La diabetes tipo 1 es una enfermedad que afecta a las células beta del páncreas y es responsable de una disminución en la secreción de insulina, lo que conduce a un aumento en el nivel de glucosa en sangre. El método tradicional para el tratamiento de la glucosa se basa en la medición de la concentración de glucosa en sangre mediante un pinchazo en el dedo y la consecuente inyección manual de insulina. En la actualidad, las bombas de insulina y los sistemas de monitoreo continuo de glucosa los están reemplazando, siendo más simples y automatizados. Este estudio se centra en analizar y mejorar el conocimiento sobre qué algoritmos de Machine Learning pueden funcionar mejor con datos glucémicos e intenta descubrir la relación entre la configuración de la bomba de insulina y el control glucémico. El conjunto de datos está compuesto por 90 días de grabaciones tomadas de 16 niños y adolescentes. Se han utilizado tres enfoques de Machine Learning, dos para clasificación, Regresión Logística (LR) y Bosque Aleatorio (RL), y uno para regresión, Regresión Lineal Multivariable (MLR), con ese propósito. Específicamente, el análisis de la configuración de la bomba se realizó en base al cálculo del Tiempo en Rango (TIR) y la comparación consecuente a los cambios en la configuración de la bomba. RL y MLR han mostrado los mejores resultados, mientras que, para el análisis de las configuraciones, los datos muestran una correlación discreta entre los cambios y los TIRs. Este estudio proporciona una interesante mirada más cercana a los datos registrados por la bomba de insulina y un punto de partida adecuado para un análisis exhaustivo y completo de los mismos.