Ahora, la recolección y análisis de datos se están volviendo cada vez más importantes en una variedad de dominios de aplicación, a medida que las nuevas tecnologías avanzan. Al mismo tiempo, estamos experimentando una creciente necesidad de interacción humano-máquina con sistemas expertos, lo que impulsa la investigación hacia nuevos modelos de representación del conocimiento y paradigmas de interacción. En particular, en los últimos años, la eSalud-que generalmente indica todas las prácticas de atención médica apoyadas por la elaboración electrónica y las comunicaciones remotas-exige la disponibilidad de un entorno inteligente y grandes recursos computacionales capaces de ofrecer análisis cada vez más avanzados y nuevos paradigmas de interacción humano-computadora. El objetivo de este documento es introducir el sistema HOLMeS (sugerencias médicas en línea de salud): una plataforma de big data particular destinada a apoyar varias aplicaciones de eSalud. Como su principal novedad/funcionalidad, HOLMeS explota un algoritmo de aprendizaje automático, implementado en un entorno de computación en clúster, para proporcionar sugerencias médicas a través de módulos de chat-bot y web-app, especialmente con fines de prevención. El chat-bot, convenientemente entrenado aprovechando un enfoque de aprendizaje profundo, ayuda a superar las limitaciones de una interacción fría entre usuarios y software, exhibiendo un comportamiento más humano. Los resultados obtenidos demuestran la efectividad de los algoritmos de aprendizaje automático, mostrando un área bajo la curva ROC (característica operativa del receptor) (AUC) del 74.65% cuando se utilizan algunas características de primer nivel para evaluar la ocurrencia de diferentes enfermedades crónicas dentro de rutas de prevención específicas. Cuando se añaden características específicas de enfermedades, HOLMeS muestra un AUC del 86.78%, logrando una mayor efectividad en el apoyo a decisiones clínicas.