El Internet de las Cosas Médicas (IoMT) está revolucionando la atención médica al permitir el monitoreo continuo de pacientes, diagnósticos tempranos y tratamientos personalizados. Sin embargo, la heterogeneidad de los dispositivos IoMT y la falta de protocolos estandarizados introducen serias vulnerabilidades de seguridad. Para abordar estos desafíos, proponemos un sistema de detección de intrusiones híbrido BiLSTM-DNN, llamado HBiLD-IDS, que combina redes de Memoria a Largo Plazo Bidireccional (BiLSTM) con Redes Neuronales Profundas (DNN), aprovechando tanto las dependencias temporales en el tráfico de red como la extracción jerárquica de características. El modelo se entrena y evalúa en el conjunto de datos CICIoMT2024, que refleja con precisión la diversidad de dispositivos y vectores de ataque encontrados en entornos de atención médica conectados. El conjunto de datos pasa por un riguroso preprocesamiento, que incluye limpieza de datos, selección de características a través de análisis de correlación y eliminación recursiva, y normalización de características. En comparación con los modelos IDS existentes, nuestro enfoque mejora significativamente la precisión de detección y la capacidad de generalización frente a patrones de ataque complejos y en evolución. Los resultados experimentales muestran que el modelo IDS propuesto logra una precisión de clasificación del 98.81% en 19 tipos de ataque, confirmando su robustez y escalabilidad. Este enfoque representa una solución prometedora para fortalecer la postura de seguridad de las redes IoMT contra amenazas cibernéticas emergentes.