Las limitaciones energéticas siguen siendo una preocupación clave en el desarrollo de dispositivos de Internet de las Cosas Médicas (IoMT) ya que la mayoría de ellos tienen fuentes de energía limitadas, principalmente de baterías. Por lo tanto, proporcionar un suministro de energía sostenible y autónomo es esencial, ya que permite la detección continua de energía, posicionamiento flexible, menos intervención humana y fácil mantenimiento. En los últimos años, se han realizado extensas investigaciones para desarrollar sistemas energéticamente autónomos para el IoMT mediante la implementación de tecnologías de recolección de energía (EH) como una alternativa factible y económicamente práctica a las baterías. A este respecto, se han desarrollado diversas soluciones de EH para dispositivos portátiles para mejorar la eficiencia de extracción de energía, como la integración de circuitos de extracción de energía resonante como SSHI, S-SSHI y P-SSHI conectados a unidades de almacenamiento de energía comunes para mantener una salida estable para cargas de carga. Estos circuitos permiten un aumento en la potencia recolectada del 174% en comparación con el circuito SEH. Aunque los dispositivos IoMT están volviéndose cada vez más potentes y más asequibles, algunas tareas, como los algoritmos de aprendizaje automático, todavía requieren recursos computacionales intensivos, lo que conduce a un mayor consumo de energía. La descarga de tareas intensivas en computación desde dispositivos de usuario con recursos limitados a capas de niebla o nube ricas en recursos puede abordar eficazmente estos problemas y gestionar el consumo de energía. El aprendizaje por refuerzo, en particular, emplea el algoritmo Q, que es una técnica eficiente para la implementación de hardware, así como la descarga de tareas desde dispositivos portátiles a dispositivos periféricos. Por ejemplo, el consumo de energía más bajo reportado utilizando tecnología FPGA es de 37 mW. Además, el costo de comunicación desde dispositivos portátiles a dispositivos de niebla no debe compensar los ahorros de energía obtenidos de la migración de tareas. Este artículo proporciona una revisión exhaustiva de las tecnologías conjuntas de recolección de energía y estrategias de descarga de cálculos para el IoMT. Además, se proporcionaron estrategias de suministro de energía para dispositivos portátiles, técnicas de almacenamiento de energía e implementación de hardware de la migración de tareas.