Esta investigación explora el uso del aprendizaje federado descentralizado (DFL) en el sector de la salud, centrándose en superar las deficiencias de los sistemas tradicionales de aprendizaje federado centralizado. DFL se propone como una solución para mejorar la privacidad de los datos y aumentar la fiabilidad del sistema al reducir la dependencia de servidores centrales y aumentar el control de los datos locales. La investigación adopta una revisión sistemática de la literatura, siguiendo las pautas PRISMA, para proporcionar una comprensión integral de las aplicaciones y desafíos actuales de DFL en el sector de la salud. La revisión sintetiza hallazgos de diversas fuentes para identificar los beneficios y vacíos en la investigación existente, proponiendo preguntas de investigación para investigar más a fondo la viabilidad y optimización de DFL en entornos médicos. El estudio identifica cuatro desafíos clave para DFL: seguridad y privacidad, eficiencia de la comunicación, heterogeneidad de datos y modelos, y mecanismos de incentivos. Se discuten posibles soluciones, como métodos criptográficos avanzados, estrategias de comunicación optimizadas, modelos de aprendizaje adaptativos y marcos de incentivos sólidos, para abordar estos desafíos. Además, la investigación destaca el potencial de DFL para permitir la atención médica personalizada a través de grandes conjuntos de datos distribuidos en múltiples instituciones médicas. Este estudio llena una brecha crítica en la literatura al revisar sistemáticamente las tecnologías DFL en el sector de la salud, ofreciendo valiosas ideas sobre aplicaciones, desafíos y futuras direcciones de investigación que podrían mejorar la seguridad, eficiencia y equidad de la gestión de datos de salud.