Según la Organización Mundial de la Salud, las enfermedades crónicas representan más del 70% de las muertes a nivel mundial, subrayando la necesidad de una evaluación efectiva de riesgos para la salud (HRA). Aunque el aprendizaje automático (ML) ha mostrado potencial para mejorar la HRA, ninguna revisión sistemática ha explorado su aplicación en evaluaciones generales de riesgos para la salud. Las revisiones existentes suelen centrarse en condiciones específicas. Este artículo revisa artículos publicados que utilizan ML para la HRA, y tiene como objetivo identificar los métodos de desarrollo de modelos. Se realizó una revisión sistemática siguiendo el enfoque de tres etapas de Tranfield et al., y se adhirió al protocolo PRISMA. La literatura se obtuvo de cinco bases de datos, incluyendo PubMed. De los artículos incluidos, el 42% (11/26) abordaba riesgos generales para la salud. Las fuentes de datos secundarios fueron las más comunes (14/26, 53.85%), mientras que datos primarios se utilizaron en once estudios, con nueve (81.81%) utilizando datos de una población específica. Random forest fue el algoritmo más popular, utilizado en nueve estudios (34.62%). Destacadamente, doce estudios implementaron múltiples algoritmos, mientras que siete estudios incorporaron técnicas de interpretabilidad de modelos. Aunque estos estudios han mostrado promesa en abordar las inequidades en la salud digital, se necesita más investigación para incluir poblaciones de muestra diversas, especialmente de comunidades desatendidas, para mejorar la generalizabilidad de los modelos existentes. Además, la interpretabilidad del modelo debe ser priorizada para garantizar soluciones de atención médica transparentes, confiables y ampliamente aplicables.