El proceso de descubrimiento de medicamentos es un esfuerzo riguroso y que consume mucho tiempo, que típicamente requiere varios años de extensa investigación y desarrollo. Aunque el aprendizaje automático clásico (ML) ha demostrado ser exitoso en este campo, sus demandas computacionales en términos de velocidad y recursos son significativas. En los últimos años, los investigadores han buscado explorar los posibles beneficios de la computación cuántica (QC) en el contexto del aprendizaje automático (ML), lo que ha llevado a la aparición del aprendizaje automático cuántico (QML) como un campo de investigación distinto. El objetivo del estudio actual es doble: primero, presentar una revisión de los algoritmos de QML propuestos para su aplicación en el proceso de descubrimiento de medicamentos, y segundo, comparar los algoritmos de QML con sus contrapartes clásicas e híbridas en términos de eficiencia. Se realizó una búsqueda basada en consultas en varias bases de datos, y se identificaron cinco categorías diferentes de algoritmos en los que se implementó QML. La mayoría de las aplicaciones de QML en el descubrimiento de medicamentos se centran principalmente en las etapas iniciales del proceso de descubrimiento de medicamentos, especialmente en lo que respecta a la identificación de moléculas nuevas similares a fármacos. Los resultados de la comparación revelaron que los algoritmos de QML son fuertes rivales de los clásicos, y una solución híbrida es el enfoque recomendado en la actualidad.