La diabetes es una enfermedad crónica que puede afectar negativamente la salud humana cuando los niveles de glucosa en la sangre están elevados por encima del rango de creatinina llamado hiperglucemia. Los dispositivos actuales para el monitoreo continuo de glucosa (CGM) supervisan el nivel de glucosa en la sangre y alertan al usuario a la clase de Diabetes tipo 1 una vez que se supera cierto nivel crítico. Esto puede hacer que el cuerpo del paciente funcione en niveles críticos hasta que se tome la medicina para reducir el nivel de glucosa, aumentando consecuentemente el riesgo de causar daños considerable en la salud en caso de que la ingesta se retrase. Para superar esto, se propone un nuevo enfoque basado en tecnologías de software y hardware de vanguardia en este documento. Específicamente, se propone un modelo de inteligencia artificial de aprendizaje profundo (DL) para predecir los niveles de glucosa en horizontes de 30 min. Además, se consideran tecnologías de computación en la nube e IoT para implementar el modelo de predicción y combinarlo con el modelo de CGM portátil existente para proporcionar a los pacientes la predicción de los futuros niveles de glucosa. Entre los muchos métodos de DL en el estado del arte (SoTA), se ha considerado un modelo de DL RNN-RBM en cascada basado tanto en redes neuronales recurrentes (RNN) como en máquinas de Boltzmann restringidas (RBM) debido a sus propiedades superiores en cuanto a la precisión de la predicción mejorada. A partir de los resultados experimentales realizados, se ha demostrado que el enfoque portátil basado en Cloud&DL propuesto logra un valor de precisión promedio de 15.589 en términos de RMSE, superando así a métodos similares existentes de predicción de glucosa en sangre en el SoTA.