La predicción del nivel de glucosa en sangre es un aspecto crítico del manejo de la diabetes. Permite a las personas tomar decisiones informadas sobre su dosificación de insulina, dieta y actividad física. Esto, a su vez, mejora su calidad de vida y reduce el riesgo de complicaciones crónicas y agudas. Un dilema en el desarrollo de modelos de pronóstico de series temporales para la predicción del nivel de glucosa en sangre es determinar una longitud apropiada para las ventanas de retroceso. Por un lado, estudiar historias cortas impone el riesgo de información incompleta. Por otro lado, analizar historias largas podría inducir redundancia de información debido al fenómeno de cambio de datos. Además, las longitudes de retraso óptimas son inconsistentes entre individuos debido a la ocurrencia de cambio de dominio. Por lo tanto, en un análisis personalizado, o bien se deben encontrar valores óptimos de retraso para cada individuo por separado o se debe utilizar un valor de retraso globalmente subóptimo para todos. El primer enfoque degrada la congruencia del análisis y impone una mayor perplejidad. Con el segundo, el retraso ajustado no es necesariamente la opción óptima para todos los individuos. Para hacer frente a este desafío, este trabajo sugiere un marco de fusión de retraso interconectado basado en un análisis de meta-aprendizaje anidado que mejora la precisión y precisión de las predicciones para la predicción personalizada del nivel de glucosa en sangre. El marco propuesto se aprovecha para generar modelos de predicción de glucosa en sangre para pacientes con diabetes tipo 1 examinando dos conjuntos de datos de diabetes tipo 1 de Ohio públicamente disponibles y bien establecidos. Los modelos desarrollados se someten a una evaluación rigurosa y análisis estadístico desde perspectivas matemáticas y clínicas. Los resultados obtenidos respaldan la eficacia del método propuesto en el análisis de predicción de series temporales del nivel de glucosa en sangre.