©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

Análise cirúrgica

O poder dos metadados no mercado da saúde

A integração eficiente de dados estruturados e não estruturados, aliada à governança robusta, é a base para avanços na medicina de precisão

Gustavo Meirelles

11 de agosto de 2025 e atualizado em 13 de agosto de 2025

8 min de leitura

Imagine entrar em uma sala de cirurgia caótica, com instrumentos cirúrgicos espalhados e a equipe buscando encontrar as ferramentas certas exatamente quando são necessárias. Em um ambiente tão desorganizado, até mesmo o cirurgião mais habilidoso enfrentaria dificuldades para atuar eficientemente. Agora, contraste isso com uma equipe cirúrgica bem preparada, onde cada instrumento é meticulosamente posicionado e a sinergia entre o cirurgião e a equipe se assemelha a um balé perfeitamente coreografado. Cada ferramenta é entregue no momento exato, conduzindo a um procedimento cirúrgico suave e bem-sucedido.

Essa diferença marcante destaca a importância da organização e precisão, não apenas na cirurgia, mas também na gestão de dados de saúde. Da mesma forma que uma mesa cirúrgica desorganizada pode prejudicar o desempenho, consumir dados de saúde sem uma estrutura adequada pode ser igualmente caótico. 

A revolução no armazenamento de dados

A organização eficiente dos dados é fundamental em qualquer sistema de armazenamento e é nesse contexto que os metadados se destacam. Metadados são informações que descrevem outras informações, como a origem, o formato e o contexto dos dados armazenados. Eles são fundamentais para a organização, a busca e a utilização dos dados, facilitando a compreensão e a análise.

Em ambientes tradicionais, como os data warehouses, os dados são organizados de forma estruturada, o que possibilita análises complexas e detalhadas. Esses sistemas são eficazes para armazenar dados estruturados e suportar análises específicas, mas apresentam limitações quando o desafio é lidar com grandes volumes ou dados não estruturados.

Para lidar com a crescente complexidade e volume dos dados, surgiram os data lakes. Diferentemente dos data warehouses, os data lakes armazenam dados de forma estruturada e não estruturada, oferecendo maior flexibilidade. Isso é particularmente útil na área da saúde, onde os dados podem variar de prontuários eletrônicos (EHRs) e relatórios de laboratório a notas clínicas e imagens de tomografias computadorizadas e ressonâncias magnéticas. Os data lakes permitem a coleta e o armazenamento de grandes volumes de dados de diferentes formatos e fontes. No entanto, sem uma governança adequada, esses sistemas podem se tornar desorganizados e difíceis de manejar. 

Nesse contexto, os data lakehouses emergem como uma evolução natural, combinando as melhores características dos data lakes e dos data warehouses. Eles integram dados estruturados e não estruturados em uma plataforma híbrida que une a flexibilidade dos data lakes à robustez analítica dos data warehouses. O diferencial dos data lakehouses está na camada de governança e nos metadados, que assegura a organização, a qualidade e a usabilidade dos dados.

Governança para dados mais eficientes

A governança de dados envolve a gestão, controle e organização dos dados para garantir sua qualidade, segurança e usabilidade. Os metadados permitem que os dados armazenados sejam facilmente localizáveis, compreensíveis e utilizáveis tanto para análises tradicionais quanto para modelos de aprendizado de máquina. A estrutura em camadas dos data lakehouses, combinada com uma governança robusta e um gerenciamento eficiente de metadados, é fundamental para garantir a eficiência e a eficácia desses sistemas.

No data lakehouse, os dados são organizados em três camadas principais:

• Camada bruta (raw layer): armazena os dados diretamente da fonte em seu estado original, garantindo flexibilidade e a integridade dos dados originais.
• Camada curada (curated layer): armazena dados limpos, refinados, filtrados e agregados, fornecendo uma base confiável para análises e relatórios de alta qualidade.
• Camada final (final layer): adaptada às necessidades específicas de negócios ou projetos, organizada para atender demandas específicas de segurança, performance e aplicação prática, como dashboards clínicos ou relatórios de gestão.

Essa organização em camadas assegura que os dados estejam prontos para suportar análises eficazes e o desenvolvimento de modelos de aprendizado de máquina, promovendo uma tomada de decisão mais informada e melhorias significativas nos cuidados aos pacientes.

Data lakehouses e a evolução da medicina de precisão

Os data lakehouses desempenham um papel fundamental na implementação de ferramentas de saúde, possibilitando a construção de algoritmos de apoio à decisão treinados com a própria base de dados. Tais algoritmos podem ser utilizados, por exemplo, para sinalizar indícios precoces de piora clínica ou desvios em relação aos protocolos estabelecidos. Esse ciclo de feedback em tempo real assegura que desvios dos protocolos de cuidado sejam prontamente abordados, melhorando a qualidade do atendimento ao paciente.

A medicina está avançando rapidamente em direção à medicina de precisão, onde tratamentos e intervenções são adaptados a cada paciente com base em seus fatores genéticos, ambientais e de estilo de vida. Essa mudança requer uma infraestrutura robusta de dados, pois envolve tratar cada paciente como um caso único (n=1). Os data lakehouses são essenciais nesse contexto, permitindo a integração e análise de grandes volumes de dados diversificados.

Bases de dados bem estruturadas e enriquecidas são cruciais para treinar algoritmos de aprendizado de máquina que suportam a medicina de precisão. Esses modelos podem aproveitar grandes quantidades de dados, desde informações genômicas até resultados de ensaios clínicos, para desenvolver planos de cuidado personalizados.

No entanto, o sucesso dessas soluções depende da qualidade dos dados e da supervisão dos profissionais de saúde, também chamada de “human-in-the-loop”. Os médicos devem avaliar esses modelos para garantir que estejam alinhados com os protocolos básicos de cuidado e minimizar o risco de iatrogenia devido à má qualidade dos dados. Mantendo altos padrões de integridade dos dados e validação das análises, a indústria da saúde pode usar efetivamente big data para melhorar os resultados dos pacientes e avançar na medicina de precisão.

À medida que a saúde avança rumo a uma cultura orientada por dados, a governança se torna essencial para transformar volume em valor. A adoção de sistemas como os data lakehouses permite decisões clínicas mais precisas, promovendo a medicina de precisão e melhorando os desfechos para os pacientes. O futuro já começou — e ele exige dados organizados, confiáveis e usados com responsabilidade.

* Artigo escrito em parceria com Lucas Fonoli, médico, executivo em saúde, cientista de dados e arquiteto de soluções.

Gostaria de participar da Comunidade Inovação em Saúde, composta por mais de 12.000 integrantes no Brasil e na América Latina? Clique aqui para entrar no grupo de WhatsApp em português e aqui para entrar no grupo em espanhol.