Dados públicos para enxergar pressão hospitalar antes que ela vire crise https://mindlink.app.br/
Pitch · Visão geral · Arquitetura · Execução · Oracle · Documentação · Equipe
Imagine que cada hospital seja uma caixa-d'água. As internações entram, os leitos representam a capacidade e os dias de permanência mostram por quanto tempo essa capacidade fica ocupada.
Os dados existem em lugares diferentes e chegam com atraso. A MindLink organiza essas informações para ajudar o gestor a perceber onde a pressão associada à demência está crescendo — sem tratar uma estimativa como se fosse disponibilidade de leito em tempo real.
Important
A MindLink não decide para onde um paciente deve ir. Ela transforma dados públicos em uma sinalização auditável para apoiar o planejamento.
| Etapa | Entrega |
|---|---|
| 01 · Coleta | Lê internações do SIH/SUS e identifica os CIDs F00, F01, F02, F03 e G30. |
| 02 · Critério clínico | Considera demência no diagnóstico principal e nos diagnósticos secundários. |
| 03 · Tratamento | Padroniza município, hospital, competência, faixa etária, permanência, valor e óbito. |
| 04 · Disponibilização | Agrega no mesmo grão do modelo Oracle e produz staging, validações e evidências. |
Note
Implementado, executado, evidenciado e planejado não significam a mesma coisa. A distinção abaixo protege a transparência técnica do projeto.
| Componente | Situação | O que podemos afirmar |
|---|---|---|
| ETL Python em modo demonstrativo | Executado e testado | O fluxo completo gera dados sintéticos determinísticos, valida qualidade e produz as stagings esperadas. |
| ETL com PySUS | Implementado, dependente da fonte | O código aceita coleta por UF, ano e mês. A execução depende da disponibilidade do PySUS/DATASUS e dos arquivos auxiliares de CNES e CID. |
| Apache Airflow | Executado | A DAG executou o ETL demonstrativo e validou a conexão com o Oracle. |
| Oracle Autonomous Database | Evidenciado na Sprint 3 | Staging, dimensões, fatos e views foram apresentados no ambiente da equipe. Nesta revisão, o acesso Oracle está indisponível e não foi reexecutado. |
| Contagem de 3.305 registros | Validada pela DAG | A DAG consultou a staging Oracle já existente e confirmou 3.305 registros. Ela não carregou esses registros nessa mesma execução. |
| Select AI | Dependente do ambiente Oracle | As perguntas e consultas de referência existem, mas a execução ao vivo exige perfil, credencial e acesso ao banco. |
| Previsão de leitos-dia (1 a 6 meses) | Protótipo funcional | O script sql/03_ml_previsao_mindlink.sql (job Python) roda uma regressão de tendência por município e grava a projeção em MINDLINK_PROJECAO_LEITOS, lida pela página "Planejamento Preditivo" do APEX. É uma tendência linear simples, não um modelo preditivo de produção validado. |
| Dashboard | Protótipo separado | A interface da fase anterior é demonstrativa e não é apresentada aqui como painel Oracle ao vivo. |
A MindLink adotou a arquitetura Lambda porque trabalha principalmente com bases públicas mensais, que precisam de histórico, reprocessamento e rastreabilidade. A camada batch está implementada. A camada de velocidade permanece prevista para fontes futuras mais frequentes; não há alegação de streaming em tempo real.
flowchart LR
A["SIH/SUS<br/>CNES · CID-10"] --> B["Batch Layer<br/>Python · Pandas · PySUS"]
B --> C["Qualidade<br/>e staging"]
C --> D["Serving Layer<br/>Oracle 26ai"]
D --> E["Views · análises<br/>Select AI"]
F["Speed Layer<br/>futura"] -.-> D
style A fill:#F5F2EC,stroke:#1E3A5F,color:#2D3142
style B fill:#0E7C7B,stroke:#0E7C7B,color:#fff
style C fill:#F5F2EC,stroke:#E07856,color:#2D3142
style D fill:#1E3A5F,stroke:#1E3A5F,color:#fff
style E fill:#F5F2EC,stroke:#0E7C7B,color:#2D3142
style F fill:#F5F2EC,stroke:#2D3142,color:#2D3142
Entenda cada camada em linguagem simples
- Batch Layer: organiza o histórico completo, como quem fecha e confere o estoque do mês.
- Serving Layer: deixa os dados prontos para consulta, como uma prateleira organizada.
- Speed Layer futura: serviria para atualizações mais rápidas, caso surjam fontes adequadas. Ela ainda não foi implementada.
Mais detalhes: arquitetura técnica.
| Dimensão | Definição |
|---|---|
| Território | Estado de São Paulo |
| Período documentado | Competências 202401 a 202512 |
| Unidade analítica | Competência × município × CNES |
| Fonte de internações | SIH/SUS, acessado programaticamente por PySUS quando disponível |
| Capacidade hospitalar | CNES |
| Critério clínico | CID-10 F00, F01, F02, F03 e G30 |
| Diagnósticos | Principal e secundários |
| IBGE | Referência metodológica; ainda não persiste como dimensão própria no modelo atual |
O modo demonstrativo prova o funcionamento do software sem internet, PySUS ou credenciais. Os valores gerados são sintéticos e não devem ser apresentados como resultado do SUS.
Executar a demonstração
python -m venv .venv
source .venv/bin/activate # Linux/macOS
# .venv\Scripts\activate # Windows
pip install -r requirements.txt
python src/mindlink_etl_sprint3_oracle.py --demoVer arquivos gerados
data/raw/mindlink_sih_raw_amostra.csv
data/processed/mindlink_internacoes_demencia_tratado.csv
data/processed/stg_mindlink_internacoes_python.csv
data/processed/stg_mindlink_comorbidades_python.csv
data/evidence/mindlink_resumo_etl.csv
Executar testes automatizados
pip install -r requirements-dev.txt
pytestO comando representa o caminho implementado para coleta real. Ele não faz parte do teste automatizado porque depende de disponibilidade externa e de arquivos oficiais auxiliares.
python src/mindlink_etl_sprint3_oracle.py \
--uf SP \
--anos 2024,2025 \
--meses 1,2,3,4,5,6,7,8,9,10,11,12 \
--cadastro-cnes-csv data/reference/cnes_lookup.csv \
--cid-csv data/reference/cid10.csvOs scripts oficiais estão separados por responsabilidade:
sql/01_ddl_mindlink_sprint3.sqlcria staging, dimensões, fatos, índices e views.sql/02_dml_mindlink_sprint3.sqlregistra a carga utilizada na entrega e promove os dados para o modelo analítico.sql/03_ml_previsao_mindlink.sqlé um job Python (extensão.sqlpor convenção do diretório) que projeta leitos-dia por município a partir do histórico observado e grava emMINDLINK_PROJECAO_LEITOS, tabela lida pela página "Planejamento Preditivo" do APEX. Detalhes emsql/README.md.- O ETL Python pode carregar as stagings com
--oracle-loadquando o ambiente e as credenciais estiverem disponíveis.
Caution
Credenciais, Wallet e arquivos brutos nunca devem ser versionados. Use .env.example somente como referência para os nomes das variáveis.
mindlink/
├── src/ ETL oficial da Sprint 3
├── dags/ DAG executada no Apache Airflow
├── sql/ DDL, DML e projeção preditiva do modelo Oracle
├── notebooks/ análise estatística e experimentos
├── tests/ testes locais sem dependência do Oracle
├── docs/ arquitetura, status e matriz de evidências
├── data/ instruções; dados gerados não são versionados
└── docs/history/ entrega anterior preservada como contexto
| Documento | Finalidade |
|---|---|
| Status técnico e limitações | Situação real de cada componente |
| Matriz de evidências | Relação entre alegações e comprovações |
| Jornada da arquitetura Lambda | Decisões e fluxo técnico |
| Evolução do repositório | Histórico das entregas |
Warning
Este projeto apoia planejamento. Ele não substitui regulação médica, decisão clínica ou informação hospitalar em tempo real.
- Cadastro de leitos não significa leito livre.
- A proxy de pressão não substitui regulação médica ou hospitalar.
- SIH/SUS e CNES não são fontes em tempo real.
- Diagnóstico secundário depende da qualidade de preenchimento da AIH.
- O recorte de CIDs é conservador e não cobre todas as etiologias de demência.
- Resultados de São Paulo não devem ser extrapolados automaticamente para todo o Brasil.
- Dados sintéticos do modo
--demoservem somente para teste do código.
| Integrante | RM |
|---|---|
| Ana Júlia Amorim | 572387 |
| Beatriz Dias da Silva | 569873 |
| Luana Ramos Rabelo | 570351 |
| Mariana Ishikawa | 572886 |
| Sthefany Feitosa da Silva | 568651 |
Challenge Oracle + FIAP 2026
MindLink transforma insight em conexão.