Communication between sensors spread everywhere in healthcare systems may cause some missing in the transferred features. Repairing the data problems of sensing devices by artificial intelligence technologies have facilitated the Medical Internet of Things (MIoT) and its emerging applications in Healthcare. MIoT has great potential to affect the patient's life. Data collected from smart wearable devices size dramatically increases with data collected from millions of patients who are suffering from diseases such as diabetes. However, sensors or human errors lead to missing some values of the data. The major challenge of this problem is how to predict this value to maintain the data analysis model performance within a good range. In this paper, a complete healthcare system for diabetics has been used, as well as two new algorithms are developed to handle the crucial problem of missed data from MIoT wearable sensors. The proposed work is based on the integration of Random Forest, mean, class' mean, interquartile range (IQR), and Deep Learning to produce a clean and complete dataset. Which can enhance any machine learning model performance. Moreover, the outliers repair technique is proposed based on dataset class detection, then repair it by Deep Learning (DL). The final model accuracy with the two steps of imputation and outliers repair is 97.41% and 99.71% Area Under Curve (AUC). The used healthcare system is a web-based diabetes classification application using flask to be used in hospitals and healthcare centers for the patient diagnosed with an effective fashion.

在医疗保健系统中遍布各处的传感器之间的通信可能会导致所传输的功能丢失。通过人工智能技术修复感测设备的数据问题，已经促进了医疗物联网（MIoT）及其在医疗保健领域的新兴应用。MIoT具有影响患者生命的巨大潜力。从数百万患有糖尿病等疾病的患者收集的数据中，从智能可穿戴设备收集的数据的数量急剧增加。但是，传感器或人为错误会导致丢失某些数据值。这个问题的主要挑战是如何预测该值，以将数据分析模型的性能维持在一个良好的范围内。本文使用了完整的糖尿病患者医疗系统，开发了两种新算法来处理MIoT可穿戴式传感器丢失数据的关键问题。拟议的工作基于随机森林，均值，班级均值，四分位间距（IQR）和深度学习的集成，以产生干净而完整的数据集。这可以增强任何机器学习模型的性能。此外，提出了基于数据集类别检测的离群值修复技术，然后通过深度学习（DL）对其进行修复。通过插补和离群值修复这两个步骤的最终模型精度为97.41％和99.71％曲线下面积（AUC）。所使用的医疗保健系统是基于烧瓶的基于Web的糖尿病分类应用程序，可用于医院和医疗保健中心，以有效方式诊断出患者。拟议的工作基于随机森林，均值，班级均值，四分位间距（IQR）和深度学习的集成，以产生干净而完整的数据集。这可以增强任何机器学习模型的性能。此外，提出了基于数据集类别检测的离群值修复技术，然后通过深度学习（DL）对其进行修复。通过插补和离群值修复这两个步骤的最终模型精度为97.41％和99.71％曲线下面积（AUC）。所使用的医疗保健系统是基于烧瓶的基于Web的糖尿病分类应用程序，可用于医院和医疗保健中心，以有效方式诊断出患者。拟议的工作基于随机森林，均值，班级均值，四分位间距（IQR）和深度学习的集成，以产生干净而完整的数据集。这可以增强任何机器学习模型的性能。此外，提出了基于数据集类别检测的离群值修复技术，然后通过深度学习（DL）对其进行修复。通过插补和离群值修复这两个步骤的最终模型精度为97.41％和99.71％曲线下面积（AUC）。所使用的医疗保健系统是基于烧瓶的基于Web的糖尿病分类应用程序，可用于医院和医疗保健中心，以有效方式诊断出患者。这可以增强任何机器学习模型的性能。此外，提出了基于数据集类别检测的离群值修复技术，然后通过深度学习（DL）对其进行修复。通过插补和离群值修复这两个步骤的最终模型精度为97.41％和99.71％曲线下面积（AUC）。所使用的医疗保健系统是基于烧瓶的基于Web的糖尿病分类应用程序，可用于医院和医疗保健中心，以有效方式诊断出患者。这可以增强任何机器学习模型的性能。此外，提出了基于数据集类别检测的离群值修复技术，然后通过深度学习（DL）对其进行修复。通过插补和离群值修复这两个步骤的最终模型精度为97.41％和99.71％曲线下面积（AUC）。所使用的医疗保健系统是基于烧瓶的基于Web的糖尿病分类应用程序，可用于医院和医疗保健中心，以有效方式诊断出患者。