La incorporación reciente de la impresión 3D en los procesos de manufactura, ha revolucionado la medicina regenerativa en traumatología (MRT) al permitir la fabricación de implantes con estructuras porosas para promover la regeneración ósea (RO). Se han identificado dos características clave de estas estructuras: excelentes propiedades mecánicas y biocompatibilidad. Sin embargo, se han reportado resultados diversos a partir de la evaluación de variantes geométricas respecto a las características morfológicas óptimas para estimular la RO. Este trabajo propone una metodología novedosa para diseñar implantes óseos con estructuras optimizadas, mediante Aprendizaje Inteligente y Simulación Mecánica Computacional. A partir de una búsqueda bibliográfica se creó una base de datos de 100 estructuras porosas 3D con potencial comprobado para estimular la RO. A partir de ella se entrenó un Modelo Estadístico de Forma para capturar las características morfológicas de cada geometría y que el mismo modelo genere una librería de estructuras nuevas. Éstas se evaluaron mediante SMC, utilizando el Método de los Elementos Finitos y se seleccionaron las geometrías con mejor rendimiento mecánico para una posible respuesta biológica. Las estructuras optimizadas obtenidas abren un camino hacia la validación in vivo para la promoción de la RO, con potencial impacto en la MRT.