Data lakes en Salud

Un data lake en salud es una arquitectura que permite reunir datos heterogéneos, en distintos formatos y niveles de procesamiento, para que puedan ser consultados, vinculados y reutilizados con distintos fines. Puede recibir datos estructurados, como códigos diagnósticos, fechas, prestaciones o resultados de laboratorio; semiestructurados, como mensajes HL7/FHIR, archivos XML o JSON; y no estructurados, como notas clínicas, imágenes, informes narrativos o documentos escaneados.

La diferencia con un data warehouse no es solo técnica. En un data warehouse, la organización suele definir antes un modelo estable de datos para tableros, indicadores, reportes financieros o métricas de calidad. En un data lake, la lógica es más flexible: se conservan datos de múltiples fuentes, incluso en formatos originales, para procesarlos después según preguntas clínicas, operativas, poblacionales o de investigación.

En salud, esa flexibilidad puede ser valiosa porque la información nace dispersa. Historias clínicas electrónicas, turnos, facturación, farmacia, imágenes, laboratorio, dispositivos, registros poblacionales y datos administrativos rara vez fueron diseñados para dialogar entre sí. El data lake aparece, entonces, como una respuesta posible a esa fragmentación.

La evidencia revisada muestra usos en arquitecturas de big data sanitario, integración de datos clínicos y genómicos, gestión municipal, visualización para planificación, investigación clínica, evidencia de mundo real y consultas asistidas por modelos de lenguaje. El hilo común es claro: el valor no está en acumular datos, sino en convertir datos dispersos en información confiable para decidir.

Qué muestra la evidencia

Los trabajos recientes describen a los data lakes como infraestructuras para integrar fuentes diversas y adaptarse a necesidades concretas, como auditoría, analítica, investigación clínica o gestión de servicios [1]. Algunas experiencias muestran arquitecturas híbridas en la nube que combinan datos clínicos y genómicos, con acceso regulado por flujos de gobernanza y metadatos ricos [2].

Para la gestión sanitaria, los casos más interesantes son aquellos en los que la arquitectura se conecta con decisiones reales. En Río de Janeiro, un health data lake formó parte de un ecosistema digital municipal que integró información y una aplicación ciudadana vinculada con turnos, exámenes, vacunación e información regulatoria [3]. En Mississippi, los data lakes y la visualización de datos se propusieron como herramientas para abordar acceso a la atención, planificación de fuerza laboral y toma de decisiones basada en evidencia [4].

Estos ejemplos ayudan a poner el concepto en su lugar. Un data lake puede ampliar la capacidad de mirar problemas complejos, pero no transforma por sí solo. Necesita procesos, responsables, reglas de uso y decisiones que efectivamente dependan de esa información.

Usos posibles en organizaciones de salud

En hospitales, redes y sistemas de información, un data lake puede servir para integrar datos clínicos y administrativos, construir cohortes, monitorear resultados, planificar capacidad instalada, seguir poblaciones de riesgo o apoyar investigaciones. También puede facilitar el desarrollo de evidencia de mundo real cuando aprovecha datos producidos durante la atención.

Los data hubs y repositorios institucionales muestran ese potencial. El Neuro Data Hub, por ejemplo, busca mejorar la accesibilidad a datos y capacidades de investigación, aunque advierte que su implementación puede quedar limitada por la infraestructura informática institucional [5]. Iniciativas como DataCastle o los marcos hospitalarios para transformar datos asistenciales en evidencia de mundo real apuntan a la misma dirección: reutilizar datos rutinarios sin perder trazabilidad, calidad ni control [6, 7].

Para financiadores y gestores, el punto no es solo analítico. Un buen uso puede ayudar a identificar brechas de acceso, variaciones injustificadas, poblaciones con mayor necesidad, circuitos ineficientes o resultados que no se estaban midiendo. Pero para eso la arquitectura debe estar atada a preguntas de gestión, no a una promesa abstracta de innovación.

Gobernanza antes que volumen

El riesgo más frecuente es confundir escala con valor. Un data lake mal gobernado puede convertirse en un depósito costoso: muchos datos, poca documentación, baja confianza, accesos confusos y escasa utilidad para quienes deben tomar decisiones.

Por eso hacen falta metadatos, reglas de acceso, controles de calidad, interoperabilidad, seguridad, trazabilidad y responsabilidades explícitas. Los datos de salud fueron producidos para atender, registrar, facturar o coordinar; no siempre para investigar o gestionar. Pueden ser incompletos, inconsistentes, ambiguos o difíciles de comparar. La evidencia sobre uso secundario de datos de historia clínica electrónica insiste justamente en la necesidad de registros estructurados, no ambiguos y evaluables en términos de calidad [10].

La gobernanza también protege derechos. Cuanto más integrada está la información, mayor puede ser el impacto de un error de interpretación, un acceso indebido o una reutilización sin controles. El valor del data lake depende tanto de su potencia técnica como de sus límites institucionales.

Inteligencia artificial y nuevas formas de consulta

La aparición de modelos de lenguaje agrega una capa nueva. Algunos estudios exploran cómo consultar data lakes mediante grandes modelos de lenguaje, o large language models (LLM), sin exponer directamente datos sensibles [8, 9]. La promesa es reducir barreras técnicas para que más usuarios puedan hacer preguntas sobre bases complejas.

Pero esa promesa trae condiciones. Los modelos pueden inventar campos, interpretar mal estructuras, recuperar información incompleta o producir respuestas convincentes sobre datos que no fueron bien mapeados. En este contexto, la inteligencia artificial puede facilitar el acceso, pero no reemplaza la curación de datos, el control semántico ni la gobernanza.

Qué debería preguntarse un gestor

La pregunta útil no es solamente si una organización necesita un data lake. La pregunta más concreta es para qué problema se lo construye: qué datos requiere, quién los valida, bajo qué reglas se usan, quién puede acceder, qué decisiones se espera mejorar y cómo se evaluará si produjo valor.

Un data lake puede ser razonable para integrar fuentes dispersas, sostener investigación, monitorear resultados, gestionar poblaciones, planificar servicios o apoyar modelos predictivos. También puede ser prematuro si la organización todavía no resolvió problemas básicos de calidad de datos, codificación, interoperabilidad, seguridad o capacidades analíticas.

En ese sentido, no es una compra aislada. Es una intervención organizacional. Requiere tecnología, pero también acuerdos entre áreas clínicas, administrativas, legales, de sistemas y de gestión. Sin esa capa de trabajo, la infraestructura queda elegante en el papel y débil en la práctica.

Síntesis

Los data lakes pueden ser una pieza importante de la salud digital cuando ayudan a integrar datos dispersos y convertirlos en información accionable. Su valor aparece cuando se conectan con decisiones sobre acceso, planificación, investigación, resultados, coordinación del cuidado o aprendizaje institucional.

No son una solución autosuficiente. Su éxito depende menos del volumen de datos acumulado que de la calidad, la gobernanza, la interoperabilidad, la seguridad, las capacidades analíticas y la madurez organizacional que los rodea.

En síntesis: un data lake no es el lago. Es la infraestructura, las reglas y las capacidades que permiten navegar los datos sin perderse.

Referencias

1. Helder Prado Santos, Methanias Colaço Júnior, Ricardo Valentim, João Paulo Queiroz Dos Santos, Marcia Elizabeth Marinho da Silva, Luiz Affonso Henderson Guedes de Oliveira, et al. Scientific and technological mapping of big data architectures in healthcare. Frontiers in Public Health. 2026. doi:10.3389/fpubh.2026.1775715
2. Apollo McOwiti, Heidi Dowst, Fei Zheng, Susan Hilsenbeck, Christopher Amos. A hybrid cloud data lake architecture supporting the integration of clinical and genomics data. Health Informatics Journal. 2025. doi:10.1177/14604582251353440
3. Fernanda Adães Britto, Juliana Paranhos Moreno Batista, Fabiana Lustosa Gaspar, André Luis Paes Ramos, Fernanda Pinheiro Aguiar, Juliana Jenifer da Silva Araújo Cunha, et al. Digital health ecosystem in the municipality of Río de Janeiro, Brazil: the experience of the creation of the minhasaude.rio application. Ciência & Saúde Coletiva. 2026. doi:10.1590/1413-81232026315.00272026
4. Denise D Krause. Data Lakes and Data Visualization: An Innovative Approach to Address the Challenges of Access to Health Care in Mississippi. Online Journal of Public Health Informatics. 2015. doi:10.5210/ojphi.v7i3.6047
5. Xu Han, Anton Alyakin, Shannon Ciprut, Cathryn Lapierre, Jaden Stryker, John Golfinos, et al. Neuro Data Hub: A New Approach for Streamlining Medical Clinical Research. Neurosurgery Practice. 2025. doi:10.1227/neuprac.0000000000000162
6. Jori Kern, Markus Katharina Brechtel, Tim Schumacher, Martin Lablans, Tobias Kussel. DataCastle: A Pragmatic Approach for Research and Real-World Data Management. Studies in Health Technology and Informatics. 2026. doi:10.3233/SHTI260407
7. Laura Antenucci, Chiara Iacomini, Edoardo Pompei, Pierluigi Rogati, Gianluigi Buccomino, Stefano Patarnello, et al. Transforming Hospital Data into Real-World Evidence for Clinical Research: Insights into a Scalable Framework at Fondazione Policlinico Gemelli Hospital. Studies in Health Technology and Informatics. 2026. doi:10.3233/SHTI260446
8. Frederic Ehrler, Florian Singer, Deniz Geçer, Julien Houeix, Emmanuel Durand. Leveraging Large Language Models with Retrieval-Augmented Generation for Semantic Mapping of Clinical Data Lakes to SNOMED CT. Studies in Health Technology and Informatics. 2026. doi:10.3233/SHTI260288
9. Frederic Ehrler, Florian Singer, Deniz Geçer, Julien Houeix, Emmanuel Durand. Querying Healthcare Data Lake Using LLMs Without Direct Data Exposure: A Feasibility Study. Studies in Health Technology and Informatics. 2026. doi:10.3233/SHTI260287
10. Hanna M Tolonen, Jouni Kaukovuori, Marja Airaksinen, Anna-Riia Holmström. Are electronic health record big data ready for secondary use in research? Exploring potential limitations with opioids as a case study. Health Informatics Journal. 2025. doi:10.1177/14604582251363501