Los registros médicos electrónicos (EMRs) ayudan a identificar arquetipos de enfermedades y su progresión. Una parte muy importante de los EMRs es la presencia de datos en el dominio del tiempo, ya que estos ayudan a identificar tendencias y monitorear cambios a lo largo del tiempo. La mayoría de los datos de series temporales provienen de dispositivos portátiles que monitorean tendencias de salud en tiempo real. Esta revisión se enfoca en los datos de series temporales necesarios para construir EMRs completos mediante la identificación de paradigmas que se encuentran dentro del alcance de la aplicación de la inteligencia artificial (IA) basada en los principios de la medicina translacional. (1) Antecedentes: La pregunta abordada en este estudio es: ¿Cuáles son las taxonomías presentes en el campo de la aplicación del aprendizaje automático en los EMRs? (2) Métodos: Se buscaron registros relevantes en Scopus, Web of Science y PubMed. Los registros fueron filtrados en base a un proceso de revisión PRISMA. Las taxonomías fueron identificadas después de revisar los documentos seleccionados; (3) Resultados: Se identificaron un total de cinco temas principales, y los subtítulos se discuten en esta revisión; (4) Conclusiones: Cada aspecto del flujo de datos médicos necesita una colaboración constante y actualización para que las soluciones propuestas sean útiles y adaptables en escenarios del mundo real.