Antecedentes: La declaración de la pandemia de COVID-19 desencadenó esfuerzos globales para controlar y gestionar el impacto del virus. Científicos e investigadores han estado fuertemente involucrados en el desarrollo de estrategias efectivas que puedan ayudar a los responsables de políticas y sistemas de salud tanto para monitorear la propagación como para mitigar el impacto de la pandemia de COVID-19. El Aprendizaje Automático (ML) y la Inteligencia Artificial (IA) se han aplicado en varios frentes de la lucha. Principalmente en la asistencia diagnóstica, que abarca el triaje de pacientes, la predicción de ingreso a la UCI y mortalidad, la identificación de factores de riesgo de mortalidad y el descubrimiento de fármacos y vacunas. Objetivo: Esta revisión sistemática tiene como objetivo identificar estudios de investigación originales que involucren datos reales de pacientes para construir modelos basados en ML e IA para el apoyo a la toma de decisiones clínicas para una respuesta temprana durante los años de la pandemia. Métodos: Siguiendo la metodología PRISMA, se buscaron en dos grandes bases de datos de indexación de publicaciones académicas para investigar el uso de tecnologías basadas en ML y sus aplicaciones en la salud para combatir la pandemia de COVID-19. Resultados: La búsqueda bibliográfica arrojó más de 1000 artículos; se seleccionaron 220 según criterios específicos. Los estudios seleccionados ilustran la utilidad del ML con respecto al apoyo a los profesionales de la salud para (1) el triaje de pacientes según la gravedad de la enfermedad, (2) la predicción de ingresos hospitalarios o en Unidades de Cuidados Intensivos (UCI), (3) la búsqueda de tratamientos nuevos o reutilizados y (4) la identificación de factores de riesgo de mortalidad. Conclusión: La comunidad de investigación de ML/IA pudo proponer y desarrollar una amplia variedad de soluciones para predecir la mortalidad, hospitalizaciones y recomendaciones de tratamiento para pacientes con diagnóstico de COVID-19, abriendo la puerta para una mayor integración de ML en las prácticas clínicas que combaten esta y futuras pandemias. Sin embargo, la traducción a la práctica clínica se ve impedida por la heterogeneidad tanto de los conjuntos de datos como de los enfoques metodológicos y computacionales. La literatura carece de validaciones de modelos sólidos que respalden esta traducción deseada.