COVID-19 ha impactado de manera desproporcionada a las comunidades según factores sociodemográficos y ambientales. Estudios anteriores se han centrado en gran medida en modelos estadísticos tradicionales para investigar estas disparidades con poca atención a las variaciones dentro de la ciudad. Esta investigación aborda esta brecha empleando modelos avanzados de aprendizaje automático para predecir los recuentos de casos de COVID-19 a nivel de vecindario dentro de Toronto. Utilizando algoritmos como Regresión de Vectores de Soporte, Bosque Aleatorio, Impulso Gradiente y XGBoost, junto con análisis SHAP (Explicaciones Aditivas de SHapley), identificamos factores clave que impactan en la transmisión de COVID-19, incluida la contaminación del aire, el estatus socioeconómico y la pertenencia a grupos racializados. Nuestros resultados demuestran que los factores sociodemográficos influyen significativamente en los casos esporádicos, mientras que los factores ambientales, en particular los contaminantes del aire, son críticos en los casos de brotes. Este estudio destaca el valor del aprendizaje automático en la comprensión de las interacciones complejas entre los factores de riesgo con implicaciones para intervenciones de salud pública dirigidas para mitigar las disparidades de COVID-19.