La creciente adopción de Internet de las Cosas (IoT) en el sector de la salud ha llevado a un aumento en los datos en tiempo real procedentes de dispositivos portátiles, sensores médicos y sistemas de monitoreo de pacientes. Este entorno sensible a la latencia plantea desafíos significativos para las infraestructuras tradicionales centradas en la nube, que a menudo luchan con demandas de servicio impredecibles, congestión de red y restricciones de retraso de extremo a extremo. Cumplir de manera consistente con los estrictos requisitos de calidad de servicio de la salud inteligente, especialmente para aplicaciones críticas para la vida, requiere nuevas arquitecturas adaptables. Proponemos ML-RASPF, un marco basado en aprendizaje automático para la entrega eficiente de servicios en sistemas de salud inteligentes. A diferencia de los métodos existentes, ML-RASPF optimiza conjuntamente la latencia y la tasa de entrega de servicios a través de análisis predictivos y control adaptativo en una arquitectura modular de niebla-borde-nube. El marco formula la provisión de tareas como un problema de optimización conjunto que tiene como objetivo minimizar la latencia del servicio y maximizar el rendimiento de entrega. Evaluamos ML-RASPF utilizando un escenario realista de hospital inteligente que implica quioscos habilitados para IoT y dispositivos portátiles que generan solicitudes de servicio sensibles a la latencia y tolerantes a la latencia. Los resultados experimentales demuestran que ML-RASPF logra hasta un 20% menos de latencia, un 18% más de tasa de entrega de servicios y un 19% menos de consumo de energía en comparación con los principales baselines.