El análisis del aliento es un método de diagnóstico no invasivo que ofrece información sobre condiciones fisiológicas y patológicas. El aliento exhalado contiene compuestos orgánicos volátiles, que actúan como biomarcadores para la detección de enfermedades, permitiendo el monitoreo de tratamientos y la personalización de la medicina para los individuos. Los avances recientes en la detección química, la espectrometría de masas y la espectroscopía han mejorado la capacidad de identificar estos biomarcadores; sin embargo, los enfoques estadísticos tradicionales a menudo tienen dificultades para manejar las complejidades de los datos del aliento. La inteligencia artificial (IA) y el aprendizaje automático (AA) han revolucionado el análisis del aliento al descubrir patrones intrincados entre los marcadores volátiles del aliento, mejorando la precisión diagnóstica y facilitando la identificación de enfermedades en tiempo real. A pesar de los avances significativos, persisten desafíos, incluidos problemas con la estandarización de datos, la interpretabilidad de los modelos y la necesidad de conjuntos de datos extensos y variados. Este estudio revisa las aplicaciones del AA en el análisis de compuestos orgánicos volátiles del aliento, destacando las deficiencias metodológicas y los obstáculos para la validación clínica. Se realizó una revisión exhaustiva de la literatura utilizando las bases de datos PubMed y Scopus, que incluyó estudios que se centraron específicamente en el papel del aprendizaje automático en el diagnóstico de enfermedades y la predicción de incidencia a través del análisis del aliento. Entre los 524 artículos revisados, 97 cumplieron con los criterios de inclusión especificados. Los estudios seleccionados aplicaron técnicas de AA, se encontraban dentro del alcance de esta revisión y enfatizan el potencial de los modelos de AA para diagnósticos no invasivos. Los hallazgos indican que los métodos tradicionales de AA dominan, mientras que los métodos de conjunto están en aumento, y las técnicas de aprendizaje profundo (AP) (especialmente las CNN y LSTM) se utilizan cada vez más para clasificar enfermedades respiratorias. Las técnicas de selección de características (como PCA y métodos basados en AA) se implementaron con frecuencia, aunque persisten desafíos relacionados con la explicabilidad y la estandarización de datos. Los estudios futuros deberían centrarse en mejorar la transparencia del modelo y desarrollar métodos para integrar aún más la IA en el entorno clínico para facilitar la detección temprana de enfermedades y avanzar en la medicina de precisión.