Los recientes avances en los sistemas basados en EHR (Registros Electrónicos de Salud) han dado lugar a la producción de datos a un ritmo sin precedentes. Los datos complejos, en crecimiento y de alta dimensión disponibles en los EHR crean grandes oportunidades para técnicas de aprendizaje automático como el agrupamiento. El análisis de clústeres a menudo requiere reducción de dimensiones para lograr un tiempo de procesamiento eficiente y mitigar la maldición de la dimensionalidad. Dada la amplia gama de técnicas para la reducción de dimensiones y el análisis de clústeres, no es sencillo identificar qué combinación de técnicas de ambas familias conduce al resultado deseado. La capacidad de derivar conocimientos útiles y precisos de los EHR requiere una comprensión más profunda de los datos, resultados intermedios, parámetros de configuración y procesos de análisis. Aunque estas tareas a menudo se abordan por separado en estudios existentes, presentamos un sistema de análisis visual (VA), llamado Análisis Visual para el Análisis de Clústeres y la Reducción de Dimensiones de Registros Electrónicos de Salud de Alta Dimensión (VALENCIA), para abordar los desafíos de los EHR de alta dimensión en un solo sistema. VALENCIA ofrece una amplia gama de técnicas de análisis de clústeres y reducción de dimensiones, las integra sin problemas y las hace accesibles a los usuarios a través de visualizaciones interactivas. Ofrece una distribución equilibrada de la carga de procesamiento entre los usuarios y el sistema para facilitar el rendimiento de tareas cognitivas de alto nivel de tal manera que sería difícil sin la ayuda de un sistema VA. A través de un estudio de caso real, hemos demostrado cómo VALENCIA puede ser utilizado para analizar el conjunto de datos administrativos de atención médica almacenado en ICES. Esta investigación también destaca lo que se debe considerar en el futuro al desarrollar sistemas VA diseñados para derivar conocimientos profundos y novedosos sobre los EHR.