La rápida expansión de enfermedades infecciosas en entornos urbanos representa un desafío significativo para la salud pública, ya que los métodos de vigilancia tradicionales se basan en la notificación de casos retrasada, limitando las capacidades de respuesta proactiva. Con la creciente disponibilidad de datos de salud en tiempo real, la inteligencia artificial (IA) ha surgido como una herramienta poderosa para el monitoreo de enfermedades, detección de anomalías y predicción de brotes. Este estudio propone SmartHealth-Track, un marco de monitoreo de enfermedades infecciosas en tiempo real impulsado por IA que integra modelos de aprendizaje automático con vigilancia habilitada para IoT, análisis de farmacias inteligentes, seguimiento de salud portátil y vigilancia de aguas residuales para mejorar la detección temprana de brotes y la predicción predictiva. El sistema aprovecha el pronóstico de series temporales con redes de memoria a corto y largo plazo (LSTM), regresión logística para la estimación de la probabilidad de brotes, detección de anomalías con bosques de aislamiento y procesamiento de lenguaje natural (NLP) para extraer información epidemiológica de informes de salud pública y tendencias en redes sociales. La validación experimental utilizando conjuntos de datos del mundo real demostró que SmartHealth-Track logra una alta precisión, con una precisión de detección de brotes del 92.4%, precisión de detección de fiebre basada en dispositivos portátiles del 93.5%, precisión de rastreo de contactos impulsada por IA del 91.2% y precisión de clasificación de patógenos en aguas residuales mejorada por IA del 94.1%. Los hallazgos confirman que la vigilancia en tiempo real impulsada por IA mejora significativamente la detección y predicción de brotes, lo que permite intervenciones oportunas en salud pública. La investigación futura debería centrarse en el aprendizaje federado para una colaboración segura de datos y en el aprendizaje por refuerzo para la toma de decisiones adaptativa.