La diabetes mellitus tipo 2 (T2DM) es una enfermedad crónica caracterizada por niveles elevados de glucosa en sangre y resistencia a la insulina, lo que lleva a daños en múltiples órganos con implicaciones para la calidad de vida y la esperanza de vida. En los últimos años, el aumento de la prevalencia de T2DM a nivel mundial ha coincidido con la transformación digital de la medicina y la atención médica, incluyendo extensos registros electrónicos de salud (EHR) para pacientes e individuos sanos. Se han realizado numerosos artículos de investigación así como revisiones sistemáticas para producir hallazgos innovadores y resumir los desarrollos y aplicaciones actuales de la ciencia de datos en las ciencias de la vida, la medicina y la atención médica. La presente revisión se lleva a cabo en el contexto de T2DM y el aprendizaje automático, examinando publicaciones relativamente recientes que utilizan datos tabulares y demostrando los casos de uso relevantes, los flujos de trabajo durante la construcción del modelo y los predictores candidatos. Nuestro trabajo indica que el Gradient Boosting y los modelos basados en árboles son los más exitosos, siendo los algoritmos SHAPley y Wrapper métodos de interpretación y evaluación de características bastante populares, destacando los marcadores urinarios y la ingesta dietética como predictores emergentes de diabetes además de los típicos invasivos. Estos resultados podrían ofrecer información para una mejor gestión de la diabetes y abrir nuevas avenidas para la investigación.