A Internet das Coisas (IoT) se propõe a interligar o mundo físico e a Internet, o que abre a possibilidade de desenvolvimento de diversas aplicações, principalmente na área da saúde. Essas aplicações requerem um grande número de sensores para coletar informações continuamente, gerando grandes fluxos de dados, muitas vezes excessivos, redundantes ou sem significado para as operações do sistema. Essa geração massiva de dados de sensores desperdiça recursos computacionais para adquirir, transmitir, armazenar e processar informações, levando à perda de eficiência desses sistemas ao longo do tempo. Além disso, os dispositivos IoT são projetados para serem pequenos e portáteis, alimentados por baterias, para maior mobilidade e interferência minimizada no ambiente monitorado. No entanto, esse design também resulta em restrições de consumo de energia, tornando a vida útil da bateria um desafio significativo que precisa ser enfrentado. Além disso, esses sistemas geralmente operam em ambientes imprevisíveis, o que pode gerar alarmes redundantes e insignificantes, tornando-os ineficazes. No entanto, um sistema auto-adaptativo que identifica e prevê riscos iminentes através de um sistema de pontuação de alertas antecipados (EWS) pode lidar com esses problemas. Devido ao seu baixo custo de processamento, a referência EWS pode ser incorporada em dispositivos vestíveis e sensores, permitindo um melhor gerenciamento das taxas de amostragem, transmissões, produção de alarmes e consumo de energia. Seguindo a ideia acima, esta tese apresenta uma solução que combina um sistema EWS com um algoritmo auto-adaptativo em aplicações IoT de monitoramento de pacientes. Desta forma, promovendo uma redução na aquisição e transmissão de dados , diminuindo alarmes não acionáveis e proporcionando economia de energia para esses dispositivos. Além disso, projetamos e desenvolvemos um protótipo de hardware capaz de embarcar nossa proposta, evidenciando a sua viabilidade técnica. Além disso, usando nosso protótipo, coletamos dados reais de consumo de energia dos componentes de hardware que foram usados durante nossas simulações com dados reais de pacientes provenientes de banco de dados públicos. Nossos experimentos demonstraram grandes benefícios com essa abordagem, reduzindo em 87 por cento os dados amostrados, em 99 por cento a carga total das mensagens transmitidas do dispositivo de monitoramento, 78 por cento dos alarmes e uma economia de energia de quase 82 por cento. No entanto, a fidelidade do monitoramento do estado clínico dos pacientes apresentou um erro absoluto total médio de 6,8 por cento (mais ou menos 5,5 por cento), mas minimizado para 3,8 por cento (mais ou menos 2,8 por cento) em uma configuração com menores ganhos na redução de dados. A perda de detecção total dos alarmes dependendo da configuração de frequências e janelas de tempo analisadas ficou entre 0,5 por cento e 9,5 por cento, com exatidão do tipo de alarme entre 89 por cento e 94 por cento. Concluindo, este trabalho apresenta uma abordagem para o uso mais eficiente de recursos computacionais, de comunicação e de energia para implementar aplicativos de monitoramento de pacientes baseados em IoT.