Este documento explora los métodos de aprendizaje automático para el diagnóstico de la obstrucción laríngea inducida por el ejercicio (EILO). Enfoques diagnósticos tradicionales como la puntuación CLE enfrentan subjetividad, limitando evaluaciones objetivas precisas. El aprendizaje automático se presenta como una solución teórica para posiblemente superar estas limitaciones y mejorar la precisión diagnóstica. Se realizó una revisión narrativa para explorar la integración de técnicas de aprendizaje automático en el diagnóstico de EILO. Se descubrieron tres métodos de aprendizaje automático para la segmentación de imágenes laríngeas: red convolucional completa, Mask R-CNN y 3D VOSNet. Nuestros hallazgos revelan que la integración del aprendizaje automático con el diagnóstico de EILO sigue siendo un dominio de investigación en gran parte sin explotar, brindando un amplio espacio para una mayor exploración. La integración de técnicas de ML para el diagnóstico de EILO tiene el potencial de ser una herramienta útil para los médicos. La aplicación de métodos de ML de visión por computadora, como la segmentación de imágenes, para delinear estructuras laríngeas allana el camino para una evaluación más objetiva. Si bien persisten desafíos, especialmente en las diferencias en la anatomía laríngea de los pacientes, la sinergia de ML y la experiencia médica es un campo importante a explorar en los próximos años.