Los modelos compartimentales se han utilizado durante mucho tiempo en estudios epidemiológicos para predecir la propagación de enfermedades. Sin embargo, un problema importante al utilizar modelos matemáticos compartimentales se refiere a la formulación invariante en el tiempo de los hiperparámetros que impide que el modelo siga la evolución a lo largo del tiempo del fenómeno epidemiológico en investigación. Para hacer frente a este problema, el presente trabajo sugiere un enfoque híbrido alternativo basado en el aprendizaje automático que evita el recálculo de hiperparámetros y utiliza solo un conjunto inicial. Este estudio muestra que el enfoque híbrido propuesto permite corregir la pérdida de precisión esperada observada en el modelo compartimental cuando aumenta el horizonte temporal considerado. Como estudio de caso, se ha diseñado y probado un modelo compartimental básico para prever las hospitalizaciones por COVID-19 durante las primeras y segundas olas pandémicas en Lombardía, Italia. El modelo se basa en una formulación extendida de la función de contacto que permite modelar la tendencia de los contactos personales a lo largo del período de referencia. Además, el análisis de escenarios propuesto en este trabajo puede ayudar a los responsables de políticas a seleccionar las medidas de contención más apropiadas para reducir las hospitalizaciones y aliviar la presión sobre el sistema de salud, pero también para limitar cualquier impacto negativo en los sistemas económicos y sociales.