Transformando dados de saúde em informação para apoiar decisões.
Challenge Oracle + FIAP | Data Science | 2026
O Medlytics é uma solução de inteligência de dados desenvolvida para apoiar a análise da estrutura hospitalar e do perfil de atendimento do Sistema Único de Saúde (SUS).
O projeto integra diferentes fontes de dados da área da saúde, realiza o tratamento e a organização dessas informações por meio de um pipeline de dados e disponibiliza indicadores em dashboards interativos.
A solução permite analisar aspectos como distribuição de estabelecimentos, leitos, estrutura de UTIs, internações, diagnósticos, CIDs e diferenças estruturais entre regiões.
Dados dispersos → Dados tratados → Informação → Análise → Apoio à decisão
O sistema público de saúde gera grandes volumes de dados provenientes de diferentes fontes e sistemas.
Quando essas informações permanecem distribuídas entre bases distintas, a análise integrada da infraestrutura hospitalar e do perfil de atendimento se torna mais complexa.
O Medlytics busca reduzir essa fragmentação por meio de uma solução capaz de consolidar, tratar e transformar esses dados em informações analíticas.
Entre os principais pontos analisados estão:
- distribuição de estabelecimentos hospitalares;
- quantidade de leitos existentes;
- quantidade de leitos destinados ao SUS;
- estrutura de leitos de UTI;
- diferenças estruturais entre municípios e regiões;
- volume de internações;
- principais diagnósticos e CIDs;
- governança e rastreabilidade dos dados.
O Medlytics foi estruturado em diferentes componentes que trabalham em conjunto durante o ciclo dos dados.
| Componente | Função |
|---|---|
| 🗃️ Fontes de Dados | Dados hospitalares, estruturais e de internações |
| ⚙️ Engenharia de Dados | Ingestão, tratamento e transformação |
| 🥉🥈🥇 Medallion Architecture | Organização em Bronze, Silver e Gold |
| 🌬️ Apache Airflow | Orquestração do pipeline |
| 🐳 Docker | Execução e isolamento do ambiente Airflow |
| 🗄️ Oracle | Armazenamento e consultas aos dados |
| 📊 Power BI | Dashboards e indicadores |
| 🤖 Aly | Interação com dados em linguagem natural |
| 🛡️ Governança | Qualidade, ética, segurança e rastreabilidade |
O pipeline do Medlytics foi desenvolvido para organizar o processamento dos dados desde sua forma bruta até a disponibilização para análises.
A estrutura segue o conceito de Medallion Architecture, dividindo o processamento em três camadas.
A camada Bronze preserva os dados próximos ao formato original da fonte.
Nela são armazenados os dados brutos antes da aplicação das principais transformações.
A camada Silver contém os dados após processos de limpeza e preparação.
Entre os tratamentos realizados estão:
- padronização;
- conversão de tipos;
- tratamento de dados;
- validação dos registros;
- preparação dos atributos;
- criação de informações necessárias às análises.
A camada Gold contém os dados preparados para consumo analítico.
Essa camada é utilizada como uma das bases para os indicadores e visualizações desenvolvidos no projeto.
Entre os atributos analíticos preparados durante o processamento estão informações relacionadas a:
- estabelecimentos;
- municípios;
- regiões;
- leitos existentes;
- leitos SUS;
- UTIs;
- percentual de leitos SUS;
- presença de estrutura de UTI.
O Apache Airflow foi utilizado para orquestrar o pipeline de dados do Medlytics.
A DAG desenvolvida no projeto organiza as etapas de processamento e permite acompanhar a execução das tarefas responsáveis pela transformação dos dados.
O ambiente do Airflow foi executado com Docker, permitindo organizar os serviços necessários para execução do pipeline em containers.
A implementação utilizada no projeto pode ser encontrada em:
medlytics-airflow/
├── dags/
│ └── medlytics_pipeline.py
└── docker-compose.yaml
O Cadastro Nacional de Estabelecimentos de Saúde (CNES) fornece informações relacionadas à infraestrutura dos estabelecimentos de saúde.
No Medlytics são utilizados atributos relacionados a:
- estabelecimentos;
- municípios;
- regiões;
- tipo de gestão;
- leitos existentes;
- leitos SUS;
- UTIs;
- características dos estabelecimentos.
O Sistema de Informações Hospitalares do SUS (SIH/SUS) compõe a frente de análise das internações hospitalares.
Esses dados permitem explorar informações relacionadas a:
- internações;
- diagnósticos;
- doenças;
- códigos CID;
- distribuição regional;
- indicadores relacionados às internações.
O projeto também utiliza dados geográficos para construção das análises territoriais, incluindo as Regiões Administrativas do Estado de São Paulo.
Esses dados permitem relacionar municípios às respectivas regiões e construir as visualizações geográficas utilizadas no Power BI.
O Oracle Autonomous AI Database faz parte da arquitetura de dados do Medlytics.
O ambiente Oracle foi utilizado para estruturar e trabalhar com dados relacionados ao projeto, incluindo tabelas hospitalares e consultas SQL.
O repositório também disponibiliza os scripts DDL e DML utilizados para representar a estrutura das tabelas.
database/
└── sql/
└── ddl/
└── dml/
O projeto também explorou recursos do Oracle Select AI, permitindo trabalhar com consultas em linguagem natural sobre informações armazenadas no ambiente Oracle.
Os scripts relacionados ao Select AI utilizados durante o desenvolvimento estão disponíveis em:
database/
└── select-ai/
Essa frente representa uma das possibilidades de evolução da interação inteligente com os dados dentro da arquitetura do Medlytics.
O Power BI representa a camada de visualização e análise do Medlytics.
O dashboard foi desenvolvido seguindo a identidade visual do projeto e reúne indicadores, mapas, rankings, filtros e análises relacionadas à estrutura hospitalar e às internações.
- 🏥 estabelecimentos hospitalares;
- 🛏️ leitos existentes;
- 💚 leitos destinados ao SUS;
- 🚑 estrutura de UTIs;
- 🗺️ distribuição regional;
⚠️ risco estrutural relativo;- 🦠 internações por doença;
- 🧬 análises por CID;
- 📍 comparações entre regiões e municípios.
O arquivo final do projeto está disponível no diretório:
power-bi/
└── Medlytics_bifinal.pbix
O Dashboard Geral oferece uma visão consolidada dos principais indicadores analisados pelo Medlytics.
A página reúne informações sobre a infraestrutura hospitalar e permite visualizar rapidamente indicadores relacionados a estabelecimentos, leitos SUS e estrutura de UTI.
Também são apresentadas análises relacionadas ao risco estrutural regional e ao volume de internações por doença.
O mapa permite comparar a estrutura hospitalar entre as diferentes Regiões Administrativas do Estado de São Paulo.
A classificação utiliza três níveis visuais:
🔴 Crítico
🟠 Atenção
🟢 Estável
O indicador representa uma classificação estrutural relativa, construída a partir dos dados disponíveis no projeto.
Ele não representa risco clínico ou disponibilidade hospitalar em tempo real.
A área de internações permite analisar o perfil dos diagnósticos presentes nos dados utilizados pelo projeto.
Entre as informações analisadas estão:
- total de internações;
- principais doenças;
- códigos CID;
- distribuição por região;
- variação dos indicadores disponíveis na base.
A Aly é a interface de interação em linguagem natural desenvolvida para a experiência do Medlytics.
Em vez de depender exclusivamente da navegação entre diferentes páginas e gráficos, o gestor pode realizar perguntas diretamente sobre os dados.
Exemplos:
💬 Quantos leitos existem em Campinas?
💬 Qual região possui maior número de internações?
💬 Quais são os CIDs mais frequentes?
Na demonstração final do projeto, a experiência interativa utiliza o recurso de Perguntas e Respostas (Q&A) do Power BI, conectado ao modelo semântico utilizado pelo dashboard.
Isso permite transformar perguntas em linguagem natural em respostas e visualizações analíticas.
O Medlytics possui uma área dedicada às Fontes de Dados, permitindo apresentar a origem das informações utilizadas na solução.
Essa camada contribui para a transparência e rastreabilidade das análises.
A proposta é permitir que o usuário não apenas visualize os indicadores, mas também compreenda quais dados sustentam as informações apresentadas.
A governança foi considerada como parte da arquitetura do Medlytics.
O projeto aborda conceitos relacionados a:
- COBIT 2019;
- qualidade dos dados;
- rastreabilidade;
- segurança da informação;
- controle de acesso;
- LGPD;
- monitoramento;
- conformidade;
- ética aplicada ao uso de dados e IA;
- proposta do Oracle Ethics Shield (OES).
O objetivo é incorporar transparência, responsabilidade e segurança ao ciclo de utilização dos dados.
Durante o desenvolvimento do pipeline foram realizadas etapas de tratamento e validação.
Entre elas:
- verificação de duplicidades;
- tratamento de tipos;
- padronização das informações;
- validação de registros;
- transformação dos dados;
- criação de atributos analíticos;
- separação entre dados brutos, tratados e preparados para análise.
Essas etapas permitem estruturar uma camada Gold adequada ao consumo analítico.
O Medlytics foi desenvolvido de forma incremental ao longo das quatro Sprints do Challenge.
| Sprint | Etapa | Objetivo |
|---|---|---|
| Sprint 1 | 💡 Concepção | Definição do problema, proposta e ideia inicial do Medlytics |
| Sprint 2 | 🏗️ Arquitetura | Desenvolvimento e definição da arquitetura da solução |
| Sprint 3 | ⚙️ Desenvolvimento | Implementação técnica e entregas específicas das disciplinas |
| Sprint 4 | 🚀 Entrega Final | Consolidação da solução, Power BI, apresentação e Pitch |
Medlytics/
│
├── assets/
│ ├── medlytics-logo.jpeg
│ └── arquitetura.png
│
│├── medlytics-airflow/
│ ├── dags/
│ │ └── medlytics_pipeline.py
│ └── docker-compose.yaml
│
├── medlytics-pipeline/
│ └── data/
│ ├── bronze/
│ │ └── Leitos_2026.csv
│ ├── silver/
│ │ └── leitos_tratado.csv
│ └── gold/
│ └── RM572357.csv
│
├── database/
│ └── sql/
│ ├── ddl/
│ │ └── 1tscpv_script_ddl_medlytics.sql
│ │ └── ddl_medlytics.sql
| |── dml/
│ │ └── 1tscpv_script_dml_medlytics.sql
│ │ └── dml_medlytics.sql
│ └── select-ai/
│ └── select_ia.sql
│
├── power-bi/
│ └── Medlytics.pbix
└── README.md
O Medlytics foi desenvolvido como uma solução acadêmica de análise e apoio à tomada de decisão.
Algumas limitações devem ser consideradas:
- leitos cadastrados não significam leitos disponíveis em tempo real;
- percentual de leitos SUS não representa taxa de ocupação;
- o risco apresentado nas análises geográficas é um indicador estrutural relativo;
- os dados utilizados não representam necessariamente a situação hospitalar em tempo real;
- a solução não substitui sistemas oficiais de regulação hospitalar;
- os indicadores não devem ser utilizados isoladamente para decisões clínicas.
📊 Acessar Power BI
| Integrante | RM | GitHub |
|---|---|---|
| Gabriela Mari da Silva | 572357 | @bibisep |
| Julia Gomes da Cruz | 572494 | @juliacruz03 |
| Maria Eduarda Campos da Silva | 569546 | @meduarsc |