La hipoxia fetal es una condición caracterizada por una falta de suministro de oxígeno en un feto en desarrollo en el útero. Puede causar riesgos potenciales, llevando a anomalías, defectos de nacimiento e incluso mortalidad. El monitoreo cardiotocográfico (CTG) es una de las técnicas que pueden detectar cualquier signo de angustia fetal, incluida la hipoxia. Debido a la importancia crítica de interpretar los resultados de esta prueba, es esencial acompañar estos exámenes con la tecnología disponible en constante evolución para clasificar los casos de hipoxia en tres categorías: normal, sospechoso o patológico. Además, el Aprendizaje Automático (ML) es una técnica floreciente que se desarrolla constantemente y ayuda en estudios médicos, especialmente en la predicción de la salud fetal. A pesar de los esfuerzos pasados de los proveedores de salud para detectar la hipoxia en los fetos, la implementación de técnicas de ML y Aprendizaje Profundo (DL) asegura una detección más oportuna y precisa de la hipoxia fetal al procesar eficientemente y con precisión patrones complejos en grandes conjuntos de datos. De manera correspondiente, este artículo de revisión tiene como objetivo explorar la aplicación de modelos de inteligencia artificial utilizando datos de pruebas cardiotocográficas. El resultado anticipado de esta revisión es introducir orientación para futuros estudios con el fin de mejorar la precisión en la detección de casos clasificados dentro de la clase sospechosa, un aspecto que ha enfrentado desafíos en estudios anteriores y que tiene implicaciones significativas para los obstetras en el monitoreo efectivo de la salud fetal y la toma de decisiones informadas.