COVID-19 es uno de los mayores problemas con los que la humanidad todavía tiene que lidiar y tiene un impacto en la vida diaria de miles de millones de personas. Los investigadores de todo el mundo han realizado varios intentos para establecer modelos matemáticos precisos de la propagación de COVID-19. En muchas ramas de la ciencia, es difícil hacer predicciones precisas sobre series de tiempo cortas con un comportamiento extremadamente irregular. Las redes neuronales artificiales (ANNs) han sido utilizadas últimamente de manera extensiva para tales aplicaciones. Aunque las ANNs pueden imitar el comportamiento no lineal de series de tiempo cortas, a menudo tienen dificultades para manejar todas las turbulencias. Como resultado, se deben utilizar métodos alternativos. Con el fin de reducir errores y aumentar la confianza en las previsiones, se sugiere en este trabajo una metodología novedosa que combina las Redes Neuronales de Retardo Temporal. Se utilizan seis conjuntos de datos separados para su validación, mostrando el número de infecciones diarias confirmadas de COVID-19 en 2021 para seis países del mundo. Se demuestra que el método puede mejorar en gran medida la precisión de pronóstico de las redes individuales, independientemente de sus topologías, lo que amplía la aplicabilidad del enfoque. Se realizaron una serie de experimentos predictivos adicionales que involucraban la modelización de Máquina de Aprendizaje Extremo de última generación para comparar cuantitativamente la precisión de la metodología propuesta con la de metodologías similares. Se muestra que la precisión de pronóstico del sistema supera a la modelización ELM y se encuentra en el rango de otras soluciones de última generación.