L'hemorràgia subaracnoidea (HSA) és una afecció neurològica que suposa un 5% dels accidents cerebrovasculars (ACV), afectant entorn de 10 de cada 100,000 individus per any. Aquesta patologia sol tenir un pronòstic neurològic negatiu sobre el conjunt de pacients que la sofreix. Per això, aquest projecte té com a finalitat la creació d'una eina de suport a la presa de decisions per al personal mèdic de l'UCI sobre el tractament de pacients amb hemorràgia subaracnoidea segons el seu pronòstic neurològic. La base de dades emprada va ser proporcionada per l'Hospital Clínic de Barcelona i consta d'un total de 130 pacients i 133 variables en la qual els pacients han estat triats prèviament a aquest estudi d'una base major. El criteri de selecció de pertinença d'aquests pacients a l'estudi és que posseeixin un nivell de gravetat en la World Federation of Neurosurgical Societies Scale (WFNS) de 4 o 5, que correspon al subgrup de pacients amb un nivell de HSA més greu. Amb aquestes dades, es realitza un estudi univariable a aquelles variables que podrien permetre la predicció del pronòstic neurològic dels pacients. Seguidament, es generen una sèrie de models de classificació mitjançant Machine Learning (ML) on s'utilitzen les variables d'ingrés per a predir durant el dia 0 l'estat neurològic dels pacients. Una vegada aconseguits i comparats aquests models es pretén avaluar l'efecte de la ventilació mecànica sobre aquests i intentar predir si a partir del tercer dia d'intubació del pacient continua sent possible ajudar en la predicció del pronòstic neurològic dels pacients. Amb els resultats obtinguts en aquest projecte s'ha pogut crear una eina de suport en la presa de decisions en l'UCI basant-se en l'ús de ML. D'aquesta manera, s'ha emprat el coneixement mèdic i la ciència de les dades per a obtenir noves opcions d'ajuda al personal sanitari a l'hora de determinar el pronòstic neurològic d'un pacient. La hemorragia subaracnoidea (HSA) es una afección neurológica que supone un 5% de los accidentes cerebrovasculares (ACV),afectando en torno a 10 de cada 100,000 individuos por año. Esta patología suele tener un pronóstico neurológico negativo sobre el conjunto de pacientes que la sufre. Por ello, este proyecto tiene como finalidad la creación de una herramienta de apoyo a la toma de decisiones para el personal médico de la UCI sobre el tratamiento de pacientes con hemorragia subaracnoidea según su pronóstico neurológico. La base de datos empleada fue proporcionada por el Hospital Clínic de Barcelona y consta de un total de 130 pacientes y 133 variables en la que los pacientes han sido escogidos previamente a este estudio de una base mayor. El criterio de selección de pertenencia de estos pacientes al estudio es que posean un nivel de gravedad en la World Federation of Neurosurgical Societies Scale (WFNS) de 4 o 5, que corresponde al subgrupo de pacientes con un nivel de HSA más grave. Con estos datos, se realiza un estudio univariable a aquellas variables que podrían permitir la predicción del pronóstico neurológico de los pacientes. Seguidamente, se generan una serie de modelos de clasificación mediante Machine Learning (ML) donde se utilizan las variables de ingreso para predecir durante el día 0 el estado neurológico de los pacientes. Una vez conseguidos y comparados estos modelos se pretende evaluar el efecto de la ventilación mecánica sobre estos e intentar predecir si a partir del tercer día de intubación del paciente sigue siendo posible ayudar en la predicción del pronóstico neurológico de los pacientes. Con los resultados obtenidos en este proyecto se ha podido crear una herramienta de apoyo en la toma de decisiones en la UCI basándose en el uso de ML. De esta manera, se ha empleado el conocimiento médico y la ciencia de los datos para obtener nuevas opciones de ayuda al personal sanitario a la hora de determinar el pronóstico neurológico de un paciente. Subarachnoid haemorrhage (SAH) is a neurological condition that accounts for 5% of cerebrovascular accidents (CVA), affecting around 10 out of every 100,000 individuals per year. This pathology usually has a negative neurological prognosis for the group of patients who suffer from it. Therefore, this project aims to create a decision support tool for ICU medical staff on the treatment of patients with subarachnoid haemorrhage according to their neurological prognosis. The database used was provided by the Hospital Clínic de Barcelona and consists of a total of 130 patients and 133 variables in which the patients had been previously selected for this study from a larger base. The selection criterion for these patients to belong to the study is that they have a severity level on the World Federation of Neurosurgical Societies Scale (WFNS) of 4 or 5, which corresponds to the subgroup of patients with a more severe level of SAH. With these data, a univariate study is carried out on those variables that could allow the prediction of the neurological prognosis of the patients. Next, a series of classification models are generated using Machine Learning (ML) where the input variables are used to predict the neurological status of the patients on day 0. Once these models have been obtained and compared, the aim is to evaluate the effect of mechanical ventilation on them and try to predict whether, after the third day of patient intubation, it is still possible to help predict the neurological prognosis of patients. With the results obtained in this project, it has been possible to create a decision-making support tool in the ICU based on the use of ML. In this way, medical knowledge and data science have been used to obtain new options to help health personnel when determining the neurological prognosis of a patient.