Modelo analítico para optimizar el programa de salud  
infantil “Juntos por una Sonrisa” en la provincia del Cañar,  
Ecuador  
Analytical model to optimize the child health program “Juntos por una  
Sonrisa” in Cañar Province, Ecuador  
Olger Antonio Cajamarca Criollo1  
Universidad Católica de Cuenca  
Cuenca Ecuador  
María Alejandra Aguirre Quezada  
Universidad Católica de Cuenca  
Azogues Ecuador  
Dora Elizabeth Jiménez Rivas  
Universidad Católica de Cuenca  
Azogues Ecuador  
Artículo recibido: 10 de noviembre de 2025. Aceptado para publicación: 17 de marzo de 2026.  
Conflictos de Interés: Ninguno que declarar.  
Resumen  
La digitalización de los sistemas de salud en América Latina genera grandes volúmenes de datos  
clínicos que, sin herramientas analíticas adecuadas, permanecen subutilizados. El programa “Juntos  
por una Sonrisa”, de atención médica odontológica infantil en la provincia del Cañar, Ecuador,  
enfrentaba este desafío: registros acumulados sin capacidad de transformarlos en conocimiento  
estratégico. El objetivo fue implementar un modelo de Business Intelligence (BI) que optimice la  
gestión de la información clínica y nutricional para fortalecer la toma de decisiones. Bajo un enfoque  
cuantitativo, se aplicó metodología Hefesto para construir un Data Warehouse con esquema de  
constelación; se empleó KNIME para los procesos de Extracción, Transformación y Carga (ETL), y  
Microsoft Power BI para la visualización interactiva. El universo comprendió 73.765 registros de  
población infantil (0 a 14 años). Los resultados evidenciaron una baja cobertura de atención: 0,71%  
en atención médica y 1,23% en odontología; el análisis nutricional reveló que el 41,25% de los casos  
presentó desnutrición aguda severa. Se concluye que la integración de procesos ETL con  
herramientas de visualización transforma datos operativos en conocimiento útil, permitiendo  
monitorear indicadores de salud en tiempo real y planificar intervenciones focalizadas. El modelo  
constituye un aporte replicable para otros programas de salud en la región andina.  
Palabras clave: business intelligence, data warehouse, metodología Hefesto, minería de datos,  
salud infantil, desnutrición  
1 Autor de correspondencia.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 75.  
Abstract  
The digitization of health systems in Latin America generates large volumes of clinical data that,  
without adequate analytical tools, remain underutilized. The "Together for a Smile" program, providing  
dental and medical care to children in the province of Cañar, Ecuador, faced this challenge:  
accumulated records without the capacity to transform them into strategic knowledge. The objective  
was to implement a Business Intelligence (BI) model to optimize the management of clinical and  
nutritional information and strengthen decision-making. Using a quantitative approach, the Hefesto  
methodology was applied to build a data warehouse with a constellation scheme; KNIME was used for  
the Extraction, Transformation, and Loading (ETL) processes, and Microsoft Power BI for interactive  
visualization. The study population comprised 73,765 records of children (0 to 14 years old). The  
results showed low coverage of care: 0.71% for medical care and 1.23% for dental care; the nutritional  
analysis revealed that 41.25% of the cases presented severe acute malnutrition. It is concluded that  
integrating ETL processes with visualization tools transforms operational data into useful knowledge,  
enabling real-time monitoring of health indicators and the planning of targeted interventions. This  
model represents a replicable contribution for other health programs in the Andean region.  
Keywords: business intelligence, data warehouse, hefesto methodology, data mining, child  
health, malnutrition  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,  
publicado en este sitio está disponibles bajo Licencia Creative Commons.  
Cómo citar: Cajamarca Criollo, O. A., Aguirre Quezada, M. A., & Jiménez Rivas, D. E. (2026). Modelo  
analítico para optimizar el programa de salud infantil “Juntos por una Sonrisa” en la provincia del  
Cañar, Ecuador. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 7 (2), 75 90.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 76.  
INTRODUCCIÓN  
“La combinación constante de innovación tecnológica y la creciente competencia convierte la gestión  
de la información en un gran desafío que requiere procesos de toma de decisiones basados en  
información confiable y oportuna, recopilada de fuentes internas y externas”(Burn & Loch, 2003).  
La creciente disponibilidad de datos en el ámbito de la salud ha transformado radicalmente la manera  
en que las instituciones gestionan sus procesos, evalúan resultados y proyectan intervenciones  
estratégicas. En el contexto latinoamericano, donde persisten desigualdades estructurales,  
limitaciones presupuestarias y brechas tecnológicas significativas, la implementación de sistemas  
avanzados de análisis de datos presenta tanto un desafío como una oportunidad para mejorar la toma  
de decisiones (Davenport & Harris, 2007). Tecnologías como Business Intelligence (BI), Data  
Warehouse (DW) y Minería de Datos (DM) han adquirido relevancia sustantiva como herramientas que  
transforman la información en conocimiento estratégico (Turban et al., 2011).  
En Ecuador, al igual que en la mayoría de los países de la región, se ha experimentado un proceso de  
digitalización de los sistemas de información en salud; sin embargo, la acumulación de datos no  
garantiza por sí sola su utilidad ni su impacto en la resolución de problemas críticos. La Organización  
Panamericana de la Salud (2020) destaca la necesidad urgente de integrar plataformas analíticas para  
fortalecer la vigilancia epidemiológica, la nutrición infantil y el seguimiento de enfermedades en  
poblaciones vulnerables. En ese contexto, la desnutrición crónica infantil en Ecuador afecta al 20,1%  
de los niños menores de 2 años (UNICEF Ecuador, 2023), posicionando al país como el segundo con  
mayores índices en América Latina después de Guatemala, con prevalencia especialmente elevada en  
la Sierra (32%) y en comunidades indígenas donde supera el 50% (León Valencia & others, 2021).  
Ante este panorama, el programa "Juntos por una Sonrisa" en la provincia del Cañar, en Ecuador,  
constituye una iniciativa de atención médica y odontológica para la población infantil que dispone de  
un sistema informático automatizado de historias clínicas. Sin embargo, la información acumulada no  
se traduce eficazmente en conocimiento útil para sus directivos, debido a limitaciones en su  
visualización y análisis. Este limitante dificulta la identificación de patrones de atención, la detección  
de zonas críticas y la planificación de intervenciones focalizadas.  
Justificación  
La presente investigación se justifica desde tres dimensiones complementarias. En el plan operativo,  
la implementación de un modelo de BI responde a una necesidad concreta del programa: transformar  
datos dispersos de información estratégica que permitan optimizar recursos y mejorar la cobertura de  
atención. Desde la perspectiva social, el estudio aporta evidencia empírica sobre la situación  
nutricional y de salud oral de la población infantil del Cañar, contribuyendo a fortalecer políticas  
públicas orientadas a reducir las brechas de desigualdad en salud. En el ámbito científico, la  
investigación contribuye con un modelo metodológico replicable que integra la metodología Hefesto,  
procesos ETL avanzados y herramientas de visualización modernas en un contexto de gestión sanitaria  
compleja, campo que aún requiere mayor profundización en la región andina (Roorda et al., 2024).  
La pertinencia del estudio se enmarca, además, en las políticas nacionales de Ecuador orientadas a  
combatir la desnutrición crónica infantil. La Encuesta Nacional de Desnutrición Infantil (ENDI 2022-  
2023) evidenció que, pese a avances recientes, la problemática nutricional persiste como desafío  
estructural que demanda intervenciones territoriales basadas en datos (Ministerio de Salud Pública del  
Ecuador, 2023).  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 77.  
Planteamiento del problema  
El programa “Juntos por una Sonrisa” ha logrado avances en la automatización de registros médicos;  
no obstante, la carencia de una herramienta de Business Intelligence limita el aprovechamiento  
estratégico de los datos almacenados. La información permanece en estado estático, generando una  
brecha entre la captura de datos y su utilización para la toma de decisiones administrativas y clínicas.  
Esta situación impacta negativamente en la calidad de atención prestada a la población infantil de la  
provincia del Cañar, afectando especialmente a los grupos más vulnerables.  
La fragmentación de los datos clínicos, nutricionales y geográficos, sumada a la inexistencia de una  
infraestructura analítica consolidada, impide a los directivos del programa identificar tendencias,  
monitorear indicadores clave y planificar campañas de salud basadas en evidencia. Este problema se  
agrava considerando que la provincia del Cañar presenta índices de desnutrición infantil  
significativamente superiores al promedio nacional, lo que demanda respuestas oportunas y  
focalizadas.  
Objetivos  
Objetivo General  
Implementar un modelo integral de Business Intelligence basado en la metodología Hefesto y  
procesos ETL eficientes, para optimizar la gestión de la información clínica, nutricional y  
odontológica del programa “Juntos por una Sonrisa” mediante la construcción de un Data  
Warehouse con esquema de constelación y cuadros de mando interactivos, que permitan  
mejorar la toma de decisiones estratégicas en salud infantil en la provincia del Cañar, Ecuador.  
Objetivos Específicos  
Identificar y analizar los requerimientos de información de los actores clave del programa, con  
el fin de definir identificadores estratégicos que apoyen la toma de decisiones en salud infantil  
Diseñar e implementar un proceso ETL robusto, que permita extraer, transformar y cargar datos  
clínicos, nutricionales y odontológicos, asegurando calidad, integridad y consistencia.  
Construir un Data Warehouse basado en un modelo multidimensional de constelación, para  
integrar múltiples hechos y dimensiones compartidas, facilitando el análisis de variables  
temporales, demográficas, antropométricas y geográficas.  
Desarrollar dashboards interactivos que visualicen indicadores clave de desempeño y detecten  
patrones y áreas críticas relacionados a la salud infantil.  
Evaluar el impacto del modelo de BI implementado en la optimización de la gestión de la  
información y en el fortalecimiento del proceso de toma de decisiones estratégicas del  
programa.  
Pregunta de investigación  
¿De qué manera la implementación de una solución de Business Intelligence (BI), basada en la  
metodología Hefesto y herramientas de visualización interactiva, puede optimizar la gestión  
de información clínica y nutricional del programa “Juntos por una Sonrisa”, facilitando la toma  
de decisiones estratégicas para mejorar la cobertura y calidad de la atención en salud infantil  
en la provincia del Cañar, ¿Ecuador?  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 78.  
METODOLOGÍA  
Diseño y enfoque de la investigación  
La presente investigación se caracteriza por su enfoque cuantitativo. Según (Carlessi & Meza, 2015),  
este tipo de exploración “sistemática, lógica y objetiva, tiende a organizar los datos en términos  
cuantitativos, logrando conocimientos que posteriormente pasan a comunicarse”. El diseño es no  
experimental, descriptivo y transversal, dado que se analizan datos históricos almacenados en el  
sistema de gestión de base de datos del programa sin intervención sobre las variables estudiadas. La  
investigación se estructura en cuatro fases alineadas con la metodología Hefesto: (1) análisis de  
requisitos de información con los actores clave; (2) análisis de las fuentes de datos transaccionales  
(OLTP) existentes; (3) diseño y construcción del Data Warehouse con esquema de constelación; y (4)  
desarrollo de los procesos ETL y cuadros de mando en Power BI.  
Participantes  
El universo estuvo conformado por 73.765 participantes (36.510 mujeres, 49,5%; 37.255 varones,  
50,5%) pertenecientes a la población infantil en la provincia del Cañar, con edades de 0 a 14 años. La  
distribución por grupos etarios fue menores de 1 año (2.133 mujeres, 50,06%; 2.128 varones, 49,94%),  
de 1 a 4 años (9.050 mujeres, 48,48%; 9.619 varones, 51,52%), de 5 a 9 años (12.020 mujeres, 50,12%;  
11.964 varones, 49,88%), y de 10 a 14 años (13.307 mujeres, 49,56%, 13.544 varones, 50,44%). Los  
datos corresponden al período 2021 2023, almacenados en el sistema JX1S-SOFTWARE (JX1S-  
SOFTWARE, 2023). Los criterios de inclusión contemplaron todos los resgistros de atención médica,  
odontológica y nutricional de niños y adolescentes de la provincia del Cañar inscritos en el programa  
durante el período del análisis.  
Técnicas e instrumentos de recolección de datos  
Los datos fueron obtenidos directamente de la base de datos transaccional del sistema informático  
JX1S-SOFTWARE del programa, que registra las historias clínicas de cada paciente. Las variables  
analizadas incluyeron: datos de identificación (edad, sexo, cantón de procedencia), indicadores de  
atención médica (fecha, tipo de consulta, diagnóstico), indicadores de atención odontológica  
(tratamientos realizados, frecuencia por cantón y sexo), indicadores nutricionales (peso, talla, índice  
de masa corporal, clasificación nutricional según estándares de la OMS, consumo de lactancia materna  
y fórmula). La calidad de los datos fue evaluada mediante el proceso ETL, identificándose y  
gestionándose problemas de duplicidad, valores faltantes, errores de codificación y registros  
incompletos.  
Procedimiento metodológico: Metodología Hefesto  
Se aplicó la metodología Hefesto para la construcción del almacén de datos, adoptando un esquema  
de constelación que integra múltiples tablas de hechos (atención médica, atención odontológica y  
estado nutricional) vinculadas por dimensiones compartidas de tiempo, paciente, ubicación geográfica  
y profesional de salud. El proceso ETL se implementó mediante KNIME a través de flujos de trabajo  
visuales que ejecutaron: (a) extracción directa de la base de datos transaccional; (b) transformación  
meiante limpieza de datos (eliminación de duplicados, corrección de errores de digitalción,  
estandarización de codificadores), derivación de indicadores calculados (IMC, tasa de peso,  
clasificación nutricional según estándares OMS) e integración de múltiles fuentes; y (c) carga en las  
tablas de hechos y dimensiones del Data Warehouse. Para la construcción de los cuadros de mando  
se utilizó Microsoft Power BI, seleccionando visualizaciones tipo treemap, mapas geográficos, gráficas  
de barras horizontales y tablas dinámicas según los principios de diseño de (Few, 2013).  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 79.  
DESARROLLO  
Business Intelligence en el sector salud  
El término Business Intelligence (BI) fue concebido por (Luhn, 1958), quien se refirió a la capacidad de  
transformar datos en conocimiento útil a partir de procesos sistematizados. (Turban et al., 2011),  
describen el BI moderno como un ecosistema integrado que combina Data Warehousing, Data Mining,  
OLAP, herramientas de visualización y analítica predictiva. (Chen et al., 2012) ampliaron esta visión  
señalando que el BI constituye un continuo que va desde el almacenamiento de datos hasta el análisis  
prescriptivo.  
En el sector salud, las aplicaciones de BI han demostrado un impacto significativo. (Wang et al., 2018)  
documentaron que la analítica avanzada mejora la gestión hospitalaria, reduce los tiempos de espera,  
optimiza los recursos y permite identificar patrones clínicos de importancia epidemiológica. En su  
revisión sistemática sobre BI en organizaciones de salud (Trincanato & others, 2024), concluyeron que  
los sistemas de BI facilitan la integración de datos clínicos y financieros, permitiendo decisiones más  
informadas sobre asignación de recursos y eficiencia operativa. (Shittu et al., 2024) señalaron que las  
herramientas de BI son especialmente valiosas para el análisis predictivo, permitiendo anticipar brotes  
epidemiológicos e identificar pacientes de alto riesgo con antelación.  
A nivel de gestión poblacional, (Roorda et al., 2024) realizaron una revisión sistemática de iniciativas  
de BI para la gestión de salud poblacional (Population Health Management), concluyendo que los  
sistemas de BI efectivos requieren una estrategia de datos coherente y una comprensión profunda de  
los contextos de decisión. En Latinoamérica, (Villamizar Ramírez & Morales Linares, 2021) identificaron  
la necesidad de gestionar eficientemente la información en programas de salud pública. En Brasil  
(Norões & Silva, 2022), propusieron cuadros de mando para el monitoreo de la salud infantil,  
evidenciando que los dashboards permiten identificar inequidades territoriales invisibles mediante  
indicadores agregados tradicionales.  
Data Warehouse y modelado multidimensional  
El diseño y construcción de un Data Warehouse ha sido ampliamente estudiado por (Inmon, 2005) y  
(Kimball & Ross, 2016), quienes coinciden en que la correcta modelación de datos es un factor  
determinante para el éxito de cualquier solución de BI. Inmon enfatiza una arquitectura corporativa  
integrada (enfoque top-down), mientras Kimball y Ross destacan el enfoque dimensional como el más  
adecuado para análisis multidimensionales orientados al usuario final. El esquema constelación,  
adoptado en la presente investigación, permite integrar múltiples tabals de hecho que comparten  
dimensiones comunes, facilitando el análisis simultáneo de variables médicas, odontológicas,  
nutricionales, geográficas y demográficas (Kimball & Ross, 2016) .  
Minería de datos en salud  
La minería de Datos (Data Mining) es definida como el proceso sistemático de explorar grandes  
volúmenes de información para descubrir patrones, relaciones, tendencias y estructuras previamente  
desconocidas mediante técnicas estadísticas y algoritmos de aprendizaje automático (Han et al.,  
2012). En estudios previosse demostró (Koh & Tan, 2011), demostraron que los algoritmos de  
clasificación permiten identificar grupos de riesgo, mientras que las técnicas de clustering facilitan  
segmentar poblaciones con características clínicas similares. Los autores (Shaikh & Memon, 2020),  
aplicaron minería de datos para evaluar factores determinantes de la desnutrición de niños,  
identificando patrones relacionados con condiciones socioeconómicas, acceso a servicios de salud y  
dependencias demográficas. Más recientemente, (Rahman, 2025), en un meta análisis sobre  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 80.  
aplicaciones de machine learning para predecir malnutrición infantil, concluyó que los modelos de  
Random Forest y Gradient Boosting presentan los mejores rendimientos predictivos en esos contextos.  
Proceso ETL y herramientas de visualización  
El proceso ETL (Extract, Transform, Load) es una fase crítica en la construcción de un Data Warehouse.  
Según(Inmon, 2005), los sistemas clínicos presentan altos niveles de ruido, duplicidad de registros,  
discrepancias de codificación y errores de digitación, lo que obliga a procesos rigurosos de validación  
y depuración. Para el presente estudio se empleó KNIMR, una plataforma de código abierto cuyo  
potencial para proyectos que combinan analítica de datos con aplicaciones en salud destaca (Ordenes  
& Silipo, 2021). Para la visualización se utilizó Microsoft Power BI, cuya capacidad para integrar datos  
y construir indicadores dinámicos es documentada por (Lachev & Price, 2018). (Few, 2013) destaca  
que los dashboards bien diseñados no solo presentan datos, sino que también comunican información  
clave de forma clara y comprensible para los tomadores de decisiones, principio rector del diseño de  
los cuadros de mando implementados.  
Metodología Hefesto  
La metodología Hefesto, constituye uno de los marcos más sólidos para el diseño e implementación  
de almacenes de datos en contextos institucionales complejos. De acuerdo con (Brizuela & Blanco,  
2013), comprende las etapas de: análisis de requisitos, análisis de los sistemas de procesamiento  
transaccional (OLTP), diseño del modelo lógico del almacén de datos, y el proceso ETL. (Silva Peñafiel  
et al., 2021) documentaron su implementación exitosa en instituciones ecuatorianas, donde permitió  
reducir la duplicidad de registros, mejorar la integridad de los datos y acelerar los procesos de análisis,  
constituyendo un referente de validación metodológica para la presente investigación.  
Contexto de la desnutrición infantil en Ecuador y el Cañar  
Ecuador enfrenta uno de los mayores desafíos nutricionales de América Latina. Según la ENDI 2022-  
2023, la desnutrición crónica infantil afecta al 20,1% de los niños menores de 2 años, con prevalencia  
especialmente elevada en zonas rurales de la Sierra, donde puede superar el 50% en comunidades  
indígenas (UNICEF Ecuador, 2023). (León Valencia & others, 2021) documentaron que los factores  
asociados incluyen la pobreza extrema, el acceso limitado a servicios básicos de salud y la insuficiente  
educación materna. La provincia del Cañar, ubicada en la Sierra Centro del Ecuador, presenta  
indicadores nutricionales especialmente preocupantes, con alta prevalencia de desnutrición crónica en  
cantones rurales y comunidades indígenas cañaris, lo que otorga pertinencia especialmente al  
presente estudio.  
RESULTADOS  
Los resultados se articulan en torno a cinco variables de análisis generadas a partir de los cuadros de  
mando implementados: a) personas atendidas por ubicación en el área médica y odontológica; b) tasa  
de peso; c) malnutrición identificada por tipo y ubicación; d) consumo de leche materna y fórmula por  
ubicación; e) tratamientos odontológicos más frecuentes con diagnósticos por ubicación y sexo.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 81.  
Personas atendidas por ubicación en el área médica y odontológica  
Gráfico 1  
Cuadro de Mando Integral pacientes Medicina  
Fuente: JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
Gráfico 2  
Cuadro de Mando Integral pacientes Odontología  
Fuente: JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
Del universo total de 73.765 niños y adolescentes menores de 14 años registrados en la provincia del  
Cañar, sólo el 0,71% (527 participantes) recibió atención médica y el 1,23% (905 participantes) recibió  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 82.  
atención odontológica, dentro del período analizado hasta el año 2023. Estas cifras evidencian una  
brecha significativa entre la población objetivo del programa y la cobertura efectivamente alcanzada,  
constituyendo un indicador estratégico crítico para la toma de decisiones.  
La atención médica se distribuyó de la siguiente manera: el 78,17% (412 participantes) en el Cantón  
Azogues, el 10,82% (57 participantes) en el Cantón Déleg, el 4,37% (23 participantes) en el Cantón La  
Troncal, y el 0,19% (1 participante) en el Cantón Cañar. En los cantones de Biblián y El Tambo no se  
registró atención médica (0%) (Figura 3). La atención odontológica se distribuyó de la siguiente  
manera: el 70,39% (637 participantes) en el cantón Azogues, el 11,27% (102 participantes) en el cantón  
Déleg, el 8,95% (81 participantes) en el cantón La Troncal, el 0,89% (8 participantes) en el cantón Biblián,  
el 0,77% (7 participantes) en el cantón Cañar y 0,11% (1 participante) en el cantón El Tambo (figura 4).  
Gráfico 3  
Treemap con Información relacionada a atención médica  
Gráfico JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
Gráfico 4  
Treemap con Información relacionada a atención odontológica  
Fuente: JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 83.  
Tasa de peso  
La gráfica horizontal presenta un resumen de la tasa de peso según el género. En el cantón Cañar, el  
valor más alto corresponde al sexo masculino (55%), indicando que más de la mitad de los niños  
evaluados presentan alteraciones relacionadas al peso. En el cantón Azogues, las tasas son similares  
entre sexos (27,83% hombres; 27,62% mujeres). En el Cantón Déleg, las tasas presentan poca  
diferencia entre ambos sexos, 25,84% para el género masculino y 26,14% para el femenino. En el  
Cantón La Troncal se observa una disparidad: 26,89 % masculino frente a 13,05% femenino (Figura 5).  
Gráfico 5  
Tasa de peso por cantón  
Fuente: JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
Malnutrición identificada por tipo y ubicación  
El análisis revela que la categoría más crítica, desnutrición aguda severa, afecta al 41,25% de (198  
participantes). En contraste, el 38,33% (184 participantes) se encuentra en el rango considerado como  
normal. La desnutrición aguda moderada representa el 13,96% (67 participantes). Las condiciones con  
exceso de peso aparecen en proporciones menores: 3,33% de la (16 participantes) riesgo de sobrepeso,  
1,67% (8 pacientes) sobre peso confirmado y 1,46% (7 participantes) obesidad (Figuras 6 y 7). La  
prevalencia de desnutrición aguda severa (41,25%) en la muestra atendida supera ampliamente el  
promedio nacional de desnutrición crónica (20,1%), reflejando la mayor vulnerabilidad de la población  
que accede al programa.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 84.  
Gráfico 6  
Distribución de los distintos estados de malnutrición en la población evaluada  
Fuente: JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
Gráfico 7  
Mapa de malnutrición por ubicación  
Fuente: JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
Consumo de leche materna y fórmula por ubicación  
El consumo de leche materna muestra una porción del 21,44% con respuesta afirmativa, frente a un  
2,09% que no la consumió, con un elevado porcentaje de registros sin respuesta (NR) del 76,06%. El  
registro de consumo de fórmula infantil presenta una proporción aún mayor de respuestas sin  
información (76,72%), con 14,80% que no la consumió frente a 8,54% que sí la consumió (Figuras 8 y  
9).Los cantones con mejor disponibilidad de datos (Déleg y La Troncal) muestran mayor prevalencia  
de lactancia materna sobre el consumo de fórmula, consistente con los patrones reportados a nivel  
regional (Organización Panamericana de la Salud (OPS/PAHO), 2023).  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 85.  
Gráfico 8  
Consumo de leche materna  
Fuente: JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
Gráfico 9  
Consumo de fórmula  
Fuente: JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
Tratamientos odontológicos más frecuentes  
El panel de control (figura 10), corresponde a 905 pacientes atendidos entre 2021 y 2023. La  
distribución geográfica revela una marcada concentración en el cantón Azogues (70,38%; 637  
pacientes), seguido por Déleg (11,27%; 102 pacientes), La Troncal (8,95%; 81 pacientes), Biblián (0,88%;  
8 pacientes), Cañar (0,77%; 7 pacientes), y El Tambo (0,11%; 1 paciente). Un 7,62% (69 pacientes) no  
tiene asociación a cantón específico. Este patrón es consistente con el observado en la atención  
médica, sugiriendo barreras de acceso sistemáticas en los cantones periféricos.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 86.  
Tabla 1  
Cuadro de Mando Integral con información relacionada a pacientes Odontológicos  
Fuente: JX1S-SOFTWARE (Ecuador Patente nº CUE-004870, 2023)  
DISCUSIÓN  
Los resultados obtenidos confirman la pertinencia de implementar soluciones de Business Intelligence  
en programas de salud infantil en contextos de alta vulnerabilidad. Los hallazagos se contrastan a  
continuación con investigaciones similares, identificando convergencias, divergencias y limitaciones  
del estudio.  
Respecto a la baja cobertura de atención, (0,71% médica y 1,23% odontológica), los hallazgos son  
consistentes (Villamizar Ramírez & Morales Linares, 2021), quienes identificaron que la principal  
contribución de los sistemas de BI en salud latinoamericana. Radica precisamente en visibilizar  
brechas de acceso que permanecen ocultas en sistemas de registro tradicionales. La capacidad del  
modelo implementado para cuantificar y geolocalizar estas brechas constituye un aporte diferencial  
respecto a los enfoques de gestión previos del programa.  
La prevalencia de desnutrición aguda severa del 41,25% en la población atendida es significativamente  
superior al promedio nacional del 20,1% (UNICEF, 2023), lo que sugiere que el programa atiende  
efectivamente a los grupos más vulnerables. Este hallazgo es comparable con (Norões & Silva, 2022),  
quienes en Brasil implementaron cuadros de mando para el monitoreo de la salud infantil y encontraron  
que la visualización de datos permite identificar inequidades territoriales invisibles mediante  
indicadores agregados. La diferencia radica en el enfoque: mientras (Norões & Silva, 2022) exploraron  
un protocolo de revisión, el presente estudio reporta evidencia empírica directa de un sistema operativo  
implementado.  
En el plano tecnológico, la combinación KNIME Power BI se alinea con lo documentado por (Shittu  
et al., 2024), quienes señalaron que las herramientas de BI de código abierto o bajo costo presentan  
ventajas significativas para organizaciones de salud en paises en desarrollo. A diferencia de estudios  
hospitalarios de gran escala como los de (Low et al., 2015) en Singapur o (Wang et al., 2018) en Estados  
Unidos, el presente estudio opera en el contexto de un programa social con restricciones de  
presupuesto e infraestructura tecnológica, lo que demandó un diseño ETL especialmente robusto para  
gestionar los problemas de calidad de datos identificados.  
La aplicación de la metodología Hefesto encontrón respaldo en (Silva Peñafiel et al., 2021), quienes  
reportaron resultados consistentes en instituciones ecuatorianas similares. La aportación específica  
del presente estudio reside en la adopción del esquema de constelación en lugar del esquema estrella  
habitual, permitiendo integrar simultáneamente los procesos de atención médica, odontológica y  
nutricional en un único entorno analítico.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 87.  
Una limitación revelvante es el elevado porcentaje de registros sin información en las variables de  
lactancia materna (76,06% NR) y consumo de fórmulas (76,72% NR), consistente con las deficiencias  
de calidad de datos en sistemas de información sanitaria de la región andina señaladas por la  
(Organización Panamericana de la Salud (OPS/PAHO), 2020). Esta limitación apunta a la necesidad de  
complementar la implementación del BI con procesos de capacitación en registro clínico y protocolos  
de captura de datos más robustos. Asimismo, el bajo procentaje de cobertura efectiva respecto al  
universo total limita la generalización de los hallazgos nutricionales al conjunto de la población infantil  
de la provincia.  
CONCLUSIÓN  
La implementación del modelo de Business Intelligence para el probrama “Juntos por una Sonrisa”  
demostró que la correcta selección metodológica y tecnológica es condición necesaria para  
transformar datos clínicos dispersos en conocimiento estratégico accionable. La combinación de la  
metodología Hefesto, procesos ETL sobre KNIME y visualizción en Poer BI generó una plataforma  
analítica que supera las limitaciones de los modelos tradicionales de gesitón de la información en  
salud.  
El proceso ETL bajo la metodología Hefesto se consolidó como el pilar técnico fundamental,  
posibilitando la integración, depuración y estructuración de datos de diversas fuentes para el análisis  
multidimensional. Los cuadros de mando desarrollados evidenciaron hallazgos críticos: bajo cobertura  
de atención (0,71% médica y 1,23% odontológica) y una situación nutricional alarmante (41,25% de  
desnutrición aguda severa), indicadores invisibles mediante los sistemas de registro previos que  
constituyen insumos directos para la planificación de intervenciones focalizadas.  
El modelo desarrollado sienta bases metodológicas y tecnológicas para su extensión a otras provincias  
de Ecuador, alineándose con las políticas nacionales de la Estrategia Ecuador Crece sin Desnutrición  
Infantil. La incorporación futura de variables socioeconómicas, eductivas y de acceso a saneamiento  
podría enriquecer significativamente el análisis multidimensional. Finalmente, el elevado porcentaje de  
datos faltantes en variables clave señala la necesidad de fortalecer los protocolos de registro clínico  
como condición para maximizar el valor analítico del sistema implementado.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 88.  
REFERENCIAS  
Brizuela, E. I. L., & Blanco, Y. C. (2013). Metodologías para desarrollar Almacén de Datos. Revista de  
Arquitectura e Ingeniería, 7(3), 112.  
Burn, J. M., & Loch, K. D. (2003). The societal impact of the World Wide Web-Key challenges for the 21st  
century. En Advanced Topics in Information Resources Management, Volume 2 (pp. 3251). IGI Global.  
Carlessi, H. S., & Meza, C. R. (2015). Metodología y diseños en la investigación científica. Business  
Support  
Aneth.  
arlessi_coaguila_valdivia_compress.pdf  
Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to  
Big Impact. MIS Quarterly, 36(4), 11651188. https://doi.org/10.2307/41703503  
Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard  
Business School Press.  
Few, S. (2013). Data Visualization for Human Perception. En: The Encyclopedia of Human-Computer  
Interaction.  
Han, J., Pei, J., & Kamber, M. (2012). Data Mining: Concepts and Techniques (3a ed.). Morgan  
Kaufmann.  
Inmon, W. H. (2005). Building the Data Warehouse (4a ed.). Wiley.  
JX1S-SOFTWARE. (2023). Sistema JX1S-SOFTWARE (Número CUE-004870).  
Kimball, R., & Ross, M. (2016). The Data Warehouse Toolkit: The Definitive Guide to Dimensional  
Modeling (3a ed.). Wiley.  
Koh, H. C., & Tan, G. (2011). Data Mining Applications in Healthcare: A Review. Journal of Healthcare  
Information Management, 19(2), 6472.  
Lachev, T., & Price, E. (2018). Applied Microsoft Power BI (3rd Edition): Bring Your Data to Life! (3rd ed.).  
Prologika Press.  
León Valencia, M. A., & others. (2021). La desnutrición infantil en Ecuador. Una revisión de la literatura.  
Boletín de Malariología y Salud Ambiental, LXI(4), 556564.  
Low, L. L., Lee, K. H., Hock Ong, M. E., Wang, S., Tan, S. Y., Thumboo, J., & Liu, N. (2015). Predicting 30-  
Day Readmissions: Performance of the LACE Index Compared with a Regression Model among General  
Medicine  
Patients  
in  
Singapore.  
BioMed  
Research  
International,  
2015,  
169870.  
Luhn, H. P. (1958). A Business Intelligence System. IBM Journal of Research and Development, 2(4),  
Ministerio de Salud Pública del Ecuador. (2023). Resultados de la primera Encuesta Especializada  
sobre Desnutrición Infantil (ENDI) 20222023.  
Norões, I. J. A. de, & Silva, A. C. e. (2022). DASHBOARDS PARA ACOMPANHAMENTO E PROMOÇÃO  
DA SAÚDE DA CRIANÇA: UM PROTOCOLO DE REVISÃO DE ESCOPO. RECIMA21 - Revista Científica  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 89.  
Ordenes, F. V, & Silipo, R. (2021). Machine learning for marketing on the KNIME Hub: The development  
of a live repository for marketing applications. Journal of Business Research, 137, 393410.  
Organización Panamericana de la Salud (OPS/PAHO). (2020). Transformación digital del sector salud  
Rahman, Md. M. (2025). Machine Learning in Predicting Child Malnutrition: A Meta-Analysis of  
Demographic and Health Surveys Data. International Journal of Environmental Research and Public  
Roorda, E., Bruijnzeels, M., Struijs, J., & Spruit, M. (2024). Business intelligence systems for population  
health  
management:  
a
scoping  
review.  
JAMIA  
Open,  
7(4),  
ooae122.  
Shaikh, S., & Memon, A. (2020). Predicting Childhood Malnutrition Using Data Mining Techniques.  
International Journal of Advanced Computer Science and Applications, 11(5), 310318.  
Shittu, R. A., Ehidiamen, A. J., Ojo, O. O., Zouo, S. J. C., Olamijuwon, J., Omowole, B. M., & Olufemi-Phillips,  
A. Q. (2024). The role of business intelligence tools in improving healthcare patient outcomes and  
operational efficiency. World Journal of Advanced Research and Reviews, 24(2), 10391060.  
Silva Peñafiel, G. E., Estrada Velasco, M. V, Cusco Vinueza, V. A., & Córdova Vaca, A. M. (2021).  
Implementación de un Data Warehouse mediante la metodología Hefestos para la toma de decisiones  
en el Instituto Nacional de Patrimonio Cultural Regional 3. Dominio de las Ciencias, 7(3), 11161135.  
Trincanato, E., & others. (2024). Business intelligence and the leverage of information in healthcare  
organizations from a managerial perspective: a systematic literature review and research agenda.  
Turban, E., Sharda, R., & Delen, D. (2011). Decision Support and Business Intelligence Systems (9a ed.).  
Pearson.  
UNICEF Ecuador. (2023). Desnutrición crónica infantil.  
Villamizar Ramírez, L. M., & Morales Linares, N. M. (2021). Usos de business intelligence en el sector  
salud  
en  
Latinoamérica.  
Una  
revisión  
de  
literatura.  
Wang, Y., Kung, L., & Byrd, T. A. (2018). Big Data Analytics: Understanding Its Capabilities and Potential  
Benefits for Healthcare Organizations. Technological Forecasting and Social Change, 126, 313.  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en este  
sitio está disponibles bajo Licencia Creative Commons  
.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, marzo, 2026, Volumen VII, Número 2 p 90.