La crisis global desencadenada por el brote de dengue ha aumentado la mortalidad y ha ejercido una presión significativa sobre los servicios de salud en todo el mundo. En respuesta a esta crisis, ha habido un notable aumento en la investigación que emplea algoritmos de aprendizaje automático y aprendizaje profundo para anticipar el diagnóstico en pacientes con dengue sospechoso. Para llevar a cabo una revisión sistemática integral, se realizó un análisis detallado para explorar y examinar las metodologías de aprendizaje automático aplicadas en el diagnóstico de esta enfermedad. Se llevó a cabo una búsqueda exhaustiva en numerosas bases de datos científicas, incluyendo Scopus, IEEE Xplore, PubMed, ACM, ScienceDirect, Wiley y Sage, abarcando estudios hasta mayo de 2024. Esta búsqueda extensa arrojó un total de 2723 artículos relevantes. Tras una evaluación rigurosa, se seleccionaron 32 estudios científicos para la revisión final, cumpliendo con los criterios establecidos. Un análisis exhaustivo de estos estudios reveló la implementación de 48 algoritmos distintos de aprendizaje automático y aprendizaje profundo, mostrando la heterogeneidad de los enfoques metodológicos empleados en el ámbito de la investigación. Los resultados indicaron que, en términos de rendimiento, el algoritmo de máquina de soporte vectorial (SVM) fue el más eficiente, siendo reportado en el 25% de los estudios analizados. El algoritmo Random Forest fue el segundo más utilizado, apareciendo en el 15.62% de los 32 artículos revisados. El algoritmo PCA-SVM (poly-5), una variante de SVM, emergió como el modelo de mejor rendimiento, logrando una precisión del 99.52%, una sensibilidad del 99.75% y una especificidad del 99.09%. Estos hallazgos ofrecen importantes perspectivas sobre el potencial de las técnicas de aprendizaje automático en el diagnóstico temprano del dengue, subrayando la necesidad de persistir en la exploración y refinamiento de estas metodologías para mejorar la atención clínica en casos de esta enfermedad.