Antes de traducir, vamos a eliminar todas las etiquetas HTML del texto.Fondo: La Diabetes Mellitus Tipo 1 (T1D) es una enfermedad autoinmune que puede causar complicaciones graves que pueden evitarse al prevenir que los niveles glucémicos excedan el rango fisiológico. De manera directa, se desarrollaron muchos modelos basados en datos para predecir los niveles glucémicos futuros y permitir a los pacientes evitar eventos adversos. La mayoría de los modelos están ajustados en datos de pacientes adultos, mientras que la predicción de los niveles glucémicos de pacientes pediátricos ha sido raramente investigada, ya que representan la población de T1D más desafiante. Métodos: Una Red Neuronal Convolucional (CNN) y una Red Neuronal Recurrente de Memoria a Corto y Largo Plazo (LSTM) se optimizaron en datos de glucosa, insulina y comidas de 10 pacientes pediátricos virtuales. Los modelos entrenados fueron luego implementados en dos placas de computación de borde para evaluar la viabilidad de un sistema de borde para la predicción de glucosa en términos de precisión de predicción y tiempo de inferencia. Resultados: El modelo LSTM logró la mejor precisión numérica y clínica al ser probado en el formato, mientras que la CNN logró la mejor precisión clínica en . El tiempo de inferencia para cada predicción estuvo muy por debajo del límite representado por el período de muestreo. Conclusión: Ambos modelos predicen de manera efectiva la glucosa en pacientes pediátricos en términos de precisión numérica y clínica. La implementación de borde no mostró una disminución significativa en el rendimiento, y el tiempo de inferencia fue ampliamente adecuado para una aplicación en tiempo real.