La propagación de SARS-CoV-2 puede considerarse uno de los patrones más complicados con un gran número de incertidumbres y no linealidades. Por lo tanto, el análisis y la predicción de la distribución de este virus son uno de los problemas más desafiantes, afectando la planificación y gestión de sus impactos. Aunque se han demostrado, producido y distribuido diferentes vacunas y medicamentos uno tras otro, se han detectado varias nuevas variantes de SARS-CoV-2 de rápida propagación. Por eso, numerosas técnicas basadas en inteligencia artificial (IA) han sido diseñadas o reconfiguradas recientemente para prever estas variantes de manera más efectiva. El enfoque de tales métodos se centra en el aprendizaje profundo (DL) y el aprendizaje automático (ML), y pueden prever adecuadamente tendencias no lineales en cuestiones epidemiológicas. Esta breve reseña tiene como objetivo resumir y evaluar la confiabilidad y el rendimiento de algunos enfoques importantes potenciados por IA utilizados para la predicción de la propagación de COVID-19. Se revisaron sesenta y cinco preimpresiones, artículos revisados por pares, actas de conferencias y capítulos de libros publicados en 2020. Nuestro criterio para incluir o excluir referencias fue el rendimiento de estos métodos informado en los documentos. Los resultados revelaron que aunque los métodos discutidos en esta revisión tienen un potencial adecuado para predecir la propagación de COVID-19, aún existen debilidades y desventajas que caen en el ámbito de la investigación futura y los esfuerzos científicos.