Tecnologías recientes como la inteligencia artificial, el aprendizaje automático y el big data son esenciales para apoyar los sistemas de monitoreo de la salud, especialmente para monitorear los casos confirmados de viruela del mono. Los casos infectados y no infectados en todo el mundo han contribuido a un conjunto de datos en crecimiento, que está disponible públicamente y puede ser utilizado por la inteligencia artificial y el aprendizaje automático para predecir los casos confirmados de viruela del mono en una etapa temprana. Motivados por esto, proponemos en este documento un nuevo enfoque para la predicción precisa de los casos confirmados de viruela del mono basado en una red profunda de Memoria a Corto y Largo Plazo (LSTM) optimizada. Para ajustar los hiperparámetros de la red profunda basada en LSTM, empleamos el algoritmo de optimización del Radio de la Tierra Al-Biruni (BER); por lo tanto, el enfoque propuesto se denomina BER-LSTM. Los resultados experimentales muestran la efectividad del enfoque propuesto al ser evaluado utilizando varios criterios de evaluación, como el Error Medio de Sesgo, que se registra como (0.06) utilizando BER-LSTM. Para demostrar la superioridad del enfoque propuesto, se incluyen seis modelos de aprendizaje automático diferentes en los experimentos realizados. Además, se consideran cuatro algoritmos de optimización diferentes con fines de comparación. Los resultados de esta comparación confirman la superioridad del enfoque propuesto. Por otro lado, se aplican varios tests estadísticos para analizar la estabilidad y significancia del enfoque propuesto. Estas pruebas incluyen Análisis de Varianza de un factor (ANOVA), Wilcoxon y pruebas de regresión. Los resultados de estas pruebas enfatizan la robustez, significancia y eficiencia del enfoque propuesto.