Introdução: A hipertensão arterial sistêmica (HAS) representa um importante problema de saúde global, cujo manejo adequado permanece desafiador. Nesse contexto, o uso de Machine Learning (ML) tem emergido como estratégia promissora para aprimorar o monitoramento, a tomada de decisão clínica e o cuidado ao paciente. Objetivo: Mapear as evidências disponíveis sobre o uso de Machine Learning no manejo da hipertensão arterial sistêmica. Método: Trata-se de uma revisão de escopo, conduzida conforme as normas do Instituto Joanna Briggs, nas bases de dados Medline, SciELO, LILACS, web of Science, Scopus, Cinahl, Cochrane e Embase. Além da literatura cinzenta. Resultados e discussão: Foram identificados 4.639 estudos, dos quais 7 compuseram a amostra final. Os achados evidenciam que o ML tem sido aplicado no manejo da HAS, com destaque para modelos como Random Forest, SVM e redes neurais, utilizados na predição de risco, monitoramento contínuo e apoio à decisão clínica. Apesar do potencial para personalização do cuidado, persistem limitações relacionadas à heterogeneidade metodológica, interpretabilidade e ausência de validação em cenários reais. Conclusão: O Machine Learning apresenta potencial no manejo da hipertensão, com aplicações em predição de risco, monitoramento e decisão clínica. Contudo, limitações metodológicas e falta de validação ainda restringem sua aplicação prática.