La toma de decisiones en la atención médica moderna depende cada vez más de la integración de una variedad de fuentes de datos, incluyendo la demografía de los pacientes, la imagenología médica, los resultados de laboratorio, las narrativas clínicas y los datos temporales, todos los cuales son difíciles de predecir con precisión para las metodologías computacionales tradicionales. Este artículo evalúa las últimas metodologías que integran diversos tipos de datos, incluyendo fotografías, notas clínicas, mediciones temporales y tablas estructuradas, a través de técnicas como la amalgamación de características, la priorización de información esencial y la utilización de gráficos. También evaluamos el preentrenamiento, el ajuste fino y la evaluación integral de los procedimientos de generación de modelos. Al sintetizar hallazgos de 50 de 91 artículos revisados por pares publicados entre 2020 y 2024, demostramos que la integración de datos estructurados y no estructurados mejora significativamente el rendimiento en tareas como el diagnóstico, la predicción del pronóstico y el tratamiento personalizado. Esta revisión combina conjuntos de datos multimodales sustanciales y aplicaciones en varios dominios terapéuticos, al tiempo que aborda cuestiones críticas como la heterogeneidad de los datos, la escalabilidad, la interpretabilidad y las consideraciones éticas. Este artículo destaca el potencial transformador de los modelos multimodales para mejorar el soporte en la toma de decisiones clínicas, proporcionando un marco para futuras investigaciones que avancen en la medicina de precisión y mejoren los resultados en la atención médica.