Los datos que recopilan los sensores médicos pueden resultar abrumadores, lo que dificulta extraer las ideas más relevantes. Se necesita un algoritmo para una red de sensores corporales con el fin de detectar valores atípicos en los datos recopilados. Los métodos de aprendizaje automático y muestreo estadístico pueden utilizarse en el proceso de investigación. La optimización de la respuesta en tiempo real es un campo en crecimiento, a medida que tareas cada vez más intensivas computacionalmente se transfieren al backend. La optimización de las transferencias de datos es un tema de estudio. La potencia de cálculo está dispersa en muchos dominios. El cálculo se convertirá en un cuello de botella de la red a medida que más dispositivos adquieran capacidades de Internet de las cosas. Es crucial emplear tanto el paralelismo a nivel de tareas como la computación distribuida. Para evitar agotar la batería, la solución típica es enviar el procesamiento a un servidor en segundo plano. La amplia implementación de dispositivos de Internet de las cosas (IoT) ha generado serias preocupaciones de privacidad y seguridad entre las personas en todas partes. La rápida expansión de las amenazas cibernéticas ha hecho que nuestras medidas actuales de privacidad y seguridad sean insuficientes. Los métodos de aprendizaje automático (ML) están ganando popularidad debido a la fiabilidad de los resultados que producen, los cuales pueden utilizarse para anticipar y detectar vulnerabilidades en sistemas basados en Internet de las cosas. Los tiempos de respuesta de la red se mejoran mediante la computación en el borde, lo que también aumenta la descentralización y la seguridad. Los nodos de borde, que se comunican frecuentemente con la nube, pueden manejar ahora una parte considerable de la computación crítica para la misión. Soluciones en tiempo real y altamente eficientes son posibles con la ayuda de esta tecnología. Con este fin, utilizamos un marco de Internet de las cosas (IoT) basado en una computación distribuida en el borde para investigar cómo se pueden combinar la computación en la nube y en el borde con el aprendizaje automático. Los dispositivos de IoT con marcos de sensores pueden recopilar cantidades masivas de datos para su posterior análisis. El componente de front-end puede beneficiarse de cierta previsión para determinar qué información es más crucial. Para lograr esto, un servidor de IoT en segundo plano puede ofrecer consejos y dirección. La idea es utilizar el aprendizaje automático en los servidores de backend para encontrar firmas de datos de interés. Tenemos la intención de utilizar las siguientes ideas en el campo médico como estudio de caso. Mediante un marco de Internet de las cosas (IoT) basado en una computación distribuida en el borde, estamos investigando cómo combinar las fortalezas tanto de la computación en la nube como en el borde con las del aprendizaje automático.