La pandemia de SARS-CoV-2 desafió a los sistemas de salud en todo el mundo, abogando así por instrumentos de diagnóstico prácticos, rápidos y altamente confiables para ayudar al personal médico. Presenta un largo período de incubación y una alta tasa de contagio, causando neumonía intersticial multi-focal bilateral, que generalmente evoluciona hacia el síndrome de dificultad respiratoria aguda (SDRA), causando cientos de miles de víctimas en todo el mundo. Las pautas para el diagnóstico de neumonía en primera línea sugieren radiografías de tórax (CXR) para pacientes que presentan síntomas. Alternativas potenciales incluyen tomografías computarizadas (TC) y ecografías pulmonares (LUS). El aprendizaje profundo (DL) ha sido útil en el diagnóstico utilizando TC, LUS y CXR, siendo que el primero comúnmente arroja resultados más precisos. Las CXR y las TC presentan varios inconvenientes, incluidos costos elevados. La imagen de LUS sin radiación requiere una gran experiencia, y los médicos por lo tanto la subutilizan. La LUS demostró una fuerte correlación con las TC y confiabilidad en la detección de neumonía, incluso en las etapas tempranas. Aquí presentamos un enfoque de clasificación de video de LUS basado en estrategias contemporáneas de DL en estrecha colaboración con el Departamento de Emergencias (ED) de la Fondazione IRCCS Policlinico San Matteo de Pavía. Esta investigación abordó la detección de patrones de SARS-CoV-2, clasificados según tres escalas de gravedad mediante la operación de un conjunto de datos confiable que comprende ecografías de sondas lineales y convexas en 5400 clips de 450 sujetos hospitalizados. Las principales contribuciones de este estudio están relacionadas con la adopción de una escala de clasificación de gravedad estandarizada para evaluar la neumonía. Esta evaluación se basa en la sumarización de videos a través de algoritmos de selección de fotogramas clave. Luego, diseñamos y desarrollamos una arquitectura de clasificación de video que surgió como la más prometedora. En contraste, la literatura se centra principalmente en el reconocimiento de patrones de fotogramas. Mediante el uso de técnicas avanzadas como el aprendizaje por transferencia y el aumento de datos, pudimos lograr un puntaje F1 de más del 89% en todas las clases.