Al implementar aplicaciones e infraestructuras basadas en Internet de las cosas (IoT) y en Internet de las cosas médicas (IoMT), los investigadores se enfrentaron a muchos sensores y los valores de sus salidas, que se han transferido entre solicitantes de servicios y servidores. Algunos estudios de caso abordaron los diferentes métodos y tecnologías, incluidos algoritmos de aprendizaje automático, aceleradores de aprendizaje profundo, Procesamiento en Memoria (PIM) y enfoques de computación neuromórfica (NC) para apoyar la complejidad del procesamiento de datos y la comunicación entre nodos de IoMT. Con la inspiración en la estructura del cerebro humano, algunos investigadores abordaron los desafíos de las aplicaciones basadas en IoT e IoMT y la simulación de estructuras neuronales. Un dispositivo defectuoso tiene efectos destructivos en el rendimiento y el costo de las aplicaciones, y su detección es un desafío para una infraestructura de comunicación con muchos dispositivos. Nos inspiramos en las células astrocitos para mapear el flujo (AFM) de Internet de las cosas médicas en elementos de procesamiento en red de malla (PEs) y detectar los dispositivos defectuosos basados en un modelo de fagocitosis. Este estudio se centra en la distribución de colesterol de un astrocito en neuronas y presenta un algoritmo que utiliza su patrón para distribuir el flujo de datos de IoMT y detectar los dispositivos defectuosos. Investigamos los síntomas del Alzheimer para comprender las funciones de los astrocitos y la fagocitosis contra la enfermedad y empleamos el conjunto de datos de vacunación COVID-19 para definir un conjunto de gráficos de tareas. El estudio mejora el tiempo de ejecución total y la energía en aproximadamente un 60.85% y un 52.38% después de implementar AFM, en comparación con antes del mapeo de flujo de astrocitos, lo que ayuda a los desarrolladores de infraestructuras de IoMT a proporcionar servicios de atención médica a los solicitantes con un costo mínimo y alta precisión.