La digitalización sanitaria ha transformado de manera profunda la producción de conocimiento biomédico. Hospitales, laboratorios, sistemas de información clínica y dispositivos conectados ya no solo sostienen la actividad asistencial, sino que generan de forma continua grandes volúmenes de información potencialmente reutilizable.
La Organización Mundial de la Salud señala que los datos de salud incluyen la información generada durante la prestación asistencial, como las historias clínicas electrónicas, los registros de enfermedades, los ensayos clínicos y otros sistemas sanitarios. Además, subraya que su uso secundario puede contribuir a mejorar la planificación, la innovación y la investigación biomédica.
En este contexto, la medicina contemporánea está evolucionando desde un modelo basado principalmente en la experiencia clínica individual hacia otro en el que la evidencia se genera también a partir de datos masivos, longitudinales y heterogéneos. Es decir, datos procedentes de múltiples fuentes, recogidos a lo largo del tiempo y representativos de situaciones clínicas reales. Sin embargo, esta transformación no depende únicamente de “tener muchos datos”. El verdadero valor biomédico del dato clínico aparece cuando existe capacidad para capturarlo, integrarlo, validarlo, protegerlo y ponerlo a disposición de procesos analíticos robustos. Dicho de otro modo: sin ingeniería de datos, la medicina digital no es viable.
Esta afirmación no es retórica, sino que refleja un problema estructural. La propia OMS ha identificado en Europa obstáculos persistentes relacionados con la fragmentación de iniciativas, las barreras de interoperabilidad y la necesidad de aplicar principios y métodos reconocidos internacionalmente para evaluar y comunicar la calidad del dato.
La sanidad como generadora de datos
Cada acto clínico deja hoy una huella digital. Una consulta, una prescripción, una analítica, una resonancia magnética o la monitorización domiciliaria de un paciente crónico producen información susceptible de almacenamiento y análisis. Esta producción continua de datos convierte al sistema sanitario en una de las infraestructuras de información más complejas de la sociedad contemporánea. No se trata solo de volumen, sino también de variedad, velocidad de generación y dependencia del contexto clínico. Por eso, los datos sanitarios no pueden tratarse como simples registros administrativos: son recursos críticos para la asistencia, la investigación traslacional y la toma de decisiones organizativas.
Entre las principales fuentes de datos clínicos destacan, en primer lugar, las historias clínicas electrónicas. Estas contienen información estructurada y no estructurada sobre diagnósticos, antecedentes, medicación, procedimientos y evolución. Su interés para la investigación biomédica es enorme porque reúnen datos del mundo real a gran escala y permiten estudios longitudinales, fenotipado y desarrollo de modelos de aprendizaje automático. Sin embargo, esa misma riqueza va acompañada de limitaciones de significado, exactitud y reutilización, especialmente cuando los datos han sido capturados con fines asistenciales y no analíticos.
En segundo lugar, las pruebas diagnósticas generan capas adicionales de información: resultados de laboratorio, imagen médica, electrocardiografía, espirometría u otras señales fisiológicas. Se trata de datos técnicamente densos, a menudo multimodales, que incrementan la precisión diagnóstica pero también exigen infraestructuras capaces de armonizar formatos, metadatos y tiempos de adquisición. La complejidad crece cuando estos resultados deben combinarse con los registros clínicos narrativos para obtener una visión integrada del paciente.
En tercer lugar, los datos genómicos y multiómicos ocupan una posición central en la medicina personalizada. La literatura reciente subraya que la integración de múltiples capas ómicas permite comprender salud y enfermedad mejor que cada una por separado, y que su viabilidad clínica actual depende de avances en bioinformática, ciencia de datos e inteligencia artificial. Precisamente por su altísima dimensionalidad, estos datos muestran con claridad que la medicina de precisión no puede sostenerse solo con técnicas estadísticas; requiere canalizaciones de datos, modelos de integración y gobernanza técnica bien definidos.
Por último, los registros continuos procedentes de sensores, wearables y dispositivos de monitorización remota añaden una dimensión temporal inédita. Estos sistemas permiten medir variables fisiológicas de forma no invasiva y casi continua, acercando la observación clínica al entorno real del paciente. Su potencial para la vigilancia, la prevención y el seguimiento es notable, pero su uso genera nuevos problemas: ruido, artefactos, heterogeneidad de dispositivos, frecuencia de muestreo variable y necesidad de procesamiento en tiempo real o casi real.
El papel de la ingeniería de datos en medicina digital
La ingeniería de datos es el conjunto de prácticas que permite convertir datos dispersos y crudos en información fiable, trazable y reutilizable. En sanidad, su función es especialmente crítica porque el error no solo afecta a la eficiencia computacional, sino que puede traducirse en daño clínico, sesgo diagnóstico o pérdida de confianza institucional. La revisión sistemática de Lewis y colaboradores muestra que, aunque la reutilización de datos de historia clínica electrónica crece de forma sostenida, todavía no existe un enfoque estándar para evaluar su calidad; además, dimensiones como completitud, corrección, concordancia, plausibilidad, actualidad, conformidad y sesgo deben ser verificadas explícitamente antes de cualquier uso secundario.
Un primer componente es el almacenamiento distribuido y escalable. La medicina digital requiere arquitecturas capaces de gestionar grandes volúmenes de información clínica, imagen, secuencias moleculares y flujos continuos de sensores sin comprometer disponibilidad ni trazabilidad. Pero el almacenamiento por sí solo no resuelve el problema: los datos deben además ser localizables, comprensibles y combinables entre sistemas. De ahí la importancia de la interoperabilidad, para la cual estándares como HL7 FHIR buscan que la información sanitaria sea intercambiable electrónicamente y, además, estructurada y estandarizada para posibilitar soporte a la decisión y procesamiento automatizado.
Un segundo componente es la calidad e integridad del dato. En la práctica clínica real son frecuentes los valores perdidos, la duplicidad de registros, las discordancias semánticas, los errores de codificación y las inconsistencias temporales. Estos problemas no son meramente técnicos: un modelo predictivo entrenado con datos incompletos o mal armonizados puede aparentar buen rendimiento retrospectivo y fallar al desplegarse en pacientes reales. Por eso, la validación de reglas, la normalización terminológica, la auditoría de procedencia y la evaluación sistemática de calidad forman parte del núcleo de la ingeniería de datos sanitaria.
Un tercer componente es la protección de la privacidad. Los datos clínicos son especialmente sensibles y el marco europeo los considera una categoría especialmente protegida. El RGPD establece que los datos relativos a la salud reciben protección reforzada y que el tratamiento de datos personales debe respetar principios como exactitud, seguridad, integridad y confidencialidad. En el ámbito biomédico, esto obliga a diseñar procesos de anonimización o seudonimización, control de acceso, cifrado y evaluación de riesgos desde la propia arquitectura de datos, no como una medida añadida al final del proyecto.
Un cuarto componente es la gestión del sesgo. Los sistemas de inteligencia artificial clínica pueden amplificar desigualdades si los datos de entrenamiento representan peor a ciertos grupos, si arrastran decisiones históricas injustas o si se aplican fuera del contexto en que fueron desarrollados. Una revisión reciente en npj Digital Medicine define el sesgo en IA sanitaria como una diferencia sistemática e injusta en la generación de predicciones entre poblaciones y advierte que este problema puede agravar disparidades asistenciales. En consecuencia, la ingeniería de datos debe incorporar diversidad muestral, evaluación estratificada, documentación del ciclo de vida del dato y estrategias explícitas de mitigación.
Los datos clínicos como activo estratégico
Hablar de los datos clínicos como “activo estratégico” no significa reducir la medicina a un recurso económico. Significa reconocer que un dato bien gobernado tiene valor asistencial, científico y organizativo. Permite generar evidencia en condiciones reales, optimizar circuitos clínicos, identificar riesgos de forma temprana, personalizar terapias y orientar políticas sanitarias. La OMS subraya precisamente que el uso secundario del dato puede apoyar la planificación, la asignación de recursos y la innovación, siempre que se resuelvan los problemas de calidad, intercambio y protección.
Ahora bien, su valor estratégico es inseparable de su fragilidad. Los datos clínicos son sensibles, complejos, contextuales y difíciles de interpretar fuera del proceso asistencial que los produjo. Un registro aparentemente simple —por ejemplo, una saturación de oxígeno o un valor de creatinina— puede cambiar de significado según el dispositivo, el momento clínico, la técnica analítica o la población de referencia. En consecuencia, una gestión deficiente del dato puede invalidar estudios, deteriorar la reproducibilidad y comprometer la seguridad del paciente. La literatura sobre calidad de datos en HCE insiste en que la ausencia de métodos estandarizados de evaluación limita la transparencia, la comparabilidad y la interoperabilidad de los resultados derivados.
Desde esta perspectiva, la ingeniería de datos no es una fase de soporte, sino una condición de posibilidad. Un hospital puede digitalizar miles de procesos y aun así no estar preparado para medicina basada en datos si sus fuentes permanecen fragmentadas, si la calidad no se mide, si la semántica no está armonizada o si la gobernanza legal es insuficiente. La acumulación de información no equivale a conocimiento clínico; solo una infraestructura técnica y normativa madura transforma el dato en un activo estratégico.
Base de la medicina basada en datos y de la IA clínica
La medicina basada en la evidencia, en su versión contemporánea, ya no depende exclusivamente de ensayos clínicos clásicos o revisiones sistemáticas. Cada vez se apoya más en la capacidad de generar evidencia a partir de datos clínicos del mundo real.
Del mismo modo, los modelos predictivos de riesgo y la inteligencia artificial clínica necesitan datos suficientemente completos, bien etiquetados, interoperables y representativos para que sus resultados sean útiles fuera del entorno experimental. El problema central no es solo la disponibilidad de algoritmos, sino la calidad del ecosistema de datos que los alimenta.
Esto resulta aún más evidente en la medicina personalizada. La integración de historias clínicas, pruebas diagnósticas, variables ambientales, señales de monitorización y datos genómicos o multiómicos ofrece una visión más precisa de la variabilidad biológica y clínica de cada paciente.
Pero esta integración solo es posible cuando existen pipelines reproducibles, modelos de interoperabilidad, ontologías compartidas, controles de calidad y criterios de privacidad que permitan combinar escalas de información muy diferentes. En este sentido, la personalización terapéutica es, en gran medida, un problema de ingeniería de datos bien resuelto.
Conclusión
Los datos clínicos constituyen hoy uno de los activos más importantes de la medicina contemporánea, pero su valor no reside en la mera acumulación. La sanidad digital produce información masiva a partir de historias clínicas electrónicas, pruebas diagnósticas, datos multiómicos y sensores conectados; sin embargo, esa riqueza solo se convierte en conocimiento útil cuando interviene una ingeniería de datos capaz de asegurar escalabilidad, interoperabilidad, calidad, trazabilidad, privacidad y control del sesgo. La consecuencia es clara: la medicina digital no fracasa por falta de algoritmos, sino con frecuencia por debilidades en la arquitectura y gobernanza del dato. Para el ámbito universitario de la biomedicina, esta idea tiene una implicación decisiva: formar profesionales en análisis biomédico sin formarles también en ingeniería y gobernanza del dato supone dejar incompleta la base técnica de la medicina del siglo XXI.
Referencias bibliográficas
EUROPEAN PARLIAMENT; COUNCIL OF THE EUROPEAN UNION. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data (General Data Protection Regulation) [en línea]. Official Journal of the European Union, 2016 [consulta: 29 marzo 2026]. Disponible en: https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng
HASANZADEH, F.; PATEL, S.; SHARMA, K.; et al. Bias recognition and mitigation strategies in artificial intelligence healthcare applications. npj Digital Medicine [en línea]. 2025, vol. 8 [consulta: 29 marzo 2026]. Disponible en: https://www.nature.com/articles/s41746-025-01503-7
LEWIS, A. E.; ZOZUS, M. N.; WANG, Z.; et al. Electronic health record data quality assessment and tools: a systematic review. Journal of the American Medical Informatics Association [en línea]. 2023 [consulta: 29 marzo 2026]. Disponible en: https://pmc.ncbi.nlm.nih.gov/articles/PMC10531113/
WORLD HEALTH ORGANIZATION. Improving health-care delivery and innovation through secondary use of health data [en línea]. Copenhagen: WHO Regional Office for Europe, s. f. [consulta: 29 marzo 2026]. Disponible en: https://www.who.int/europe/health-topics/digital-health/improving-health-care-delivery-and-innovation-through-secondary-use-of-health-data
