Año tras año, los ataques de malware móvil crecen tanto en sofisticación como en difusión. A medida que la plataforma Android de código abierto continúa dominando el mercado, los creadores de malware la consideran su objetivo preferido. Casi estrictamente, las soluciones de detección de malware móvil de vanguardia en la literatura capitalizan el aprendizaje automático para detectar piezas de malware. Sin embargo, nuestros hallazgos indican claramente que la mayoría de los trabajos existentes utilizan diferentes métricas y modelos y emplean conjuntos de datos y características de clasificación diversas que provienen de técnicas de análisis dispares, es decir, estáticas, dinámicas o híbridas. Esto complica la comparación cruzada de los diversos esquemas de detección propuestos y también puede generar dudas sobre los resultados derivados. Para abordar este problema, abarcando un período de los últimos siete años, este trabajo intenta esquematizar los enfoques y técnicas de detección de malware impulsados por ML hasta ahora organizándolos bajo cuatro ejes, a saber, la antigüedad del conjunto de datos seleccionado, el tipo de análisis utilizado, las técnicas de ML empleadas y las métricas de rendimiento elegidas. Además, basándonos en estos ejes, introducimos un esquema convergente que puede guiar las futuras técnicas de detección de malware en Android y proporcionar una base sólida para las prácticas de aprendizaje automático en este campo.