Los sistemas de salud modernos dependen cada vez más de dispositivos portátiles del Internet de las Cosas Médicas (IoMT) para el monitoreo continuo de los parámetros fisiológicos de los pacientes. Sigue siendo un desafío diferenciar entre anomalías fisiológicas genuinas, fallos de sensores e interferencias cibernéticas maliciosas. En este trabajo, proponemos un marco de fusión híbrido diseñado para atribuir la fuente más plausible de una anomalía, apoyando así decisiones clínicas más confiables. El marco propuesto se desarrolla y evalúa utilizando dos conjuntos de datos complementarios: CICIoMT2024 para modelar amenazas de seguridad y una cohorte de cuidados intensivos a gran escala de MIMIC-IV para analizar signos vitales clave e intervenciones al lado de la cama. El núcleo del sistema combina un clasificador XGBoost supervisado para la detección de ataques con un autoencoder LSTM no supervisado para identificar desviaciones fisiológicas y técnicas. Para mejorar el realismo clínico y evitar artefactos introducidos por mediciones cuantizadas o de marcador de posición, el módulo fisiológico incorpora preprocesamiento consciente de la calidad e indicadores de falta de datos. La política de decisión de fusión se calibra bajo restricciones prudentes y orientadas a la seguridad para limitar la escalada falsa. En lugar de depender de pesos de fusión fijos, entrenamos un clasificador de fusión ligero que combina evidencia complementaria de los módulos de seguridad y clínicos, y seleccionamos umbrales de probabilidad específicos de clase en una división de calibración dedicada. El módulo de seguridad logra un alto rendimiento validado cruzadamente, mientras que el modelo clínico captura patrones fisiológicos anormales a gran escala, incluidas desviaciones consistentes con tanto deterioro agudo como fallos de calidad de datos. Se proporciona explicabilidad a través del análisis SHAP para el módulo de seguridad y la atribución de error de reconstrucción para anomalías fisiológicas. El marco de fusión integrado logra una precisión final del 99.76% bajo calibración prudente y un Coeficiente de Correlación de Matthews (MCC) de 0.995, con una latencia promedio de inferencia de extremo a extremo de 84.69 ms (límite superior p95 de 107.30 ms), apoyando la ejecución casi en tiempo real en entornos orientados a la frontera. Aunque el rendimiento es fuerte, las etiquetas de gravedad clínica se operacionalizan a través de proxies basados en reglas, y la fusión entre dominios depende de supuestos de alineación armonizados. Estos aspectos deben evaluarse más a fondo utilizando trazas de fallos realistas y datos prospectivos de IoMT. A pesar de estas limitaciones, el marco propuesto ofrece un enfoque práctico y explicable para el monitoreo de pacientes basado en IoMT.