Many countries are struggling for COVID-19 screening resources which arises the need for automatic and low-cost diagnosis systems which can help to diagnose and a large number of tests can be conducted rapidly. Instead of relying on one single method, artificial intelligence and multiple sensors based approaches can be used to decide the prediction of the health condition of the patient. Temperature, oxygen saturation level, chest X-ray and cough sound can be analyzed for the rapid screening. The multi-sensor approach is more reliable and a person can be analyzed in multiple feature dimensions. Deep learning models can be trained with multiple chest x-ray images belonging to different categories to different health conditions i.e. healthy, COVID-19 positive, pneumonia, tuberculosis, etc. The deep learning model will extract the features from the input images and based on that test images will be classified into different categories. Similarly, cough sound and short talk can be trained on a convolutional neural network and after proper training, input voice samples can be differentiated into different categories. Artificial based approaches can help to develop a system to work efficiently at a low cost.Muchos países están luchando por los recursos de detección de COVID-19, lo que plantea la necesidad de sistemas de diagnóstico automáticos y de bajo costo que puedan ayudar a diagnosticar y que se pueda realizar una gran cantidad de pruebas rápidamente. En lugar de depender de un solo método, se pueden utilizar la inteligencia artificial y enfoques basados e n múltiples sensores para decidir la predicción del estado de salud del paciente. La temperatura, el nivel de saturación de oxígeno, la radiografía de tórax y el sonido de la tos se pueden analizar para la detección rápida. El enfoque de múltiples sensores es más confiable y una persona puede ser analizada en múltiples dimensiones de características. Los modelos de aprendizaje profundo se pueden entrenar con múltiples imágenes de rayos X de tórax que pertenecen a diferentes categorías para diferentes condiciones de salud, es decir, saludable, COVID-19 positivo, neumonía, tuberculosis, etc. El modelo de aprendizaje profundo extraerá las características de las imágenes de entrada y en base a eso, las imágenes de prueba se clasificarán en diferentes categorías. De manera similar, el sonido de la tos y la conversación corta se pueden entrenar en una red neuronal convolucional y, después de un entrenamiento adecuado, las muestras de voz de entrada se pueden diferenciar en diferentes categorías. Los enfoques basados  en materiales artificiales pueden ayudar a desarrollar un sistema que funcione de manera eficiente a bajo costo.