Desde el momento en que un paciente es admitido en el hospital, comienza el monitoreo y se recopila información específica. El flujo continuo de parámetros, incluidos datos clínicos y analíticos, sirve como una fuente significativa de información. Sin embargo, hay situaciones en las que no se pueden obtener todos los valores de las pruebas médicas. Este documento tiene como objetivo predecir los valores de las pruebas médicas de pacientes con COVID-19 en la unidad de cuidados intensivos (UCI). Al recuperar los valores faltantes de las pruebas médicas, el modelo proporciona a los profesionales de la salud una herramienta adicional y más información para combatir el COVID-19. El enfoque propuesto utiliza un modelo de aprendizaje profundo personalizable. Se emplean tres tipos de redes neuronales, a saber, Perceptrón Multicapa (MLP), Memoria a Corto/Largo Plazo (LSTM) y Unidades Recurrentes con Puertas (GRU). Los parámetros de estas redes neuronales se configuran para determinar el modelo que ofrece el mejor rendimiento. La evaluación del rendimiento del modelo se realiza utilizando métricas como Error Cuadrático Medio (RMSE), Error Porcentual Absoluto Medio (MAPE) y Error Absoluto Medio (MAE). La aplicación del modelo propuesto logra predicciones de los valores de las pruebas médicas recuperadas, lo que resulta en RMSE = 7.237, MAPE = 5.572 y MAE = 4.791. Además, el artículo explora varios escenarios en los que el modelo muestra una mayor precisión. Este modelo puede adaptarse y utilizarse en el diagnóstico de futuras enfermedades infecciosas que compartan características con la Enfermedad por Coronavirus 2019 (COVID-19).