Las arritmias auriculares son las arritmias cardı́acas más comunes, afectan a seis millones de personas en Europa e imponen una enorme carga sanitaria en la sociedad. Las nuevas tecnologı́as médicas están ayudando a los electrofisiólogos a adaptar el tratamiento a cada paciente de diferentes maneras. Por ejemplo, la resonancia magnética (MRI) permite evaluar la distribución espacial de la fibrosis auricular; los mapas electroanatómicos (EAM) permiten obtener una caracterización eléctrica de los tejidos en tiempo real; Las imágenes electrocardiográficas (ECGI) permiten estudiar la actividad eléctrica cardı́aca de forma no invasiva; y la ablación por radiofrecuencia (RFA), permite eliminar el tejido patológico en el corazón que desencadena o mantiene una arritmia. A pesar del acceso a tecnologı́as avanzadas y de la existencia de guı́as clı́nicas bien desarrolladas para el tratamiento de las arritmias auriculares, las tasas de éxito del tratamiento a largo plazo siguen siendo bajas, debido a la complejidad de la enfermedad. Por lo tanto, existe una necesidad imperiosa de mejorar los resultados clı́nicos en beneficio de los pacientes y el sistema de salud. Se podrı́an emplear modelos biofı́sicos detallados de las aurı́culas y el torso para integrar todos los datos del paciente en un solo modelo 3D de referencia capaz de reproducir los complejos patrones de activación eléctrica observados en experimentos y la clı́nica. Sin embargo, existen algunas limitaciones relacionadas con la dificultad de construir tales modelos para cada paciente o realizar un número considerable de simulaciones para planificar la terapia óptima de RFA. Teniendo en cuenta todas esas limitaciones, proponemos utilizar modelos biofı́sicos detallados y simulaciones como una herramienta para entrenar sistemas de aprendizaje automático, para lo cual dispondrı́amos de todos los datos y variables del problema, que serı́an imposibles de obtener en un entorno clı́nico real. Por lo tanto, podemos realizar cientos de simulaciones electrofisiológicas, considerando una variedad de escenarios y patologı́as comunes, y entrenar un sistema que deberı́a ser capaz de reconocerlos a partir de un conjunto limitado de datos no invasivos del paciente, como un electrocardiograma (ECG), o mapa de potencial de superficie corporal (BSPM).Abstract Atrial arrhythmias are the most common cardiac arrhythmia, affecting six million people in Europe and imposing a huge healthcare bur- den on society. New technologies are helping electrophysiologists to tailor the treatment to each patient in different ways. For instance, magnetic resonance imaging (MRI) allows to assess the spatial distribution of atrial fibrosis; electro-anatomical maps (EAM) permit to obtain an electrical char- acterization of tissue in real-time; electrocardiographic imaging (ECGI) al- lows to study cardiac electrical activity non-invasively; and radiofrequency ablation (RFA), allows to eliminate pathological tissue in the heart that is triggering or sustaining an arrhythmia. Despite the access to advanced technologies and well-developed clinical guidelines for the management of atrial arrhythmia, long-term treatment success rates remain low, due to the complexity of the disease. Therefore, there is a compelling need to improve clinical outcomes for the benefit of patients and the healthcare system. Detailed biophysical models of the atria and torso could be employed to integrate all the patient data into a single reference 3D model able to re- produce the complex electrical activation patterns observed in experiments and clinics. However, there are some limitations related to the difficulty of building such models for each patient, or performing a substantial number of simulations to plan the optimal RFA therapy. Considering all those lim- itations, we propose to use detailed biophysical models and simulations as a tool to train machine learning systems, for which we have all the ground- truth data which would be impossible to obtain in a real clinical setting. Therefore, we can perform hundreds of electrophysiology simulations, con- sidering a variety of common scenarios and pathologies, and train a system that should be able to recognize them from a limited set of non-invasive pa- tient data, such as an electrocardiogram (ECG), or a body surface potential map (BSPM).