En este documento, abordamos el problema de prever futuras pandemias mediante el entrenamiento de modelos con una serie temporal de COVID-19. Probamos este enfoque al producir un modelo y usarlo para prever una serie temporal no entrenada; sin embargo, limitamos este documento a los ocho estados con la mayor densidad de población en México. Proponemos un marco generalizado de pronóstico de pandemias que transforma la serie temporal en un conjunto de datos a través de tres transformaciones diferentes utilizando bosques aleatorios y transformaciones inversas. Además, probamos el impacto del horizonte y los tamaños de ventana del conjunto de datos para la fase de entrenamiento. Una prueba de Wilcoxon mostró que la mejor técnica de transformación superó estadísticamente a las otras dos transformaciones con un 100% de certeza. La mejor transformación incluyó los esfuerzos acumulados de las otras dos más una normalización que ayudó a reescalar la serie temporal no entrenada, mejorando el sMAPE desde el valor de 25.48 obtenido para la segunda mejor transformación a 13.53. Las cifras en la sección de experimentación muestran resultados prometedores con respecto a la posibilidad de prever las primeras etapas de futuras pandemias con datos entrenados de la serie temporal de COVID-19.