El aprendizaje automático, particularmente utilizando redes neuronales, se está adoptando ampliamente en la práctica incluso con el paradigma de IoT; sin embargo, entrenar redes neuronales en el borde, en dispositivos IoT, sigue siendo esquivo, principalmente debido a los requisitos computacionales. Además, el entrenamiento efectivo requiere grandes cantidades de datos y las preocupaciones de privacidad restringen los datos accesibles. Por lo tanto, en este documento, proponemos un método que aprovecha una blockchain y el aprendizaje federado para entrenar redes neuronales en el borde, eludiendo efectivamente estos problemas y proporcionando beneficios adicionales como la distribución del entrenamiento entre múltiples dispositivos. El aprendizaje federado entrena redes sin almacenar ningún dato y agrega múltiples redes, entrenadas con datos únicos, formando una red global a través de un servidor centralizado. Al aprovechar la naturaleza descentralizada de una blockchain, este servidor centralizado es reemplazado por una red P2P, eliminando la necesidad de un servidor centralizado de confianza y permitiendo que el proceso de aprendizaje se distribuya entre los dispositivos participantes. Nuestros resultados muestran que las redes entrenadas de esta manera tienen diferencias insignificantes en precisión en comparación con las redes entrenadas tradicionalmente en dispositivos IoT y son menos propensas al sobreajuste. Concluimos que no solo es una alternativa viable a los paradigmas tradicionales, sino que es una mejora que contiene una gran cantidad de beneficios en un ecosistema como un hospital.