La hiperglucemia posprandial (PPHG) amenaza persistentemente la salud de los pacientes. Por lo tanto, la predicción precisa de la diabetes es crucial para la gestión efectiva de la glucosa en sangre. La mayoría de los métodos actuales se centran principalmente en analizar datos univariados de glucosa en sangre utilizando redes neuronales tradicionales, descuidando la importancia del modelado espacio-temporal de datos multivariados a nivel de nodo y subgrafo. Este estudio tuvo como objetivo evaluar la precisión de utilizar técnicas de aprendizaje profundo (DL) para predecir la diabetes basada en datos multivariables de glucosa en sangre, con el objetivo de mejorar la asignación de recursos y la toma de decisiones en el ámbito de la salud. Presentamos una Red Neuronal Gráfica Agregada No Lineal (NLAGNN) que utiliza datos de glucosa en sangre históricos multivariados continuos de múltiples pacientes para predecir los niveles de glucosa en sangre con el tiempo, abordando el desafío de extraer de manera precisa características de correlación fuertes y débiles. Proponemos preliminarmente un Operador Neuronal Gráfico de Fourier No Lineal (NFGO) para la representación no lineal de nodos, que reduce eficazmente el ruido sin sentido. Además, se introduce una partición dinámica de gráficos, que divide un hipercubo en subgráficos distintos, lo que permite el procesamiento adicional de características fuertemente correlacionadas a nivel de nodo y subgrafo, obteniendo finalmente la predicción a través de la agregación de capas. Experimentos extensos en tres conjuntos de datos muestran que nuestro método propuesto logra resultados competitivos en comparación con los métodos avanzados existentes.