Varios enfoques de investigación sobre COVID-19 están siendo desarrollados actualmente mediante técnicas de aprendizaje automático (ML) y computación en el borde, ya sea en el sentido de identificar moléculas de virus o en anticipar el análisis de riesgo de la propagación de COVID-19. En consecuencia, estas orientaciones están elaborando conjuntos de datos que derivan ya sea de la OMS, a través del sitio web respectivo y los portales de investigación, o de datos generados en tiempo real a partir del sistema de atención médica. La implementación del análisis de datos, modelado y procesamiento de predicciones se realiza a través de múltiples técnicas algorítmicas. La falta de estas técnicas para generar predicciones con precisión nos motiva a proceder con este estudio de investigación, que elabora una técnica de aprendizaje automático existente y logra pronósticos valiosos mediante modificación. Más específicamente, este estudio modifica el algoritmo de Levenberg-Marquardt, que es comúnmente beneficioso para abordar soluciones a problemas de cuadrados mínimos no lineales, respalda la adquisición de datos provenientes de dispositivos IoT y analiza estos datos a través de computación en la nube para generar previsiones sobre el progreso del brote en entornos en tiempo real. Por lo tanto, mejoramos la optimización de la línea de tendencia que interpreta estos datos. Por lo tanto, presentamos este marco en conjunto con un proceso de cifrado novedoso que estamos proponiendo para los conjuntos de datos y la implementación de predicciones de mortalidad.