En este estudio, exploramos la integración de técnicas de cascada y de conjunto en Aprendizaje Profundo (DL) para mejorar la precisión de predicción en datos de diabetes. El enfoque principal implica crear múltiples Redes Neuronales (NN), cada una prediciendo el resultado de forma independiente, y luego alimentar estas predicciones iniciales en otro conjunto de NN. Nuestra exploración comienza desde un estudio preliminar inicial y se extiende a varias técnicas de conjunto incluyendo bagging, stacking y finalmente cascada. El conjunto en cascada implica entrenar una segunda capa de modelos en las predicciones de la primera. Esta estructura en cascada, combinada con votación en conjunto para la predicción final, tiene como objetivo explotar las fortalezas de múltiples modelos mientras se mitigan sus debilidades individuales. Nuestros resultados demuestran una mejora significativa en la precisión de predicción, proporcionando un caso convincente para la utilidad potencial de estas técnicas en aplicaciones de salud, específicamente para la predicción de diabetes donde logramos una precisión de modelo convincente del 91.5% en el conjunto de prueba en un conjunto de datos particularmente desafiante, donde comparamos exhaustivamente con muchas otras metodologías.