes que suspendieron el tratamiento anticoagulante eran más frágiles y tenían mayor riesgo de sangrado y mortalidad. Si el motivo de anticoagulación era EP aguda, la EP mortal se desarrolló en hasta el 53 % de los pacientes no tratados y en un 3,3 % de los pacientes con interrupción prematura. La probabilidad ajustada de desarrollar complicaciones (variable principal) en pacientes con EP fue 27 veces mayor en los pacientes no tratados que en los tratados, y disminuyó progresivamente de forma logarítmica a 2,5-7 veces en los pacientes tratados durante al menos 7 días. La incidencia de complicaciones fue notablemente mayor, aproximadamente el doble, en la primera semana tras la suspensión que en el resto del mes. La relación inversa entre la duración de la anticoagulación y el riesgo de complicaciones fue menos evidente en pacientes con TVP. La probabilidad ajustada de la variable principal en pacientes con TVP aguda fue 8 veces superior en los pacientes que interrumpieron prematuramente la anticoagulación que en el resto de los pacientes. Machine Learning Neural Network (ML-NN) fue el mejor método para discriminar a los pacientes que desarrollaron complicaciones, prediciendo el resultado con un área bajo la curva ROC (Características Operativas del Receptor) de 0,96 (intervalos de confianza [IC] del 95 %, 0,95-0,98). Este resultado fue similar tanto si se utilizan 70 como 23 variables recogidas antes de la interrupción del tratamiento.Se obtuvieron números igualmente muy altos de sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo y precisión. La capacidad discriminativa de la regresión logística fue inferior (área bajo la curva ROC, 0,76 [IC 95% 0,70-0,81]). Los gráficos de calibración mostraron desviaciones similares de la línea perfecta para ML-NN y RL. Concluimos que el tratamiento anticoagulante de la ETV (aunque sea durante poco tiempo) reduce notablemente el riesgo de complicaciones frente a no recibir ningún tratamiento. La primera semana tras el diagnóstico es especialmente trascendente pues el riesgo de sufrir un evento adverso (muerte súbita, EP mortal o ETV recurrente) es muy alto y va disminuyendo gradualmente a lo largo de las semanas siguientes. Cada día de anticoagulación resta probabilidad de sufrir un nuevo episodio, independientemente de la causa de anticoagulación inicial.Las redes neuronales fueron capaces de predecir con alta fiabilidad la aparición de estas complicaciones que aparecen tras la interrupción prematura del tratamiento anticoagulante por EP aguda, con un modelo razonablemente bien calibrado que distribuye el error de forma homogénea en grupos con distinta probabilidad pre-test de sufrir el evento. El aprendizaje automático se comporta como una técnica que mejora los modelos de predicción disponibles hasta el momento.