Las máquinas de soporte vectorial (SVM) son algoritmos de aprendizaje automático bien conocidos para aplicaciones de clasificación y regresión. En el ámbito de la salud, se han utilizado para una variedad de tareas, incluyendo diagnóstico, pronóstico y predicción de resultados de enfermedades. Esta revisión es una encuesta extensa sobre el estado actual de las SVM desarrolladas y aplicadas en el campo médico a lo largo de los años. Se han desarrollado muchas variantes de enfoques basados en SVM para mejorar sus capacidades de generalización. Ilustramos los modelos basados en SVM más interesantes que se han desarrollado y aplicado en el cuidado de la salud para mejorar las métricas de rendimiento en conjuntos de datos de referencia, incluyendo métodos de clasificación híbridos que combinan, por ejemplo, algoritmos de optimización con SVM. Incluso reportamos resultados interesantes encontrados en aplicaciones médicas relacionadas con datos del mundo real. También se discuten varios problemas en torno a las SVM, como la selección de hiperparámetros y el aprendizaje a partir de datos de calidad cuestionable. Las varias variantes desarrolladas e introducidas a lo largo de los años podrían ser útiles en el diseño de nuevos métodos para mejorar el rendimiento en campos críticos como la salud, donde la precisión, la especificidad y otras métricas son cruciales. Finalmente, se subrayan las tendencias actuales de investigación y las direcciones futuras.