A sustainable healthcare focuses on enhancing and restoring public health parameters thereby reducing gloomy impacts on social, economic and environmental elements of a sustainable city. Though it has uplifted public health, yet the rise of chronic diseases is a concern in sustainable cities. In this work, a sustainable lung cancer detection model is developed to integrate the Internet of Health Things (IoHT) and computational intelligence, causing the least harm to the environment. IoHT unit retains connectivity continuously generates data from patients. Heuristic Greedy Best First Search (GBFS) algorithm is used to select most relevant attributes of lung cancer data upon which random forest algorithm is applied to classify and differentiates lung cancer affected patients from normal ones based on detected symptoms. It is observed during the experiment that the GBFS-Random forest model shows a promising outcome. While an optimal accuracy of 98.8 % was generated, simultaneously, the least latency of 1.16 s was noted. Specificity and sensitivity recorded with the proposed model on lung cancer data are 97.5 % and 97.8 %, respectively. The mean accuracy, specificity, sensitivity, and f-score value recorded is 96.96 %, 96.26 %, 96.34 %, and 96.32 %, respectively, over various types of cancer datasets implemented. The developed smart and intelligent model is sustainable. It reduces unnecessary manual overheads, safe, preserves resources and human resources, and assists medical professionals in quick and reliable decision making on lung cancer diagnosis.

可持续的医疗保健侧重于增强和恢复公共卫生参数，从而减少对可持续城市的社会、经济和环境因素的不利影响。尽管它改善了公共卫生，但慢性病的增加是可持续城市的一个问题。在这项工作中，开发了一种可持续的肺癌检测模型，以整合健康物联网 (IoHT) 和计算智能，对环境造成的危害最小。IoHT 单元保持连接性，不断从患者生成数据。启发式贪婪最佳优先搜索（GBFS）算法用于选择肺癌数据的最相关属性，在此基础上应用随机森林算法根据检测到的症状对肺癌患者与正常患者进行分类和区分。在实验过程中观察到，GBFS-随机森林模型显示出有希望的结果。虽然生成了 98.8% 的最佳准确度，但同时注意到了 1.16 秒的最小延迟。使用拟议的肺癌数据模型记录的特异性和敏感性分别为 97.5% 和 97.8%。在实施的各种癌症数据集上，记录的平均准确度、特异性、灵敏度和 f 值分别为 96.96%、96.26%、96.34% 和 96.32%。开发的智能和智能模型是可持续的。它减少了不必要的人工管理费用，安全、节省了资源和​​人力资源，并协助医疗专业人员对肺癌诊断做出快速可靠的决策。产生了 8%，同时注意到 1.16 秒的最小延迟。使用拟议的肺癌数据模型记录的特异性和敏感性分别为 97.5% 和 97.8%。在实施的各种癌症数据集上，记录的平均准确度、特异性、灵敏度和 f 值分别为 96.96%、96.26%、96.34% 和 96.32%。开发的智能和智能模型是可持续的。它减少了不必要的人工管理费用，安全、节省了资源和​​人力资源，并协助医疗专业人员对肺癌诊断做出快速可靠的决策。产生了 8%，同时注意到 1.16 秒的最小延迟。使用拟议的肺癌数据模型记录的特异性和敏感性分别为 97.5% 和 97.8%。在实施的各种癌症数据集上，记录的平均准确度、特异性、灵敏度和 f 值分别为 96.96%、96.26%、96.34% 和 96.32%。开发的智能和智能模型是可持续的。它减少了不必要的人工管理费用，安全、节省了资源和​​人力资源，并协助医疗专业人员对肺癌诊断做出快速可靠的决策。在实施的各种类型的癌症数据集上，记录的 f-score 值分别为 96.96 %、96.26 %、96.34 % 和 96.32 %。开发的智能和智能模型是可持续的。它减少了不必要的人工管理费用，安全、节省了资源和​​人力资源，并协助医疗专业人员对肺癌诊断做出快速可靠的决策。在实施的各种类型的癌症数据集上，记录的 f-score 值分别为 96.96 %、96.26 %、96.34 % 和 96.32 %。开发的智能和智能模型是可持续的。它减少了不必要的人工管理费用，安全、节省了资源和​​人力资源，并协助医疗专业人员对肺癌诊断做出快速可靠的决策。