Este estudio investiga cómo las muestras de datos faltantes en los datos continuos de glucosa en sangre afectan la predicción de la hipoglucemia posprandial, lo cual es crucial para el manejo de la diabetes. Analizamos el impacto de las muestras faltantes en diferentes momentos antes de las comidas utilizando dos conjuntos de datos: datos de pacientes virtuales y datos de pacientes reales. El estudio utiliza seis modelos de aprendizaje automático comúnmente utilizados bajo condiciones variables de muestras faltantes, incluyendo patrones personalizados y aleatorios que reflejan fallas en los dispositivos y pérdida arbitraria de datos, con diferentes niveles de eliminación de datos antes de las comidas. Además, el estudio exploró diferentes técnicas de interpolación para contrarrestar los efectos de las muestras de datos faltantes. La investigación muestra que las muestras faltantes generalmente reducen el rendimiento del modelo, pero el bosque aleatorio es más robusto ante muestras faltantes. El estudio concluye que los efectos adversos de las muestras faltantes pueden mitigarse aprovechando características no puntuales complementarias e informativas. En consecuencia, nuestra investigación destaca la importancia de manejar estratégicamente los datos faltantes, seleccionar modelos de aprendizaje automático apropiados y considerar tipos de características para mejorar el rendimiento de las predicciones de hipoglucemia posprandial, mejorando así el manejo de la diabetes.