一种新颖的雾计算方法，用于通过机器学习最小化医疗保健中的延迟。

在当前情况下，最具挑战性的要求是处理来自物联网（IoT）设备的大量多媒体数据，而仅通过云端处理这些数据变得非常困难。雾计算技术作为一种智能解决方案应运而生，并利用分布式环境进行操作。本文的目标是通过雾计算在电子医疗保健中实现延迟最小化。因此，在物联网多媒体数据传输中，必须减少传输延迟、网络延迟和计算延迟，因为对医疗保健多媒体分析的需求很高。雾计算提供在靠近物联网和最终用户的位置处理、存储和分析数据的能力，以克服延迟。在本文中，提出了一种新颖的智能多媒体数据分离（IMDS）方案，使用机器学习（k折随机森林）在雾计算环境中对多媒体数据进行分离，并使用该模型计算总延迟（传输、计算和网络）。通过模拟结果，我们达到了92%的模型分类准确率，与现有模型相比，延迟减少了约95%，并提高了电子医疗保健的服务质量。