社交网络与深度学习的角度已经成为一种很有前途的范式在医学信息学可以帮助球员在这个领域获得竞争优势而言,提高病人满意度。捕获、清洗和分析复杂和大型的我们相信文本流是使用标准工具和程序是一项很困难的任务。许多人利用各种社交网站与疾病,讨论他们的医疗保健经验治疗,公司、医生、治疗师、等等。收集的信息从医学和卫生保健专业人员和患者提供必要的信息是至关重要的药物警戒的药物不良反应。同样,这样的数据,辅以药物基因组学基础知识,可以帮助药物基因组学的过程,试图理解人们对药物有不同的反应基于遗传特征。

许多著名的公司一直在收集数据从医疗客户通过在线配置文件的创建和维护。然而,缺乏自动化系统和智能接口获取、预处理、和分析数据,以及将它转换成有用的信息通过采取补救措施发现差距的消费者对上市后监测的反馈。结果,在卫生和医学信息学的伞,有一个需要部署社会但,网络驱动下的深度学习算法和构造的自动化解决方案。根据社交网络哲学和技术,这可能帮助医疗业务和相关的利益相关者(病人、医生等)。信息通过这些策略也可能帮助立法者在医疗部门更好地了解公众的希望和要求。

社交网络这个特殊的问题与深度学习的角度对医疗信息旨在将学术界和产业界共同应对挑战和发展提供解决方案的实际应用社会networking-driven医疗和医疗信息模型,以及设计新的数据采集技术、过滤、分类、和一代。特刊将调查这个新维度给予全面的报道先进的紧急问题。最初的研究和评论文章是受欢迎的。

潜在的主题包括但不限于以下:

• 识别消费者医疗保健需要医疗物品使用深度学习的技术和设备
• 创建一个机器可读的不良药物反应和疾病作为基准
• 药物警戒:使用机器和深度学习技术来监测药品不良反应
• 药物基因组学研究使用机器和深度学习的方法
• 从社交网络的检测和提取药物不良反应医疗数据处于初期阶段
• 检查病人反馈治疗分析疗效
• 在医学和医疗信息,为消费者开发机器和深度学习方法语气监测(与竞争对手相比,服务、医生、护士、企业,等等)
• 提出机器和深度学习医学信息学上市后监测的方法
• 深度学习模型基于本体评估病人感言
• 对社交网络的反馈药物滥用和成瘾检测