En esta revisión exhaustiva de la literatura, nos adherimos rigurosamente a las directrices PRISMA (Elementos de Informe Preferidos para Revisiones Sistemáticas y Metaanálisis) para nuestro proceso e informes. Esta revisión emplea un método innovador que integra el avanzado modelo de procesamiento de lenguaje natural T5 (Transformador de Transferencia de Texto a Texto) para mejorar la precisión y eficiencia de los procesos de selección y extracción de datos. Evaluamos estrategias para manejar el cambio de concepto en el aprendizaje automático utilizando publicaciones de alto impacto de bases de datos notables que fueron accesibles a través de las API de IEEE y Science Direct. El análisis cronológico que abarca las dos últimas décadas proporciona una perspectiva histórica sobre los avances metodológicos, reconociendo sus fortalezas y debilidades a través de métricas de citación y clasificaciones. Esta revisión tiene como objetivo rastrear el crecimiento y la evolución de las estrategias de mitigación del cambio de concepto y proporcionar un recurso valioso que guíe la investigación futura y profundice nuestra comprensión de este campo en rápida evolución. Los hallazgos clave destacan la efectividad de diversas metodologías, como métodos de detección de cambios, métodos basados en ventanas, métodos estadísticos no supervisados y técnicas de redes neuronales. Sin embargo, persisten desafíos, particularmente con datos desbalanceados, eficiencia computacional y la aplicación de la detección de cambios de concepto a datos no tabulares como imágenes. Esta revisión tiene como objetivo rastrear el crecimiento y la evolución de las estrategias de mitigación del cambio de concepto y proporcionar un recurso valioso que guíe la investigación futura y profundice nuestra comprensión de este campo en rápida evolución.