El aprendizaje automático se ha convertido en una tecnología cada vez más ubicua, ya que los grandes datos continúan informando e influyendo en la vida cotidiana y en la toma de decisiones. Actualmente, en medicina y atención médica, así como en la mayoría de las otras industrias, los dos paradigmas de aprendizaje automático más prevalentes son el aprendizaje supervisado y el aprendizaje por transferencia. Ambas prácticas dependen de conjuntos de datos anotados manualmente a gran escala para entrenar modelos cada vez más complejos. Sin embargo, el requisito de que los datos sean etiquetados manualmente deja un exceso de datos no utilizados y no etiquetados disponibles en repositorios de datos tanto públicos como privados. El aprendizaje auto-supervisado (SSL) es un área en crecimiento del aprendizaje automático que puede aprovechar los datos no etiquetados. A diferencia de otros paradigmas de aprendizaje automático, los algoritmos SSL crean señales de supervisión artificiales a partir de datos no etiquetados y preentrenan algoritmos en estas señales. El objetivo de esta revisión es doble: en primer lugar, proporcionamos una definición formal de SSL, dividimos los algoritmos SSL en sus cuatro subconjuntos únicos y revisamos el estado del arte publicado en cada uno de esos subconjuntos entre los años 2014 y 2020. En segundo lugar, este trabajo examina los algoritmos SSL recientes publicados en atención médica, con el fin de proporcionar a los expertos médicos una imagen más clara de cómo pueden integrar SSL en su investigación, con el objetivo de aprovechar los datos no etiquetados.