La teoría de fusión de información de múltiples fuentes juega un papel fundamental en la toma de decisiones, especialmente al manejar información incierta o imprecisa. Entre los marcos existentes, la teoría de la evidencia ha demostrado ser efectiva para integrar diversas fuentes de información y apoyar la toma de decisiones informada. Recientemente, la Teoría de Conjuntos de Permutación Aleatoria (RPST), una extensión de la teoría de la evidencia, ha mostrado un valor práctico significativo debido a su capacidad para aprovechar la información adicional inherente en las permutaciones de eventos. Esta perspectiva inspira la utilización de datos de permutación para mejorar el proceso de toma de decisiones. Al emplear RPST para la toma de decisiones y fusión, el orden en que se realiza la fusión puede influir sustancialmente en los resultados finales. Para abordar este problema, proponemos un enfoque novedoso que utiliza los Puntajes de Fisher para extraer información adicional de permutación y guiar la toma de decisiones dentro del marco de RPST. Los resultados experimentales en el conjunto de datos Iris validan la viabilidad y efectividad del método propuesto. En comparación con los métodos de fusión que emplean promedios ponderados, nuestro enfoque, que aprovecha información adicional para determinar el orden de fusión, demuestra una precisión superior en diversas proporciones de conjunto de entrenamiento, logrando una precisión del 96.26% con una proporción del 80% de conjunto de entrenamiento. Esto proporciona una estrategia mejorada para la toma de decisiones bajo incertidumbre.