Resumen.-En la actualidad, las pruebas rápidas para la detección de COVID-19 son un mecanismo muy útil y usado como una opción para la detección rápida de una infección en curso por COVID 19, puesto que, otros métodos de diagnóstico son más complejos, y demandan de análisis, tiempo y recursos. En el área de la salud se ha optado por utilizar herramientas de inteligencia artificial que ayuden a detectar pacientes sintomáticos y asintomáticos, para evitar una futura propagación. Las redes neuronales convolucionales (CNN), son las más convenientes dado que poseen la capacidad de aprender por sí mismas a identificar características dentro de imágenes. No obstante, es necesario el entrenamiento de una red neuronal convolucional mediante el uso de un dataset de imágenes. Puesto que se cuenta con un dataset reducido de apenas dos mil imágenes, se empleó una técnica para aleatorizar y re-escalar las imágenes con el fin de aumentar en gran medida el dataset y utilizarlo como datos de entrenamiento en una CNN, logrando potenciar su rendimiento. Al obtener las imágenes generadas, se creó un modelo de CNN, el cual se llevó a cabo en el entorno Google Colab, usando el lenguaje de programación python y librerías de machine learning como Keras, Tensorflow y OpenCV, mediante aprendizaje automático el modelo aprendió a predecir mediante clasificación llegando a obtenerse una exactitud del 97% en predicción con unapérdida del 6.69% y sin haber caído en sobre entrenamiento se recomendó su uso puesto que su nivel de generalización alcanzó el 84%.