با گسترش روزافزون اینترنت اشیای پزشکی به تولید حجم عظیمی از داده‌های پایش سلامت بیماران انجامیده است که به پردازش بلادرنگ با تأخیر کم و مصرف انرژی بهینه نیاز دارند. معماری‌های رایانش ابری سنتی به دلیل فاصله فیزیکی و تأخیر بالا، پاسخگوی نیازهای حساس پزشکی نیستند. در این پژوهش، سازوکاری برای تخصیص منابع آگاه از اولویت در بستر رایانش لبه ارائه شده است که داده‌های پزشکی را در چهار سطح (بحرانی، فوری، عادی و غیراورژانسی) طبقه‌بندی کرده و منابع محاسباتی را بر اساس سطح اولویت تخصیص می‌دهد. پیاده‌سازی در محیط شبیه‌ساز iFogSim صورت گرفته و داده‌های آزمایش از مجموعه‌داده‌های عمومی علائم حیاتی بیماران در پلتفرم کگل استخراج و پیش‌پردازش شده‌اند. نتایج نشان می‌دهد که نرخ گرسنگی داده‌ها از ۶۵ درصد در روش‌های سنتی به ۳ درصد کاهش یافته، میانگین تأخیر داده‌های بحرانی از ۱۵۰ به ۸۵ میلی‌ثانیه رسیده و هزینه عملیاتی ۲۵ درصد کاهش پیدا کرده است. ضریب جینی به‌عنوان شاخص عدالت در تخصیص منابع از ۶۵/۰ به ۴۲/۰ کاهش یافته که بیانگر توزیع عادلانه‌تر منابع میان سطوح مختلف اولویت است. این یافته‌ها نشان می‌دهد که ترکیب طبقه‌بندی چندسطحی با مکانیزم‌های پویا، گامی مؤثر در جهت بهبود کیفیت مراقبت‌های پزشکی و افزایش بهره‌وری زیرساخت‌های سلامت دیجیتال است.