La rápida propagación global de la enfermedad por coronavirus (COVID-19) ha impactado severamente la vida diaria en todo el mundo. Como posibles soluciones, han surgido diversas estrategias de rastreo de contactos digitales (DCT) para mitigar la propagación del virus mientras se mantienen las actividades económicas y sociales. Los problemas de epidemiología computacional de DCT a menudo implican la optimización de parámetros a través de procesos de aprendizaje, por lo que es crucial comprender cómo aplicar técnicas de aprendizaje automático para una optimización efectiva de DCT. Aunque recientemente han surgido numerosos estudios de investigación sobre DCT, la mayoría de las revisiones existentes se centran principalmente en el diseño e implementación de la aplicación de DCT. Este documento ofrece una visión general exhaustiva del DCT basado en el aprendizaje automático preservando la privacidad en preparación para futuras pandemias. Proponemos una nueva taxonomía para clasificar las estrategias de DCT existentes en rastreo de contactos hacia adelante, hacia atrás y proactivo. Luego categorizamos varias aplicaciones de DCT desarrolladas durante la pandemia de COVID-19 según sus estrategias de rastreo. Además, derivamos tres preguntas de investigación relacionadas con la epidemiología computacional para DCT y proporcionamos una descripción detallada de las técnicas de aprendizaje automático para abordar estos problemas. Discutimos los desafíos del DCT basado en el aprendizaje y sugerimos posibles soluciones. Además, incluimos un estudio de caso que demuestra las ideas clave de la revisión sobre la respuesta a la pandemia. Finalmente, resumimos las limitaciones del estudio y destacamos las prometedoras direcciones futuras de investigación en DCT.