Analítica de Big Data e Inteligencia Artificial Generativa en Salud: Transformación de la Toma de Decisiones Clínicas y la Salud Poblacional

Dr. Klever Sáenz Flor

Director Médico y Gerente de Calidad, SYNLAB Ecuador

Docente de la Carrera de Medicina, Universidad Central del Ecuador

La convergencia entre la Analítica de Big Data (BDA) y la Inteligencia Artificial Generativa (GenAI) ha inaugurado una era de transformación profunda en la informática médica, impulsando la transición de la atención sanitaria desde un modelo reactivo tradicional hacia un paradigma proactivo, predictivo y guiado por datos intensivos. La evidencia científica actual demuestra que la integración estratégica de estas tecnologías optimiza sustancialmente los desenlaces clínicos: la precisión diagnóstica se incrementa en un 33 %, la capacidad de predicción de patologías en un 36 % y la eficiencia en investigación clínica en un 41 %, logrando además una reducción de los costos operativos en torno al 17 %.

En este contexto, los Sistemas de Soporte a la Decisión Clínica (CDSS) están evolucionando desde arquitecturas rígidas basadas en reglas deterministas hacia ecosistemas inteligentes e interactivos, capaces de contextualizar y simular el razonamiento médico avanzado. Esta evolución se fundamenta en infraestructuras de vanguardia —como la computación distribuida edge-cloud y el aprendizaje federado— que permiten procesar volúmenes masivos de datos preservando la privacidad del paciente. No obstante, la transición segura hacia la denominada "Salud 5.0" exige superar desafíos críticos, entre los que destacan la mitigación de las alucinaciones algorítmicas, la corrección de sesgos sistémicos y la adopción urgente de estándares internacionales de interoperabilidad semántica.

Evolución de los Sistemas de Soporte a la Decisión Clínica (CDSS)

Los CDSS han evolucionado a través de tres generaciones clave:

●     1.ª Generación (Sistemas Expertos): Lógica determinista rígida ("Si... Entonces") enfocada en datos estructurados. Generaba fatiga por alertas irrelevantes al carecer de contexto.

●  2.ª Generación (IA Predictiva): Modelos estadísticos probabilísticos para pronóstico y estratificación de riesgo. Presentaba "ceguera narrativa" ante el 80% de la información clínica no estructurada.

●    3.ª Generación (CDSS Inteligentes): Basados en redes profundas, Transformers y GenAI. Permiten la síntesis de datos multimodales (notas clínicas, imágenes, omicas) y simulan el razonamiento médico avanzado.

El Ecosistema del Big Data en Salud

Las 4 V del Dato Clínico

En la medicina moderna, el Big Data sobrepasa la noción de dimensión cuantitativa para definirse como la capacidad operativa de procesar flujos de información a través de cuatro ejes estratégicos:

●    Volumen: Magnitud de los activos digitales, que abarca desde registros electrónicos individuales en megabytes hasta archivos genómicos de alta complejidad que alcanzan la escala de terabytes por paciente.

●    Velocidad: Dinámica de adquisición e integración de datos en tiempo real, incluyendo monitoreo mediante dispositivos wearables y auto analizadores del laboratorio clínico de alto rendimiento.

●     Variedad: Heterogeneidad estructural que combina texto médico libre, datos numéricos continuos, imágenes de citología digital y gráficos multidimensionales de citometría de flujo.

●    Veracidad: Calidad y grado de confianza intrínseco del dato. Depende del control de calidad interno y externo, así como de la trazabilidad preanalítica necesaria para reflejar con fidelidad el estado fisiopatológico real del individuo.

Pilares Fundamentales del Dato Médico

● Historias Clínicas Electrónicas (EHR): Consolidación de registros de codificación estructurada e información narrativa no estructurada redactada por los profesionales de la salud.

●    Sistemas de Información de Laboratorio (LIS): Actúa como el motor central que conecta los datos del paciente, los instrumentos de análisis y los informes de diagnóstico para minimizar errores humanos y acelerar la entrega de resultados a EHR

●     Imagenología Médica: Conjuntos de datos de alta fidelidad (RM, TC, PET) que demandan procesamiento mediante visión por computadora para la detección precoz de anomalías.

●   Internet de las Cosas Médicas (IoMT): Flujos fisiológicos de alta velocidad capturados mediante monitores portátiles y telemetría en unidades de cuidados intensivos.

●     Datos Multi-ómicos: Información genómica, transcriptómica y proteómica que constituye la base biológica molecular para la medicina de precisión.

El Ecosistema del Big Data y la Gobernanza FAIR

El Big Data clínico se gestiona operativamente bajo la matriz de las 4V: Volumen (desde registros electrónicos hasta terabytes genómicos), Velocidad (datos en tiempo real de analizadores y wearables), Variedad (texto libre, citología e imágenes) y Veracidad (calidad asegurada por controles de calidad y trazabilidad preanalítica).

Para transformar estos activos en conocimiento útil, se aplica la gobernanza FAIR (Findable, Accessible, Interoperable, Reusable):

 

Desafíos y Perspectivas Futuras (Salud 5.0)

La implementación segura de la Salud 5.0 enfrenta barreras éticas y normativas: la mitigación de alucinaciones (vía RAG y supervisión Human-in-the-Loop), la auditoría de sesgos en bases de datos, el cumplimiento estricto de leyes de privacidad (GDPR, HIPAA) y la validación de algoritmos diagnósticos bajo el marco regulatorio de Software como Dispositivo Médico (SaMD/MDR).

El horizonte final prevé un entorno sanitario donde los CDSS actúen como asistentes ambientales, permitiendo que la capacidad predictiva de los algoritmos y la calidad de los metadatos ayuden al cuerpo médico a prevenir el daño orgánico irreversible antes de su aparición.

Todo esto claro está, dentro de ecosistemas de salud claramente definidos, interconectados e interoperables aque permitan gestionar la data con enfoque de medicina de valor y bienestar, orientado tanto a medicina personalizada como a la salud colectiva.

REFERENCIAS

• Amarasingham, R., Patel, P. C., Toto, K., Nelson, L. L., Swanson, T. S., Moore, B. J., & Drazner, M. H. (2013). Allocating scarce resources in real-time to reduce heart failure readmissions: a prospective, controlled study. British Journal of Medicine Quality & Safety, 22(12), 998–1005. https://doi.org/10.1136/bmjqs-2013-002144

• Bates, D. W., Saria, S., Ohno-Machado, L., Shah, A., & Escobar, G. (2014). Big data in healthcare: using analytics to identify and manage high-risk and high-cost patients. Health Affairs, 33(7), 1123–1131. https://doi.org/10.1377/hlthaff.2014.0041

• Bhardwaj, N., Wadajo, B., Spano, A., & Coustasse, A. (2018). The Impact of Big Data on Chronic Disease Management. Marshall University Digital Scholar, Management Faculty Research. https://mds.marshall.edu/mgmt_faculty

• Bi, C., Zhou, S., Zhao, X., Wang, Z., & Tian, F. (2025). The trend of laboratory medicine based on big data. iLABMED, 3, 312–321. https://doi.org/10.1002/ila2.70009

• Blatter, T. U., Witte, H., Nakas, C. T., & Leichtle, A. B. (2022). Big Data in Laboratory Medicine—FAIR Quality for AI? Diagnostics, 12, 1923. https://doi.org/10.3390/diagnostics12081923

• Carter EJ, Anderson MR, Bennett SK, Wilson DK. Big Data Analytics in Healthcare Research: Transforming Clinical Decision-Making, Precision Medicine, and Population Health. Journal of Modern Medical Science. 2026;4(2):1-8.

• Chen, C. L. P., & Zhang, C.-Y. (2014). Data-intensive applications, challenges, techniques and technologies: A survey on big data. Information Sciences, 275, 314–347. https://doi.org/10.1016/j.ins.2014.01.015

• Groves, P., Kayyali, B., Knott, D., & Van Kuiken, S. (2013). The 'big data' revolution in healthcare. McKinsey Quarterly, 2, 1–13.

• Jelinek, H. F., Stranieri, A., Yatsko, A., & Venkatraman, S. (2016). Data analytics identify glycated haemoglobin co-markers for type 2 diabetes mellitus diagnosis. Computers in Biology and Medicine, 75(1), 90–97. https://doi.org/10.1016/j.compbiomed.2016.05.005

• Merchant, R. K., Inamdar, R., & Quade, R. C. (2016). Effectiveness of population health management using the Propeller Health asthma platform: A randomized clinical trial. The Journal of Allergy and Clinical Immunology: In Practice, 4(3), 455–463. https://doi.org/10.1016/j.jaip.2016.01.012

• Pashang B, Pashang M, Majidi V, Khosravi M. Clinical Decision Support Systems in the Era of Big Data and Generative AI: A Narrative Review. International Journal of Modern Achievement in Science, Engineering and Technology (IJSET). 2026;3(1):190-200.

• Raghupathi, W., & Raghupathi, V. (2014). Big data analytics in healthcare: promise and potential. Health Information Science and Systems, 2(1), 1. https://doi.org/10.1186/2047-2501-2-1

• Razavian, N., Blecker, S., Schmidt, A. M., Smith-McLallen, A., Nigam, S., & Sontag, D. (2015). Population-level prediction of type 2 diabetes from claims data and analysis of risk factors. Big Data, 3(4), 277–287. https://doi.org/10.1089/big.2015.0020

• Rusin, C. G., Acosta, S. I., Shekerdemian, L. S., Vu, E. L., Bavare, A. C., Myers, R. B., & Penny, D. J. (2016). Prediction of imminent, severe deterioration of children with parallel circulations using real-time processing of physiologic data. The Journal of Thoracic and Cardiovascular Surgery, 152(1), 171–177. https://doi.org/10.1016/j.jtcvs.2016.03.083

• Sáenz Flor K, Toapanta R. Metadata y Medicina de Laboratorio: Innovando la gestión de enfermedades crónicas. SYNLAB Ecuador. Revista Acreditando SAE.,2026

• Tolan, N. V., Parnas, M. L., Baudhuin, L. M., Cervinski, M. A., Chan, A. S., Holmes, D. T., Horowitz, G., Klee, E. W., Kumar, R. B., & Master, S. R. (2015). "Big Data" in Laboratory Medicine. Clinical Chemistry, 61(12), 1433–1440. https://doi.org/10.1373/clinchem.2015.248591

• Trudo, F., Kern, D. M., Davis, J. R., Tunceli, O., Zhou, S., Graham, E. L., & Williams, S. A. (2015). Comparative effectiveness of budesonide/formoterol combination and tiotropium bromide among COPD patients new to these controller treatments. International Journal of Chronic Obstructive Pulmonary Disease, 10(1), 2055–2066. https://doi.org/10.2147/COPD.S90658

• Zolfaghar, K., Meadem, N., Teredesai, A., Roy, S. B., Chin, S. C., & Muckian, B. (2013). Big data solutions for predicting risk-of-readmission for congestive heart failure patients. 2013 IEEE International Conference on Big Data, 64–71. https://doi.org/10.1109/BigData.2013.6691717