Los accidentes de tráfico están en aumento en todo el mundo, causando 1.35 millones de muertes al año, lo que fomenta la búsqueda de soluciones. La propuesta prometedora de vehículos autónomos destaca en este sentido, aunque la conducción totalmente automatizada aún está lejos de ser una realidad alcanzable. Por lo tanto, los esfuerzos se han centrado en predecir y explicar el riesgo de accidentes utilizando datos de telemática en tiempo real. Este estudio tiene como objetivo analizar los factores, algoritmos de aprendizaje automático y métodos de explicabilidad más utilizados para evaluar el riesgo de accidentes de vehículos basados en el comportamiento de conducción. Se realizó una revisión sistemática de la literatura producida entre 2013 y julio de 2023 sobre factores, algoritmos de predicción y métodos de explicabilidad para predecir el riesgo de accidentes de tráfico. Los factores se categorizaron en cinco dominios, y se determinaron los algoritmos predictivos y métodos de explicabilidad más utilizados. Se seleccionaron 80 artículos de revistas indexadas en las bases de datos Web of Science y Scopus, identificando 115 factores dentro de los dominios de ambiente, tráfico, vehículo, conductor y gestión, siendo la velocidad y la aceleración los más examinados. En cuanto a los avances en aprendizaje automático en la predicción del riesgo de accidentes, identificamos 22 algoritmos base, siendo la red neuronal convolucional y el impulso de gradiente los más utilizados. En cuanto a la explicabilidad, descubrimos seis métodos, siendo el bosque aleatorio la elección predominante, especialmente para el análisis de importancia de características. Este estudio categoriza los factores que afectan al riesgo de accidentes de tráfico, presenta los algoritmos de predicción clave y describe métodos para explicar la evaluación del riesgo basada en el comportamiento de conducción, teniendo en cuenta el peso del vehículo.