La pandemia causada por el coronavirus 2019, más conocida como COVID-19, sigue teniendo un fuerte impacto en los pacientes y sistemas de atención médica a nivel mundial. En la lucha contra esta nueva enfermedad, existe la urgente necesidad de herramientas que faciliten a los expertos un diagnóstico eficiente para identificar pacientes infectados con COVID-19. Las tomografías computarizadas proporcionan imágenes detalladas de los pulmones y ayudan a los radiólogos a diagnosticar COVID-19. Sin embargo, el análisis de tomografías computarizadas (CTs, por sus siglas en inglés), rebanada a rebanada, demanda demasiado tiempo por los especialistas y puede provocar retrasos en los hospitales. Los métodos de inteligencia artificial podrían ayudar a los radiólogos a detectar de forma rápida y precisa la infección por COVID-19 a partir de estas exploraciones. En esta tesis se propone un diagnóstico automatizado de la infección por COVID-19 a partir de CTs de los pacientes mediante la técnica de aprendizaje profundo. El modelo propuesto, EffCOV-B0, utiliza tomografías computarizadas de tórax para clasificar volúmenes CT de pacientes entre quienes padecen COVID-19 y sanos. Para mejorar la precisión de la detección, las CTs se preprocesaron empleando segmentación e interpolación. El esquema propuesto se basa en la red neuronal convolucional (CNN) EfficientNet B0 que actualmente ha superado en precisión, eficiencia y reducción de parámetros a varios modelos CNN existentes. Mostramos que el modelo de aprendizaje profundo propuesto logra una exactitud del $94.05\%$, valor F1 de $94.05\%$ y AUC del $97.5\%$, para detectar COVID-19 en CTs.