La predicción precisa del estado de salud (SOH) de las baterías de iones de litio es un factor clave para mejorar el rendimiento de los sistemas de gestión de baterías (BMS). Sin embargo, los métodos tradicionales de predicción puntual son difíciles de eliminar de manera efectiva los errores debido a la incertidumbre de las variables y entornos de aplicación. Este documento presenta un modelo para predecir el intervalo de las baterías de iones de litio basado en indicadores de salud (HIs) durante la carga, que aborda las limitaciones de la predicción puntual actual en aplicaciones prácticas. Primero, se extraen doce HIs de las variables de corriente y voltaje del proceso de carga. En segundo lugar, se realiza una selección de características mediante entrenamiento de random forest (RF), y los HIs seleccionados se dimensionan utilizando mínimos cuadrados parciales (PLS). Finalmente, se utiliza una red neuronal de memoria a corto y largo plazo (LSTM) combinada con regresión cuantílica (QR) para derivar los valores cuantiles de los puntos de predicción y cada cuantil se emplea como información de entrada para la estimación de densidad de probabilidad de salud (SOH) mediante núcleo de densidad gaussiano (KDE). Los resultados experimentales basados en el conjunto de datos de la batería Li-ion de NASA PCOE y el conjunto de datos de la batería Li-ion de CALCE muestran que la cobertura del intervalo de SOH es superior al 90% y el ancho promedio del intervalo es inferior a 0.294.