Durante el brote de COVID-19, modelar la propagación de enfermedades infecciosas se convirtió en un tema de investigación desafiante debido a su rápida propagación y alta tasa de mortalidad. El objetivo principal de un modelo epidemiológico estándar es estimar el número de infectados, sospechosos y recuperados de la enfermedad mediante modelado matemático. Este modelo no captura cómo la enfermedad se transmite entre regiones vecinas a través de la interacción. Se requiere un marco más general como Autómatas Celulares (CA) para adaptarse a una interacción espacial más compleja dentro del modelo epidemiológico. El problema crítico en la modelización de la propagación de enfermedades es cómo reducir el error de predicción. Esta investigación tiene como objetivo formular la influencia de la interacción de un vecindario en el patrón de propagación de COVID-19 utilizando un modelo de marco de vecindario en un enfoque de Autómatas Celulares (CA) y obtener un modelo predictivo para la propagación de COVID-19 con la reducción del error para mejorar el modelo. Proponemos un CA continuo no uniforme (N-CCA) como nuestra contribución para demostrar la influencia de las interacciones en la propagación de COVID-19. El modelo ha tenido éxito en demostrar la influencia de la interacción entre regiones en la propagación de COVID-19, como se representa en los coeficientes obtenidos. Estos coeficientes resultan de modelos de regresión múltiple. El coeficiente obtenido representa el comportamiento de la población que interactúa con su vecindario en una celda e influye en el número de casos que ocurren al día siguiente. La evaluación del modelo N-CCA se realiza mediante el error cuadrático medio (RMSE) para la diferencia en el número de casos entre la predicción y los casos reales por celda en cada región. Este estudio demuestra que este enfoque mejora la precisión de la predicción para 14 días en el futuro utilizando puntos de datos de los últimos 42 días, en comparación con un modelo base.