La clasificación de series temporales es un problema desafiante y emocionante en la minería de datos. Algunas enfermedades se clasifican y diagnostican en base a series temporales. Tal es el caso de la diabetes mellitus, que puede ser analizada en base a datos del test de tolerancia a la glucosa oral (OGTT). Un diagnóstico rápido de la diabetes mellitus es esencial para el manejo de la enfermedad. La diabetes mellitus no aparece de repente; en su lugar, el paciente presenta síntomas de tolerancia a la glucosa alterada que también pueden ser diagnosticados a través de pruebas de tolerancia a la glucosa. Este trabajo presenta un esquema de clasificación y diagnóstico para enfermedades, específicamente diabetes mellitus y mala tolerancia a la glucosa, utilizando redes neuronales profundas basadas en datos de series temporales. Además, los datos de pacientes virtuales se obtuvieron a través de los modelos Dalla Man y UVA/Padova; la validación se llevó a cabo con datos de pacientes reales. Los resultados muestran que las redes neuronales profundas tienen una precisión del 96%. Esto indica que las DNN son una herramienta útil que puede mejorar el diagnóstico y clasificación de enfermedades en la detección temprana.