La abundancia de tipos y cantidades de datos disponibles en el campo de la salud ha llevado a muchos a utilizar enfoques de aprendizaje automático para mantenerse al día con esta avalancha de datos. Los datos relacionados con COVID-19 son un área de interés reciente. La amplia influencia del virus en los Estados Unidos crea una necesidad obvia de identificar grupos de individuos que tienen un mayor riesgo de mortalidad por el virus. Proponemos un enfoque de bosque aleatorio agrupado para predecir la mortalidad de pacientes con COVID-19. Utilizamos este enfoque para examinar la heterogeneidad oculta de la fragilidad de los pacientes al analizar la información demográfica de los pacientes con COVID-19. Descubrimos que nuestro enfoque de bosque aleatorio agrupado logra un rendimiento predictivo comparable a otros métodos publicados. También encontramos que el análisis de seguimiento con modelado de redes neuronales y agrupamiento k-means proporciona información sobre el tipo y la magnitud de los riesgos de mortalidad asociados con COVID-19.