Prediksi readmisi pasien telah menjadi tantangan utama dalam meningkatkan kualitas layanan kesehatan. Penelitian ini menyajikan tinjauan sistematis terhadap algoritma deep learning, dengan menganalisis 30 artikel dari database utama seperti Scopus, IEEE Xplore, dan ScienceDirect. Proses pencarian literatur dilakukan menggunakan kombinasi kata kunci seperti 'deep learning', 'readmisi pasien', dan 'prediksi kesehatan' serta mengikuti kerangka PRISMA untuk menyaring studi yang relevan berdasarkan kriteria inklusi dan eksklusi. Hasil penelitian menunjukkan bahwa algoritma Long Short-Term Memory (LSTM) mendominasi dalam menangkap pola temporal dari data Electronic Health Record (EHR), dengan kinerja mencapai Area Under the Curve (AUC) hingga 88,4%. Selain itu, Convolutional Neural Networks (CNN) terbukti efektif untuk menganalisis teks tidak terstruktur, sementara model Transformer menunjukkan potensi dalam menangani dataset berskala besar. Tantangan utama yang ditemukan meliputi ketidakseimbangan data dan heterogenitas data medis, yang dapat mempengaruhi akurasi prediksi. Solusi inovatif seperti federated learning dan Explainable AI (XAI) diusulkan untuk meningkatkan interpretabilitas dan efisiensi algoritma dalam konteks klinis. Penelitian ini memberikan wawasan berharga mengenai potensi dan keterbatasan deep learning dalam prediksi readmisi pasien serta menawarkan rekomendasi strategis untuk pengembangan teknologi kesehatan yang lebih baik.