Antecedentes: La Diabetes Mellitus Tipo 1 (T1DM) es una enfermedad crónica generalizada en países industrializados. Prevenir que los niveles de glucosa en sangre excedan el rango euglucémico reduciría la incidencia de complicaciones relacionadas con la diabetes y mejorar la calidad de vida de los sujetos con T1DM. Como consecuencia, en la última década, se han propuesto muchos algoritmos de Aprendizaje Automático con el objetivo de predecir los futuros niveles de glucosa en sangre. A pesar del excelente rendimiento que obtuvieron, la predicción de cambios abruptos en los valores de glucosa en sangre producidos durante la actividad física (PA) sigue siendo uno de los principales desafíos. Métodos: Se desarrolló una Red Neuronal de Salto para superar el problema de predecir los valores de glucosa en sangre durante la PA. Se desarrollaron y probaron tres configuraciones de aprendizaje: entrenamiento offline, entrenamiento online y entrenamiento online con refuerzo. Todas las configuraciones se probaron en seis sujetos que sufren de T1DM y que realizan PA regularmente (tres aeróbicas y tres anaeróbicas) y se aprovecharon del Monitoreo Continuo de Glucosa (CGM). Resultados: El rendimiento de la predicción se evaluó en términos del Error Cuadrático Medio de la Raíz (RMSE), según un paradigma de Medicina de Precisión. Conclusiones: Las configuraciones de aprendizaje online tuvieron un mejor rendimiento que la configuración offline en total de días pero no en el único CGM asociado con la PA; por lo tanto, los resultados no justifican la carga computacional adicional porque la mejora no fue significativa.