The fifteen articles in this special section focus on data science used in smart healthcare applications. A shift toward a data-driven socio-economic health model is occurring. This is the result of the increased volume, velocity and variety of data collected from the public and private sector in healthcare, and biology in general. In the past five-years, there has been an impressive development of computational intelligence and informatics methods for application to health and biomedical science. However, the effective use of data to address the scale and scope of human health problems has yet to realize its full potential. The barriers limiting the impact of practical application of standard data mining and machine learning methods have been inherent to the characteristics of health data. Besides the volume of the data (‘big data’), these are challenging due to their heterogeneity, complexity, variability and dynamic nature. Finally, data management and interpretability of the results have been limited by practical challenges in implementing new and also existing standards across the different health providers and research institutions. The scope of this Special issue is to discuss some of these challenges and opportunities in health and biological data science, with particular focus on the infrastructure, software, methods and algorithms needed to analyze large datasets in biological and clinical research.

中文翻译：

---

智能医疗领域的客座编辑数据科学：挑战与机遇

本特殊部分中的十五篇文章重点介绍了智能医疗保健应用程序中使用的数据科学。正在向数据驱动的社会经济健康模式转变。这是从医疗保健和公共生物学领域的公共和私营部门收集的数据量，速度和种类不断增加的结果。在过去的五年中，用于健康和生物医学的计算智能和信息学方法取得了令人瞩目的发展。然而，有效利用数据解决人类健康问题的规模和范围尚未充分发挥其潜力。限制标准数据挖掘和机器学习方法实际应用影响的障碍是健康数据特征所固有的。除了数据量（“大数据”）之外，由于它们的异质性，复杂性，可变性和动态性质，它们具有挑战性。最后，数据管理和结果的可解释性受到了在不同卫生提供者和研究机构之间实施新标准和现有标准时的实际挑战的限制。本期专刊的范围是讨论健康和生物数据科学中的一些挑战和机遇，特别着重于分析生物学和临床研究中的大型数据集所需的基础设施，软件，方法和算法。数据管理和结果的可解释性受到在不同卫生服务提供者和研究机构之间实施新标准和现有标准的实际挑战的限制。本期专刊的范围是讨论健康和生物数据科学中的一些挑战和机遇，特别着重于分析生物学和临床研究中的大型数据集所需的基础设施，软件，方法和算法。数据管理和结果的可解释性受到在不同卫生服务提供者和研究机构之间实施新标准和现有标准的实际挑战的限制。本期专刊的范围是讨论健康和生物数据科学中的一些挑战和机遇，特别着重于分析生物学和临床研究中的大型数据集所需的基础设施，软件，方法和算法。