REVISTA
ODIGOS
rodigos@uisrael.edu.ec
• e-ISSN: 2697-3405
REVISTA ODIGOS
QUITO-ECUADOR
2025
101
Período febrero - mayo • 2025
Vol. 6, Núm. 1
Big Data como instrumento integrador de datos para la toma
de decisiones en la prevención, detección y tratamiento de
enfermedades en el Ecuador
Big Data as a data integrator instrument for decision-making in the
prevention, detection and treatment of diseases in Ecuador
Fecha de recepción: 2024-09-15 • Fecha de aceptación: 2025-01-10 • Fecha de publicación: 2025-02-10
Fabián Lizardo Caicedo Goyes
Universidad Técnica Luis Vargas Torres, Ecuador
fabian.caicedo.goyes@utelvt.edu.ec
https://orcid.org/0000-0001-5572-6309
RESUMEN
El incremento de enfermedades de diferentes patologías en el Ecuador ha impulsado la necesidad
de estrategias innovadoras. En este contexto, la Big Data emerge como una herramienta clave,
ofreciendo la capacidad de integrar datos polimórcos de diversas fuentes para mejorar la toma
de decisiones en salud. El presente estudio propuso analizar el impacto de la Big Data en la
prevención, detección y tratamiento de enfermedades en el contexto ecuatoriano, con el objetivo de
profundizar en la comprensión de cómo la integración de datos puede ofrecer una visión holística
de la salud poblacional. Se buscó identicar cómo esta integración puede potenciar la ecacia
de las intervenciones médicas. La investigación se basó en un análisis exhaustivo de estudios
de caso, implementaciones exitosas y desafíos encontrados en la aplicación de la Big Data en el
sistema de salud ecuatoriano. Se examinaron datos polimórcos, incluyendo registros médicos,
https://doi.org/10.35290/ro.v6n1.2025.1180
REVISTA ODIGOS
QUITO-ECUADOR
2025
102
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
datos genómicos y ambientales, para evaluar su impacto en la toma de decisiones. En conclusión, la
implementación de la Big Data en la gestión de enfermedades en el Ecuador representa un avance
signicativo. Este artículo subrayó la importancia de integrar tecnologías digitales para avanzar hacia
un enfoque más preventivo y personalizado en la atención médica ecuatoriana.
PALABRAS CLAVE: Big Data, integrador de datos, datos genómicos, datos digitales, e-salud
ABSTRACT
The increase in diseases of different pathologies in Ecuador has driven the need for innovative
strategies. In this context, Big Data emerges as a key tool, offering the ability to integrate polymorphic
data from various sources to improve health decision-making. The present study proposed to
analyze the impact of Big Data on the prevention, detection and treatment of diseases in the
Ecuadorian context, with the aim of deepening the understanding of how data integration can offer
a holistic vision of population health. We sought to identify how this integration can enhance the
effectiveness of medical interventions. The research was based on an exhaustive analysis of case
studies, successful implementations and challenges encountered in the application of Big Data in the
Ecuadorian health system. Polymorphic data, including medical records, genomic and environmental
data, were examined to assess their impact on decision making. In conclusion, the implementation
of Big Data in disease management in Ecuador represents a signicant advance. This article
highlighted the importance of integrating digital technologies to move towards a more preventive and
personalized approach in Ecuadorian healthcare.
KEYWORDS: Big Data, data integrator, genomic data, digital data, e-health
REVISTA ODIGOS
QUITO-ECUADOR
2025
103
rodigos@uisrael.edu.ec
BIG DATA COMO INSTRUMENTO INTEGRADOR DE DATOS PARA LA TOMA DE DECISIONES EN LA PREVENCIÓN,
DETECCIÓN Y TRATAMIENTO DE ENFERMEDADES EN EL ECUADOR
Introducción
La importancia de la Big Data como instrumento integrador de datos polimórcos para la toma
de decisiones en la prevención, detección y tratamiento de enfermedades en el Ecuador es
multifacética y abarca varios aspectos esenciales para mejorar la salud pública y la calidad de vida
de la población (Joyanes, 2016). Entre estos se puede observar a la Transformación del Sistema de
Salud a través de la catalización de cambios positivos en la gestión de enfermedades, la eciencia
en la toma de decisiones por medio de herramientas avanzadas para analizar grandes conjuntos
de datos de manera rápida y eciente, la personalización de la atención médica, la prevención
y pronóstico a través del estudio de patrones y tendencias en datos de salud que permitan una
prevención más efectiva de enfermedades y una anticipación a posibles brotes, la gestión de
recursos de salud y la contribución al conocimiento cientíco.
En las últimas décadas, los avances tecnológicos han transformado la gestión de la salud en el
ámbito mundial, siendo la Big Data una herramienta clave en esta evolución. El concepto de Big
Data se ha consolidado como la capacidad para recopilar, procesar y analizar grandes volúmenes
de datos, abriendo un abanico de posibilidades en la prevención, detección y tratamiento de
enfermedades (Mayer y Cukier, 2013). El inicio de esta transformación puede rastrearse en la
investigación genómica de nales del siglo XX, destacándose con el Proyecto Genoma Humano,
que marcó el comienzo de la era de la medicina personalizada. La explosión de datos genómicos
generó la necesidad de herramientas ecaces para gestionar, interpretar y aplicar estos vastos
conjuntos de información, dando origen a las capacidades analíticas fundamentales de la Big
Data. (Vanacek, 2012; Ministerio de Salud Pública del Ecuador, 2023). La captura electrónica de
datos clínicos ha permitido la acumulación de grandes cantidades de información estructurada
y no estructurada, allanando el camino para la aplicación de la Big Data en la toma de decisiones
médicas.
La región de América Latina, y en particular Ecuador, ha presenciado un aumento signicativo de
enfermedades crónicas en las últimas décadas. Esta realidad ha generado la necesidad apremiante
de estrategias innovadoras que se adapten a las particularidades de la población ecuatoriana.
En este contexto, la Big Data se presenta como un instrumento integrador fundamental, capaz de
aprovechar datos polimórcos para proporcionar una visión holística y personalizada de la salud.
La implementación efectiva de la Big Data en el Ecuador enfrenta diversos desafíos entre ellos
que la información relacionada con la salud en el Ecuador está dispersa en diversas plataformas
y sistemas lo que diculta la integración y el análisis holístico de los datos, la falta de sistemas
interoperables y la carencia de tecnologías avanzadas en ciertas regiones rurales afectan la
capacidad de implementar soluciones basadas en Big Data de manera eciente. Asimismo, la
falta de estandarización en la recopilación de datos clínicos y de salud pública puede afectar la
precisión de los análisis de Big Data, la dicultad de implementación de protocolos robustos para
garantizar la condencialidad y seguridad de la información del paciente, así como el cumplimiento
de las normativas y estándares éticos. La resistencia al cambio y la falta de capacitación pueden
obstaculizar la integración efectiva de estas tecnologías en la práctica médica diaria, la falta
REVISTA ODIGOS
QUITO-ECUADOR
2025
104
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
de coherencia entre las estrategias de salud pública y la implementación de la Big Data puede
dicultar la adopción generalizada y la sostenibilidad de estas soluciones (Serrano, 2017)
El presente artículo tuvo como objetivo evaluar y promover la ecacia de la Big Data como
instrumento integrador de datos polimórcos para optimizar la toma de decisiones en la
prevención, detección y tratamiento de enfermedades en el contexto de la salud ecuatoriana. Así
como también identicar y consolidar diversas fuentes de datos polimórcos como registros
médicos electrónicos, datos genómicos y variables ambientales, para obtener una visión holística
de la salud de la población ecuatoriana.
Por otro lado, el artículo buscó que a través de la investigación se pueda mejorar la infraestructura
tecnológica para facilitar la recopilación, almacenamiento y análisis ecientes de grandes
conjuntos de datos, garantizando la interoperabilidad de sistemas en el ámbito de la salud.
También se ha considera necesario establecer protocolos robustos de seguridad y privacidad para
proteger la condencialidad de los datos de salud, garantizando el cumplimiento de estándares
éticos y normativas legales vigentes.
El artículo planteó que es preciso implementar modelos predictivos basados en Big Data para
anticipar patrones de enfermedades, permitiendo una intervención temprana y estrategias de
prevención más efectivas. Además, se formularon recomendaciones basadas en hallazgos y
resultados obtenidos, con el objetivo de orientar el desarrollo y la implementación de políticas de
salud que incorporen de manera efectiva la Big Data en la gestión de enfermedades en el Ecuador.
Metodología
2.1 Marco Contextual
Como muchos otros países, Ecuador enfrenta desafíos signicativos en la gestión de
enfermedades crónicas que impactan de manera sustancial en la salud de su población. El
aumento de la prevalencia de enfermedades como diabetes, enfermedades cardiovasculares y
enfermedades respiratorias crónicas ha generado una presión considerable sobre el sistema de
salud. (Econ et al., 2011)
Por otro lado, la complejidad de la salud se reeja en la diversidad de factores que inuyen en
la aparición y progresión de enfermedades crónicas. Factores genéticos, socioeconómicos,
comportamentales y ambientales crean una trama polimórca que desafía las estrategias de
intervención tradicionales (Centro de Ciencias de la Complejidad, 2023).
En paralelo, los avances tecnológicos han propiciado una explosión de datos en salud. La
digitalización de registros médicos, el uso generalizado de dispositivos de monitoreo de salud y la
recopilación de datos epidemiológicos generan una cantidad masiva de información que, sin una
gestión adecuada, podría resultar abrumadora pero que, correctamente analizada, puede ser una
fuente invaluable de conocimiento. En este contexto, la Big Data se presenta como una herramienta
estratégica para abordar la complejidad de los datos en salud. Su capacidad para integrar y
REVISTA ODIGOS
QUITO-ECUADOR
2025
105
rodigos@uisrael.edu.ec
BIG DATA COMO INSTRUMENTO INTEGRADOR DE DATOS PARA LA TOMA DE DECISIONES EN LA PREVENCIÓN,
DETECCIÓN Y TRATAMIENTO DE ENFERMEDADES EN EL ECUADOR
analizar datos polimórcos permite una comprensión más precisa de los factores que contribuyen
a las enfermedades crónicas y, por ende, facilita la toma de decisiones más informada.
La comprensión de que la salud es única para cada individuo y resalta la necesidad de estrategias
personalizadas. La Big Data no solo ofrece una visión más amplia de las tendencias de salud
a nivel poblacional, sino que también permite identicar patrones especícos que respaldan la
personalización de intervenciones y tratamientos. A pesar de sus benecios, la implementación
efectiva de Big Data en la gestión de enfermedades crónicas enfrenta desafíos logísticos, éticos y
de seguridad de la información. El marco contextual también considera estas cuestiones y destaca
la necesidad de abordarlas para maximizar el potencial de la Big Data en el ámbito de la salud en
Ecuador.
2.2 Marco Conceptual
2.2.1 Big Data
Se reere a la recopilación, análisis y uso de grandes conjuntos de datos, que son demasiado
grandes y complejos para ser procesados por métodos tradicionales. (Mayer y Cukier, 2013).
El término Big Data hace referencia a los conjuntos de datos de mayor tamaño y complejidad
y volumen, procedentes de nuevas fuentes de datos, utilizados para abordar problemas
empresariales que antes no hubiera sido posible solucionar. (Oracle, 2020)
Posee tres características fundamentales, las cuales la identican de mejor manera, las cuales son:
• Volumen. - Procesamiento de grandes volúmenes de datos no estructurados de baja
densidad medidos en terabytes de datos e incluso cientos de petabytes.
• Velocidad. - Capacidad de procesamiento de datos en tiempo real
• Variedad. - Diversos tipos de datos disponibles de manera no estructurada y
semiestructurada, como el texto, audio o video.
REVISTA ODIGOS
QUITO-ECUADOR
2025
106
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Figura 1
Características Fundamentales de la Big Data
Fuente Propia
2.2.2 Big Data y la Medicina
La Big Data y la medicina tienen una relación cada vez más estrecha, ya que los datos médicos
se están volviendo cada vez más masivos y complejos. (Khoury y Ioannidis, 2014). El uso de la Big
Data en la medicina permite a los profesionales de la salud:
• Mejorar la calidad de atención: La Big Data permite a los médicos y enfermeros acceder a
información más precisa y actualizada sobre los pacientes, lo que ayuda a mejorar la calidad
de atención.
• Identicar patrones: Los datos médicos pueden ser analizados para identicar patrones y
tendencias en enfermedades y tratamientos, lo que ayuda a los profesionales de la salud a
tomar decisiones informadas sobre el cuidado de los pacientes.
• Mejorar la investigación: La Big Data también se utiliza para mejorar la investigación médica.
Los datos pueden ser utilizados para descubrir nuevos tratamientos y mejorar la ecacia de
los tratamientos existentes.
• Personalizar el tratamiento: La Big Data permite a los médicos personalizar los tratamientos
para cada paciente, lo que ayuda a mejorar los resultados y a reducir los efectos
secundarios.
• Mejorar la eciencia: La Big Data también se utiliza para mejorar la eciencia de los
sistemas de salud y reducir los costos.
REVISTA ODIGOS
QUITO-ECUADOR
2025
107
rodigos@uisrael.edu.ec
BIG DATA COMO INSTRUMENTO INTEGRADOR DE DATOS PARA LA TOMA DE DECISIONES EN LA PREVENCIÓN,
DETECCIÓN Y TRATAMIENTO DE ENFERMEDADES EN EL ECUADOR
Sin embargo, también es importante tener en cuenta los desafíos éticos y legales que se presentan
al trabajar con datos médicos personales y la necesidad de garantizar la privacidad y la seguridad
de los datos.
2.2.3 Integración de Datos
Es un conjunto de procesos utilizados para recuperar y combinar datos de fuentes heterogéneas en
información signicativa y valiosa (IBM, 2017). Las técnicas tradicionales de integración de datos
se basaban principalmente en el proceso ETL (extracción, transformación y carga) para ingerir y
limpiar datos y luego cargarlos en un almacén de datos.
Hoy en día, se recopilan grandes volúmenes de datos de muchas fuentes de datos heterogéneas
que generan datos en tiempo real con diferentes calidades, lo que se denomina Big Data.
La integración de Big data es un gran desafío, especialmente después de que las técnicas
tradicionales de integración de datos no lograron manejarla.
2.2.4 Integración de Datos Tradicional
Para integrar datos en entornos de aplicaciones mixtos, necesita obtener datos de un entorno de
datos (origen) a otro entorno de datos (destino). Para lograr esto, se han utilizado tecnologías de
extracción, transformación y carga (ETL) en entornos de almacenamiento de datos tradicionales.
(Hurwitz et al., 2013)
Las herramientas ETL combinan tres funciones importantes necesarias para obtener datos de un
entorno de datos y colocarlos en otro entorno de datos.
• Extraer: leer datos de la base de datos de origen.
• Transformar: convierte el formato de los datos extraídos para que se ajusten a los requisitos
de la base de datos de destino. (La transformación se realiza mediante el uso de reglas o la
combinación de datos con otros datos).
• Cargar: escribir datos en la base de datos de destino
Tradicionalmente, ETL se ha utilizado con procesamiento por lotes (datos del resto) en entornos de
almacenamiento de datos.
Los almacenes de datos brindan a los usuarios comerciales una forma de consolidar información
de fuentes dispares para analizar e informar sobre datos relevantes para su enfoque comercial
especíco. Las herramientas ETL se utilizan para transformar los datos al formato requerido por el
almacén de datos. En realidad, la transformación se realiza en una ubicación intermedia antes de
que los datos se carguen en el almacén de datos.
REVISTA ODIGOS
QUITO-ECUADOR
2025
108
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
2.2.5 Integración de Big Data
La integración de datos sanitarios se reere al proceso de recopilación, almacenamiento,
procesamiento y análisis de información relacionada con la salud de una población o individuo.
Este proceso es esencial para obtener una visión completa y precisa de la situación sanitaria,
permitiendo a los profesionales de la salud tomar decisiones informadas y desarrollar estrategias
efectivas.
La industria de la salud genera miles de millones de terabytes de datos de diversas fuentes. Los
registros de salud electrónicos y los registros médicos electrónicos son fuentes primarias de datos
de pacientes. Sin embargo, también existen fuentes de datos secundarias, incluidos los sistemas
de telemedicina y seguros, los sistemas de gestión de farmacias, los portales de pacientes,
las redes sociales y más. La tarea real es ingerir, procesar y consolidar estos datos y generar
conocimientos oportunos.
La integración de datos de salud implica combinar datos de varios puntos de contacto en un único
repositorio de datos consolidado. Estos datos se limpian y transforman durante el proceso para
que se puedan utilizar para informes y análisis, de modo que la salud los profesionales pueden
tomar decisiones informadas y basadas en datos.
Figura 2
Fuentes de Datos de la Salud.
Con esto se ha logrado identicar y consolidar diversas fuentes de datos polimórcos como se ve
en la Figura 1 donde constan registros médicos electrónicos, registros de salud electrónica, datos
de seguridad social de la salud, información de farmacias, datos generados por telemedicina, redes
REVISTA ODIGOS
QUITO-ECUADOR
2025
109
rodigos@uisrael.edu.ec
BIG DATA COMO INSTRUMENTO INTEGRADOR DE DATOS PARA LA TOMA DE DECISIONES EN LA PREVENCIÓN,
DETECCIÓN Y TRATAMIENTO DE ENFERMEDADES EN EL ECUADOR
sociales datos genómicos y variables ambientales, para obtener una visión holística de la salud de
la población ecuatoriana.
2.2.6 Infraestructura Tecnológica Sanitaria
Para poder tener fuentes de datos de la salud de calidad y de utilidad, es importante segmentar
cada fuente de datos y automatizar su proceso, para luego poder obtener una fuente de datos
de calidad. Este proceso se lo puedo lograr a través de la automatización de cada uno de sus
procesos a través de la generación de apps de recolección y generación de datos e información.
Figura 3
Infraestructura Tecnológicas Sanitarias.
A través de estos procesos automatizados, fácilmente se consigue mejorar la infraestructura
tecnológica para facilitar la recopilación, almacenamiento y análisis ecientes de grandes
conjuntos de datos, garantizando la interoperabilidad de sistemas en el ámbito de la salud.
2.2.7 Protección de Datos Sanitarios.
La protección de la condencialidad de los datos de salud es fundamental para garantizar la
privacidad de los individuos y cumplir con estándares éticos y normativas legales vigentes
(Grupo Antico34, 2022). A continuación, se describen algunos protocolos robustos de seguridad y
privacidad para lograr este objetivo:
• Encriptación de Datos: Utilizar protocolos de encriptación robustos para proteger la
integridad y condencialidad de los datos durante la transmisión y almacenamiento. Esto
incluye el uso de cifrado de extremo a extremo.
• Acceso Autorizado: Implementar sistemas de gestión de acceso que garanticen que solo
personas autorizadas tengan acceso a la información de salud. Esto implica la asignación
de roles y privilegios especícos a los usuarios según sus funciones y responsabilidades.
REVISTA ODIGOS
QUITO-ECUADOR
2025
110
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
• Auditoría de Acceso: Establecer registros de auditoría para realizar un seguimiento de quién
accede a los datos, cuándo lo hace y qué operaciones realiza. Esto facilita la identicación
de posibles violaciones de seguridad y la rendición de cuentas.
• Anonimización y Pseudonimización: Aplicar técnicas de anonimización o pseudonimización
a los datos siempre que sea posible. Esto implica eliminar o modicar la información que
podría identicar directamente a una persona, pero manteniendo la utilidad de los datos
para nes de investigación o análisis.
• Seguridad Física: Garantizar la seguridad física de los servidores y sistemas que almacenan
datos de salud. Esto incluye medidas como el control de acceso a las instalaciones, la
protección contra incendios y la prevención de intrusiones.
• Formación y Concientización: Proporcionar formación regular a todo el personal que
tenga acceso a datos de salud sobre las mejores prácticas de seguridad y privacidad. La
concientización es crucial para prevenir acciones no autorizadas o descuidadas.
• Cumplimiento Normativo: Asegurarse de cumplir con todas las normativas legales
pertinentes, como el Reglamento General de Protección de Datos (GDPR), la Ley de
Portabilidad y Responsabilidad del Seguro Médico (HIPAA) en Estados Unidos, u otras
regulaciones locales especícas.
• Evaluaciones de Riesgos y Vulnerabilidades: Realizar evaluaciones regulares de riesgos y
vulnerabilidades para identicar posibles puntos débiles en los sistemas de seguridad y
abordarlos proactivamente.
• Contratos y Acuerdos de Condencialidad: Establecer contratos y acuerdos de
condencialidad con terceros que tengan acceso a datos de salud para garantizar que
cumplan con los mismos estándares de seguridad y privacidad.
• Monitoreo Continuo: Implementar sistemas de monitoreo continuo para detectar actividades
sospechosas o anómalas que puedan indicar una posible brecha de seguridad.
La implementación de estos protocolos robustos de seguridad y privacidad contribuirá a proteger
la condencialidad de los datos de salud, garantizando el cumplimiento de estándares éticos y
normativas legales.
2.3 Selección de Herramientas y Técnicas
La integración de datos y la aplicación de herramientas de análisis también pueden permitir
desarrollar herramientas de apoyo a la toma de decisiones para médicos y otros profesionales de
la salud, como sistemas de alerta temprana de enfermedades crónicas, protocolos de seguimiento
de pacientes y recomendaciones personalizadas de tratamiento.
A continuación, se presenta un cuadro comparativo de algunas herramientas de Big Data que
pueden utilizarse para integrar datos polimórcos y ayudar en la toma de decisiones en la
prevención, detección y tratamiento de enfermedades crónicas en Ecuador:
REVISTA ODIGOS
QUITO-ECUADOR
2025
111
rodigos@uisrael.edu.ec
BIG DATA COMO INSTRUMENTO INTEGRADOR DE DATOS PARA LA TOMA DE DECISIONES EN LA PREVENCIÓN,
DETECCIÓN Y TRATAMIENTO DE ENFERMEDADES EN EL ECUADOR
Tabla 1
Herramientas de Big Data.
Herramienta Características Ventajas Desventajas
Hadoop Framework de procesamiento
distribuido de datos
Capacidad de procesar
grandes volúmenes de datos,
escalabilidad y exibilidad
Requiere personal altamente
capacitado y recursos
para su implementación y
mantenimiento
Spark Motor de procesamiento de
datos en memoria
Velocidad de procesamiento,
escalabilidad, integración con
otras herramientas de Big Data
Requiere recursos de memoria
y procesamiento signicativos,
puede ser complejo de
implementar
Cassandra Base de datos NoSQL
distribuida
Escalabilidad, capacidad de
procesar grandes volúmenes de
datos, alta disponibilidad
Requiere personal
capacitado y recursos
para su implementación y
mantenimiento
MongoDB Base de datos NoSQL orientada
a documentos
Escalabilidad, alta
disponibilidad, exibilidad en el
esquema de datos
Requiere personal
capacitado y recursos
para su implementación y
mantenimiento, puede tener
limitaciones en el rendimiento
para grandes volúmenes de
datos
Tableau Software de visualización de
datos
Interfaz fácil de usar, integración
con múltiples fuentes de
datos, capacidad de crear
visualizaciones interactivas
Limitaciones en la manipulación
de grandes volúmenes de datos,
requerimientos de licencias
costosas
R Lenguaje de programación para
análisis de datos
Capacidad de procesar y
analizar datos complejos,
amplia comunidad de usuarios y
desarrolladores
Requiere habilidades de
programación avanzadas,
puede tener limitaciones en
el rendimiento para grandes
volúmenes de datos
2.4 Modelos Predictivos basados en Big Data
La aplicación de modelos predictivos basados en Big Data para anticipar patrones de
enfermedades se convierte en una herramienta valiosa para la intervención temprana y la
implementación de estrategias de prevención más efectivas en el ámbito de la salud pública. Aquí
hay algunos pasos clave y consideraciones para desarrollar y aplicar estos modelos:
• Recopilación de Datos: Utilizar conjuntos de datos de gran volumen y variedad que abarquen
información relevante para la salud, como registros médicos electrónicos, datos de
laboratorio, datos demográcos, información climática y datos sociales.
REVISTA ODIGOS
QUITO-ECUADOR
2025
112
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
• Limpieza y Preprocesamiento de Datos: Realizar una limpieza exhaustiva de los datos para
eliminar valores atípicos, datos faltantes y errores. Aplicar técnicas de preprocesamiento
para estandarizar y normalizar los datos.
• Selección de Características: Identicar las variables más relevantes para predecir patrones
de enfermedades. La selección de características ayuda a reducir la complejidad del modelo
y mejora su rendimiento.
• Elección del Modelo Predictivo: Seleccionar el modelo predictivo adecuado según la
naturaleza de los datos y los objetivos especícos. Algunos modelos comunes incluyen
regresión logística, máquinas de soporte vectorial, redes neuronales y modelos de
aprendizaje profundo.
• Entrenamiento del Modelo: Utilizar conjuntos de datos históricos para entrenar el modelo.
Esto implica dividir los datos en conjuntos de entrenamiento y prueba para evaluar la
precisión y generalización del modelo.
• Validación y Evaluación: Validar el modelo utilizando conjuntos de datos adicionales y
técnicas como la validación cruzada. Evaluar el rendimiento del modelo en términos de
precisión, sensibilidad, especicidad y otras métricas relevantes.
• Desarrollo de Algoritmos de Aprendizaje Automático: Implementar algoritmos de aprendizaje
automático que permitan al modelo adaptarse y mejorar continuamente a medida que se
recopilan nuevos datos.
• Integración de Datos en Tiempo Real: Diseñar sistemas que puedan integrar datos en tiempo
real para mantener la actualidad del modelo y mejorar su capacidad predictiva.
• Interpretación de Resultados: Facilitar la interpretación de los resultados del modelo para
que los profesionales de la salud puedan entender las predicciones y tomar decisiones
informadas.
• Despliegue y Monitorización Continua: Implementar el modelo en entornos de producción
y establecer sistemas de monitorización continua para detectar posibles cambios en los
patrones de enfermedades y en el rendimiento del modelo.
• Consideraciones Éticas y de Privacidad: Asegurarse de que el uso de datos y modelos sea
ético y cumpla con las normativas de privacidad, protegiendo la información sensible de los
individuos.
Al implementar modelos predictivos robustos basados en Big Data para anticipar patrones de
enfermedades, se pueden obtener nuevos y novedosos procesos de intervención temprana y
estrategias de prevención más efectivas ya que se pueden adquirir factores como:
• Detección Precoz de Tendencias Emergentes
• Personalización de Estrategias de Prevención
• Optimización de Recursos
REVISTA ODIGOS
QUITO-ECUADOR
2025
113
rodigos@uisrael.edu.ec
BIG DATA COMO INSTRUMENTO INTEGRADOR DE DATOS PARA LA TOMA DE DECISIONES EN LA PREVENCIÓN,
DETECCIÓN Y TRATAMIENTO DE ENFERMEDADES EN EL ECUADOR
• Integración de Datos Diversos
• Aprendizaje Continuo
• Fomento de la Investigación
• Telemedicina y Monitoreo Remoto
• Colaboración Interdisciplinaria
• Retroalimentación en Tiempo Real
Resultados
Basándonos en hallazgos y resultados obtenidos, se presentaron algunas recomendaciones para
orientar el desarrollo e implementación de políticas de salud que incorporen de manera efectiva la
Big Data en la gestión de enfermedades en Ecuador:
• Desarrollo de Infraestructuras de Datos: Invertir en el desarrollo de infraestructuras de datos
sólidas y seguras que faciliten la recopilación, almacenamiento y análisis eciente de datos
de salud. Esto incluye la estandarización de formatos de datos y la interoperabilidad entre
sistemas de salud.
• Fomentar la Colaboración Interinstitucional: Establecer mecanismos de colaboración entre
instituciones de salud, organismos gubernamentales, universidades y la industria privada. La
colaboración puede facilitar el intercambio de datos, la investigación conjunta y el desarrollo
de soluciones innovadoras basadas en Big Data.
• Implementar Sistemas de Vigilancia Epidemiológica Avanzada: Desarrollar sistemas de
vigilancia epidemiológica basados en Big Data que permitan la detección temprana de
brotes, la monitorización en tiempo real de enfermedades y la identicación de patrones de
salud emergentes.
• Promover el Uso de Tecnologías de Telemedicina: Integrar la telemedicina y soluciones
de monitoreo remoto basadas en Big Data para mejorar el acceso a la atención médica,
especialmente en áreas remotas. Esto facilitará la intervención temprana y el seguimiento
continuo de pacientes.
• Enfocarse en la Prevención Personalizada: Utilizar modelos predictivos para identicar
grupos de población en mayor riesgo y desarrollar estrategias de prevención personalizadas.
Esto puede incluir campañas de concientización, programas de salud especícos y
seguimiento individualizado.
• Incorporar Educación y Concientización: Desarrollar programas educativos y de
concientización para profesionales de la salud, pacientes y la comunidad en general sobre
la importancia de la Big Data en la gestión de enfermedades; esto facilitará la aceptación y
adopción de nuevas tecnologías.
• Establecer Políticas de Privacidad y Seguridad: Implementar políticas de privacidad y
seguridad robustas para proteger la condencialidad de los datos de salud. Garantizar que
las prácticas cumplan con estándares éticos y normativas de privacidad vigentes.
REVISTA ODIGOS
QUITO-ECUADOR
2025
114
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
• Incentivar la Investigación y Desarrollo: Establecer incentivos para la investigación y
desarrollo en el campo de la salud basada en Big Data. Apoyar la creación de centros de
investigación y laboratorios que impulsen la innovación en el uso de datos para mejorar la
salud pública.
• Evaluar Continuamente el Impacto y la Eciencia: Establecer mecanismos de evaluación
continua para medir el impacto de las intervenciones basadas en Big Data en los resultados
de salud y la eciencia en la gestión de enfermedades. Utilizar los resultados para ajustar y
mejorar las políticas de salud.
• Promover la Participación Ciudadana: Fomentar la participación ciudadana en la gestión
de datos de salud. Informar a la población sobre cómo se utilizan los datos, garantizar la
transparencia y obtener el consentimiento informado para el uso de información personal.
• Capacitación y Desarrollo de Recursos Humanos: Proporcionar capacitación y desarrollo de
habilidades para profesionales de la salud y expertos en datos. La formación en análisis de
datos y tecnologías emergentes garantizará un uso efectivo de las herramientas basadas en
Big Data.
Conclusiones
La integración de datos sanitarios a través del uso de herramientas de Big Data ofrece una serie
de benecios signicativos para el sector de la salud. La integración de datos sanitarios mediante
herramientas de Big Data proporciona a los profesionales de la salud una visión más completa y
precisa de la información clínica y administrativa. Esto facilita la toma de decisiones informadas,
mejorando la calidad de la atención médica. La integración de datos también permite un enfoque
más personalizado en la atención al paciente. Los profesionales de la salud pueden acceder a un
historial médico completo y actualizado, lo que facilita un tratamiento más preciso y adaptado a
las necesidades individuales de cada paciente.
Además, la capacidad de procesar grandes volúmenes de datos en tiempo real permite una gestión
más eciente de los recursos sanitarios. Se pueden identicar patrones, tendencias y áreas de
mejora para optimizar los procesos clínicos y administrativos, reduciendo costos y mejorando la
eciencia operativa.
Por otro lado, la analítica de datos en tiempo real facilita la identicación de patrones que
pueden indicar la presencia de enfermedades. Esto permite una intervención temprana y medidas
preventivas, mejorando los resultados de salud y reduciendo los costos asociados a tratamientos
más avanzados. En este contexto, las herramientas de Big Data facilitan la colaboración entre
diferentes profesionales de la salud y organizaciones. La compartición segura de datos entre
instituciones médicas puede mejorar la coordinación del cuidado, especialmente en situaciones de
emergencia o tratamientos a largo plazo. Sin embargo, la integración de datos sanitarios mediante
Big Data plantea desafíos éticos y de privacidad pues resulta esencial implementar medidas
robustas de seguridad y cumplir con regulaciones estrictas para garantizar la condencialidad de
la información del paciente.
REVISTA ODIGOS
QUITO-ECUADOR
2025
115
rodigos@uisrael.edu.ec
BIG DATA COMO INSTRUMENTO INTEGRADOR DE DATOS PARA LA TOMA DE DECISIONES EN LA PREVENCIÓN,
DETECCIÓN Y TRATAMIENTO DE ENFERMEDADES EN EL ECUADOR
En conclusión, la integración de datos sanitarios a través de herramientas de Big Data tiene
el potencial de transformar radicalmente la prestación de servicios de salud. No obstante,
es crucial abordar los desafíos éticos y de seguridad para garantizar que se obtengan los
benecios sin comprometer la privacidad y la condencialidad de la información médica. Con una
implementación cuidadosa y considerada, estas tecnologías pueden contribuir signicativamente a
la mejora de la atención médica y los resultados de salud.
REVISTA ODIGOS
QUITO-ECUADOR
2025
116
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Referencias
Centro de Ciencias de la Complejidad (11 de septiembre de 2023). Complejidad en Salud y Ecología: Riesgos y
Datos. Centro de Ciencias de la Complejidad https://www.c3.unam.mx/talleres/taller-ComplejidadSaludyE-
cologia.html
Econ, R., Villacrés, N., y Henríquez, R. (2011). Sistema de salud de Ecuador. Salud Pública de México, 53(2). ht-
tps://www.scielo.org.mx/scielo.php?pid=S0036-36342011000800013&script=sci_abstract&tlng=pt
Grupo Antico34 (2022). Protección de Datos sanitarios y médicos (LOPDGDD y RGPD). Grupo Antico34.https://
protecciondatos-lopd.com/empresas/sanitarios/#:~:text=La%20protecci%C3%B3n%20de%20datos%20
sanitarios,deben%20tener%20una%20mayor%20protecci%C3%B3n.
Hurwitz, J., Nugent, A., Halper, F., y Kaufman, M. (2013). Big Data for Dummies. John Wiley & Sons.
IBM (30 de diciembre de 2017). Tailored data integration for your hybrid world. IBM. https://www.ibm.com/
analytics/data-integration
Jenkins, E. C., Velarde, M. C. (2018). Polymorphism as a Driver of Human Aging. Frontiers in Genetics. https://doi.
org/10.3389/fgene.2018.00563
Joyanes, L. (2016). Big Data: Análisis de Grandes Volúmenes de Datos en Organización. Alfaomega.
Khoury, M. y Ioannidis, J. (2014). Big data meets public health. Science, 346(6213), 1054-1055. 10.1126/scien-
ce.aaa2709
Mayer, V. y Cukier, K. (2013). Big Data: A Revolution That Will Transform How We Live, Work, and Think. Houghton
Miin Harcourt.
Mayer, V. y Cukier, K. (2013). Big Data. La Revolución de los datos masivos. Turner Publicaciones S.L.
Ministerio de Salud Pública del Ecuador (25 de julio de 2023). MSP implementará sistemas digitales para el
registro de información y atención oportuna de pacientes. Ministerio de Salud Pública del Ecuador. https://
www.salud.gob.ec/
Oracle (2020). Plataforma de Big Data. Oracle. https://www.oracle.com/es/big-data/
Serrano, C. (1 de septiembre de 2017). El Boom del Big Data en el Ecuador. A fondo. https://www.espol.edu.ec/
sites/default/les/docs_escribe/El%20Boom%20del%20Big%20Data.pdf
REVISTA ODIGOS
QUITO-ECUADOR
2025
117
rodigos@uisrael.edu.ec
BIG DATA COMO INSTRUMENTO INTEGRADOR DE DATOS PARA LA TOMA DE DECISIONES EN LA PREVENCIÓN,
DETECCIÓN Y TRATAMIENTO DE ENFERMEDADES EN EL ECUADOR
Vanacek, J. (9 de diciembre de 20132012). Cloud and Big Data are impacting the Human Genome. Touching 7
Billion Lives. Forbes. https://www.forbes.com/sites/sap/2012/04/16/how-cloud-and-big-data-are-impac-
ting-the-human-genome-touching-7-billion-lives/?sh=3125f4565609
REVISTA ODIGOS
QUITO-ECUADOR
2025
118
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Copyright (2024) © Fabián Lizardo Caicedo Goyes
Este texto está protegido bajo una licencia internacional Creative Commons 4.0.
Usted es libre para Compartir—copiar y redistribuir el material en cualquier medio o formato — y Adaptar
el documento — remezclar, transformar y crear a partir del material—para cualquier propósito, incluso para
nes comerciales, siempre que cumpla las condiciones de Atribución. Usted debe dar crédito a la obra
original de manera adecuada, proporcionar un enlace a la licencia, e indicar si se han realizado cambios.
Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del
licenciante o lo recibe por el uso que hace de la obra.
Resumen de licencia – Texto completo de la licencia
