Antecedentes: Los registros electrónicos de salud (EHR) están ahora ampliamente disponibles en las instituciones de salud para documentar la historia médica de los pacientes a medida que interactúan con los servicios de salud. En particular, se recopilan datos de EHR de atención rutinaria para un gran número de pacientes. Estos datos abarcan múltiples elementos heterogéneos (es decir, demografía, diagnóstico, medicamentos, notas clínicas, signos vitales y resultados de laboratorio) que contienen información semántica, conceptual y temporal. Los avances recientes en técnicas de aprendizaje generativo han podido aprovechar la fusión de múltiples elementos de datos de EHR de atención rutinaria para mejorar el soporte a la decisión clínica. Objetivo: Se necesita una revisión de alcance de las técnicas propuestas, incluidas las arquitecturas de fusión, los elementos de datos de entrada y las áreas de aplicación, para sintetizar las variaciones e identificar las brechas de investigación que pueden promover la reutilización de estas técnicas para nuevos resultados clínicos. Diseño: Se realizó una búsqueda exhaustiva de literatura utilizando Google Scholar para identificar arquitecturas de fusión de alto impacto sobre datos de EHR de atención rutinaria multimodal durante el período de 2018 a 2023. Se siguieron las pautas de la extensión PRISMA (Elementos de Informe Preferidos para Revisiones Sistemáticas y Metaanálisis) para la revisión de alcance. Los hallazgos se derivaron de los estudios seleccionados utilizando un análisis temático y comparativo. Resultados: La revisión de alcance reveló la falta de una definición estándar para los elementos de datos de EHR a medida que se transforman en modalidades de entrada. Estas definiciones ignoran una o más características clave de los datos, incluida la fuente, el esquema de codificación y el nivel conceptual. Además, para adaptarse a las emergentes técnicas de aprendizaje generativo, la clasificación de arquitecturas de fusión debería distinguir la fusión del aprendizaje y tener en cuenta que el aprendizaje puede ocurrir simultáneamente en las tres capas de las nuevas arquitecturas de fusión (es decir, codificación, representación y decisión). Estos aspectos constituyen el primer paso hacia un enfoque simplificado para el diseño de arquitecturas de fusión multimodal para datos de EHR de atención rutinaria. Además, los modelos de codificación preentrenados actuales son inconsistentes en su manejo de la información temporal y semántica, lo que obstaculiza su reutilización para diferentes aplicaciones y entornos clínicos. Conclusiones: Las arquitecturas de fusión de EHR de atención rutinaria actuales siguen en su mayoría una metodología de diseño por ejemplo. Se necesitan pautas para el diseño de modelos multimodales eficientes para una amplia gama de aplicaciones en salud. Además de promover la reutilización, estas pautas deben delinear las mejores prácticas para combinar múltiples modalidades mientras se aprovechan el aprendizaje por transferencia y el co-aprendizaje, así como la codificación semántica y temporal.