Trong bối cảnh các thiết bị IoT ngày càng tạo ra lượng dữ liệu lớn, việc xử lý tại thiết bị biên giúp giảm tải cho hệ thống đám mây và cải thiện tốc độ phản hồi. Thuật toán AODE là một biến thể của Naive Bayes, sử dụng giả định phụ thuộc yếu hơn giữa các thuộc tính, cho phép cải thiện độ chính xác mà vẫn giữ chi phí tính toán thấp. Nghiên cứu sử dụng dữ liệu từ 205 sản phụ bị rối loạn tăng huyết áp trong thai kỳ, phân tích kết quả sinh của mẹ và thai nhi. AODE được so sánh với các thuật toán học máy khác như SVM, MLP, RBF, C4.5, Random Forest, TAN và Naive Bayes. Kết quả cho thấy AODE đạt độ chính xác 87.2%, độ nhạy 89.8%, và độ đặc hiệu 41.9%, với chi phí tính toán thấp hơn các phương pháp khác, phù hợp để triển khai trên thiết bị biên. Ngoài ra, bài báo cũng trình bày kiến trúc hệ thống edge computing trong y tế, phân tích độ phức tạp thuật toán theo Big-O, và đánh giá hiệu năng qua biểu đồ ROC và thời gian huấn luyện.