Perioperative hypotension (PH), commonly a side effect of anesthesia,is one of the main mortality causes during the 30 posterior days of asurgical procedure. Novel research lines propose combining machinelearning algorithms with the Arterial Blood Pressure (ABP) waveform tonotify healthcare professionals about the onset of a hypotensive event withtime advance and prevent its occurrence. Nevertheless, ABP waveformsare heterogeneous among patients, consequently, a general model maypresent different predictive capabilities per individual. This project aimsat improving the performance of an artificial neural network (ANN) topredict hypotension events with time advance by applying personalizedmachine learning techniques, like data grouping and domain adaptation. Wehypothesize its implementation will allow us to cluster patients with similardemographic and ABP discriminative characteristics and tailor the modelto each specific group, resulting in a worst overall but better individualperformance. Results present a slight but not clinical significant improvementwhen comparing AUROC values between the group-specific and the generalmodel. This suggests even though personalization could be a good approach todealing with patient heterogeneity, the clustering algorithm presented in thisthesis is not sufficient to make the ANN clinically feasible. / Perioperativ hypotoni (PH), vanligtvis en sidoeffekt av anestesi, är en av dehuvudsakliga dödsorsakerna under de första 30 dagarna efter ett kirurgiskt ingrepp. Nya forskningslinjer föreslår att kombinera maskininlärningsalgo-ritmer med vågformen av det arteriella blodtrycket (ABP) för att förvarna sjukvårdspersonalen om uppkomsten av en hypotensiv episod, and därmedförhindra förekomsten. ABP-vågformen är dock heterogen bland patienter,så en allmän modell kan ha olik prediktiv förmåga för olika individer.I det här projektet används personaliserade maskininlärningstekniker, somdatagruppering och domänanpassning, för att försöka förbättra ett artificielltneuralt nätverk (ANN) som förutspår hytotensiva episoder. Vår hypotes är attimplementeringen kommer låta oss klustra patienter med liknande demografioch ABP-karakteristik för att skräddarsy modellen till varje specifik grupp,vilket leder till en sämre övergripande men bättre individuell prestanda. Resultaten visar små men inte kliniskt signifikanta förbättringar när AUROC-värden jämförs mellan den gruppspecifika och den allmänna modellen. Detta tyder på att även fast personalisering kan vara en bra tillnärmning till patientersheterogenitet, är inte klusteralgoritmen som presenteras här tillräcklig förklinisk användning av ANN.