A sepse é uma inflamação generalizada com elevada morbidade e mortalidade, cujo reconhecimento e tratamento precoce são fatores essenciais para uma melhor qualidade de vida para o paciente; caso não seja identificada e tratada rapidamente, poderá levar a óbito. Este artigo de revisão integrativa objetiva identificar as técnicas baseadas em inteligência artificial adotadas, sua respectiva acurácia, sensibilidade e especificidade para a identificação precoce nos casos de sepse em ambiente hospitalar. A pesquisa, adaptada do método PRISMA, foi realizada em cinco bases de dados indexadas a partir dos seguintes descritores: sepse, septic, sepsis, forecasting, predict, prediction, detection, predicting, diagnosis, assessment, machine learning, artificial intelligence, data mining e deep learning. Foram identificados 333 artigos, sendo 21 com referência ao reconhecimento precoce da sepse por meio de 16 técnicas. Os resultados demonstram que as redes neurais tiveram melhor desempenho, variando a acurácia entre 76% e 93%, as árvores de decisão entre 69,0% e 91,5% e os métodos estatísticos entre 56% e 89%. Conclui-se que o fator mais influente na identificação precoce do diagnóstico são a variedade e a qualidade dos dados. Também se evidencia o desafio em relação ao pré-processamento, visto que os dados em geral são oriundos de fontes heterogêneas, coletados com critérios, métodos e objetivos distintos.