El monitoreo de condiciones (CM) es un componente clave de los sistemas auto-adaptativos y auto-organizativos (SASO). Al analizar datos de sensores, el CM permite que los sistemas reaccionen a condiciones dinámicas, apoyando los principios fundamentales de la computación orgánica (OC): robustez, adaptabilidad y autonomía. Esta encuesta presenta una visión estructurada de las técnicas de CM, áreas de aplicación y datos de entrada. También evalúa hasta qué punto los enfoques actuales apoyan propiedades auto-* , operación en tiempo real y funcionalidad predictiva. De 284 publicaciones recuperadas, se seleccionaron 110 para un análisis detallado. Aproximadamente el 38.71% se centra en la fabricación, el 65.45% en el monitoreo a nivel de sistema y el 6.36% en estructuras estáticas. La mayoría de los enfoques (69.09%) utilizan aprendizaje automático (ML), mientras que solo el 18.42% aplica aprendizaje profundo (DL). Las técnicas predictivas se utilizan en el 16.63% de los estudios, con un 38.89% combinando predicción y detección de anomalías. Aunque el 58.18% implementa algunas características auto-* , solo el 42.19% presenta métodos auto-adaptativos o auto-organizativos de manera explícita. Solo el 6.25% incorpora mecanismos de retroalimentación. Ningún estudio combina completamente la auto-adaptación y la auto-organización. Solo el 5.45% informa sobre tiempos de procesamiento; sin embargo, 1000 Hz puede considerarse un umbral razonable para el CM en tiempo real y de alta frecuencia. Estos resultados destacan una brecha de investigación significativa y la necesidad de capacidades SASO integradas en los futuros sistemas de CM, especialmente en contextos autónomos y en tiempo real.