La tecnología de inteligencia artificial (IA) juega un papel crucial en la predicción y control de brotes de enfermedades infecciosas. Muchas intervenciones humanas pueden influir en la propagación de epidemias, incluyendo respuestas gubernamentales, cuarentenas y apoyo económico. Sin embargo, la mayoría de los modelos basados en IA anteriores no han considerado las intervenciones humanas al predecir la tendencia de las enfermedades infecciosas. Este estudio seleccionó cuatro factores de intervención humana que pueden afectar la transmisión de COVID-19, examinó su relación con los casos epidémicos y desarrolló un modelo de red de memoria a largo y corto plazo multivariante (M-LSTM) que incorpora factores de intervención humana. En primer lugar, analizamos las correlaciones y los efectos retardados entre cuatro factores humanos y los casos epidémicos en tres países representativos, y encontramos que estos cuatro factores generalmente retrasaron los datos de casos epidémicos en aproximadamente 15 días. Sobre esta base, se desarrolló un modelo de predicción epidémica multivariante (M-LSTM). Los resultados de la predicción del modelo muestran que acoplar factores de intervención humana generalmente mejora el rendimiento del modelo, pero agregar ciertos factores de intervención también resulta en un rendimiento inferior. En general, un modelo de aprendizaje profundo multivariante con correlación de variables acopladas y retraso superó a otros modelos comparativos, y por lo tanto validó su efectividad en la predicción de enfermedades infecciosas.