En el mundo digital de hoy, la atención médica es una de las áreas principales del ámbito médico. Se requiere un sistema de atención médica para analizar una gran cantidad de datos de pacientes que ayuden a obtener información y asistir en la predicción de enfermedades. Este sistema debe ser inteligente para predecir una condición de salud mediante el análisis del estilo de vida del paciente, los registros de salud física y las actividades sociales. El sistema recomendador de salud (HRS) se está convirtiendo en una plataforma importante para los servicios de atención médica. En este contexto, los sistemas inteligentes de salud se han convertido en herramientas indispensables en los procesos de toma de decisiones en el sector de la salud. Su principal objetivo es garantizar la disponibilidad de la información valiosa en el momento adecuado mediante la garantía de calidad de la información, confiabilidad, autenticación y preocupaciones de privacidad. Dado que las personas utilizan las redes sociales para comprender su estado de salud, el sistema recomendador de salud es muy importante para obtener resultados como recomendaciones de diagnósticos, seguros de salud, métodos de tratamiento basados en la vía clínica y medicinas alternativas según el perfil de salud del paciente. La investigación reciente que se enfoca en la utilización de grandes volúmenes de datos médicos al combinar datos multimodales de fuentes dispares se discute, lo que reduce la carga de trabajo y los costos en la atención médica. En el sector de la salud, la analítica de big data mediante sistemas recomendadores desempeña un papel importante en los procesos de toma de decisiones con respecto a la salud de un paciente. Este documento presenta un HRS inteligente propuesto utilizando el método de aprendizaje profundo de Restricted Boltzmann Machine (RBM)-Convolutional Neural Network (CNN), que proporciona una visión de cómo se puede utilizar la analítica de big data para la implementación de un motor recomendador de salud efectivo, e ilustra una oportunidad para que la industria de la atención médica haga la transición de un escenario tradicional a un paradigma más personalizado en un entorno de telemedicina. Al considerar los valores de Error Cuadrático Medio (RSME) y Error Absoluto Medio (MAE), el método de aprendizaje profundo propuesto (RBM-CNN) presenta menos errores en comparación con otros enfoques.