La auscultación pulmonar es esencial para detectar sonidos anormales en los pulmones durante evaluaciones físicas, pero su fiabilidad depende del operador. Los modelos de aprendizaje automático (ML) ofrecen una alternativa al clasificar automáticamente los sonidos pulmonares. Los modelos de ML requieren una cantidad sustancial de datos, y las bases de datos públicas tienen como objetivo abordar esta limitación. Esta revisión sistemática compara las características, precisión diagnóstica, preocupaciones y fuentes de datos de los modelos existentes en la literatura. Se evaluaron los artículos publicados en cinco bases de datos principales entre 1990 y 2022. La evaluación de la calidad se realizó con una herramienta QUADAS-2 modificada. La revisión abarcó 62 estudios que utilizaban modelos de ML y bases de datos de acceso público para la clasificación de sonidos pulmonares. Las redes neuronales artificiales (ANN) y las máquinas de vectores de soporte (SVM) se emplearon con frecuencia en los clasificadores de ML. La precisión varió del 49.43% al 100% para discriminar tipos de sonidos anormales y del 69.40% al 99.62% para la clasificación de clases de enfermedades. Se identificaron diecisiete bases de datos públicas, siendo la base de datos ICBHI 2017 la más utilizada (66%). La mayoría de los estudios mostraron un alto riesgo de sesgo y preocupaciones relacionadas con la selección de pacientes y los estándares de referencia. En resumen, los modelos de ML pueden clasificar de manera efectiva los sonidos pulmonares anormales utilizando fuentes de datos públicas disponibles. Sin embargo, la presentación inconsistente y las metodologías plantean limitaciones para avanzar en el campo, por lo tanto, las bases de datos públicas deberían adherirse a procedimientos de grabación y etiquetado estandarizados.