La integración de la inteligencia artificial en la atención médica ha avanzado rápidamente en los últimos años, con enfoques multimodales que emergen como herramientas prometedoras para mejorar la precisión diagnóstica y la toma de decisiones clínicas. Estos enfoques combinan fuentes de datos heterogéneas, como imágenes médicas, registros de salud electrónicos, señales fisiológicas y notas clínicas, para capturar mejor la complejidad de los procesos de enfermedad. A pesar de este progreso, solo un número limitado de estudios ofrece una visión unificada de las aplicaciones de IA multimodal en medicina. En esta revisión, proporcionamos un análisis completo y actualizado de arquitecturas multimodales basadas en aprendizaje automático y aprendizaje profundo, estrategias de fusión y su rendimiento en una variedad de tareas diagnósticas. Comenzamos resumiendo conjuntos de datos disponibles públicamente y examinando las tuberías de preprocesamiento requeridas para armonizar datos médicos heterogéneos. Luego, categorizamos las estrategias de fusión clave utilizadas para integrar información de múltiples modalidades y revisamos arquitecturas de modelos representativas, desde diseños híbridos y modelos de visión-lenguaje basados en transformadores hasta marcos centrados en la optimización y en los registros de salud electrónicos. Finalmente, destacamos los desafíos presentes en los trabajos existentes. Nuestro análisis muestra que los enfoques multimodales tienden a superar a los sistemas unimodales en rendimiento diagnóstico, robustez y generalización. Esta revisión proporciona una visión unificada del campo y abre futuras direcciones de investigación destinadas a construir sistemas de diagnóstico multimodal clínicamente utilizables, interpretables y escalables.