| title | DataSUS AI Prediction |
|---|---|
| emoji | 🏥 |
| colorFrom | blue |
| colorTo | green |
| sdk | streamlit |
| sdk_version | 1.32.0 |
| app_file | app.py |
| pinned | false |
| license | mit |
Plataforma interativa de modelagem preditiva em saúde pública usando microdados do DataSUS — sem código, direto no navegador.
DataSUS AI Prediction e uma ferramenta de pesquisa que permite a qualquer epidemiologista, residente medico ou cientista de dados:
- Selecionar um desfecho clinico de interesse (readmissao, mortalidade, dengue grave, etc.)
- Baixar automaticamente os microdados do DataSUS (SIH, SIM, SINASC, SINAN)
- Construir uma coorte analítica com janelas de observacao e predicao bem definidas
- Treinar modelos de machine learning com validacao cruzada estratificada
- Interpretar os resultados com graficos de SHAP, curvas ROC e calibracao
Nao e necessario escrever uma linha de codigo.
| Desfecho | Fonte |
|---|---|
| Readmissao Hospitalar em 30 dias | SIH |
| Mortalidade Hospitalar | SIH + SIM |
| Permanencia Hospitalar Prolongada | SIH |
| Custo Hospitalar Elevado | SIH |
| Infeccao Hospitalar | SIH |
| Desfecho | Fonte |
|---|---|
| Mortalidade Neonatal | SINASC + SIM |
| Prematuridade | SINASC |
| Baixo Peso ao Nascer | SINASC |
| Apgar Baixo no 5 Minuto | SINASC |
| Desfecho | Fonte |
|---|---|
| Dengue com Sinais de Alarme ou Grave | SINAN Dengue |
| Hospitalizacao por Chikungunya | SINAN Chikungunya |
| Abandono de Tratamento TB | SINAN Tuberculose |
| Abandono de Tratamento Hanseniase | SINAN Hanseniase |
| Obito por AIDS | SINAN AIDS |
| Nao-Cura de Sifilis Adquirida | SINAN Sifilis |
| Desfecho | Fonte |
|---|---|
| Risco de Violencia Autoprovocada / Suicidio | SINAN Violencia |
| Desfecho Adverso em Intoxicacao Exogena | SINAN Intoxicacao |
datasus-ai-prediction/
├── app.py # Home Streamlit
├── pages/
│ └── 0_Analise.py # Wizard unico de 5 etapas
├── core/
│ ├── data/
│ │ ├── downloader.py # Download automatico: HTTP mirror > FTP > upload manual
│ │ ├── sih.py / sim.py / sinasc.py / sinan*.py # Pre-processadores por sistema
│ │ └── linker.py # Record linkage deterministico + probabilistico
│ ├── features/
│ │ └── cohort.py # CohortBuilder com janelas temporais
│ ├── models/
│ │ ├── pipeline.py # train_cv() com StratifiedKFold + Optuna HPO
│ │ └── evaluation.py # ROC, PR, calibracao, SHAP (Plotly)
│ └── outcomes/
│ ├── base.py # OutcomeConfig (ABC)
│ └── *.py # 17 desfechos implementados
- Download:
datasus-dbc(DBC → DBF sem compilador C) + mirror HTTP DigitalOcean + FTP DataSUS - ML: LightGBM, XGBoost, Logistic Regression, Random Forest
- Otimizacao: Optuna (hyperparameter search automatico)
- Explicabilidade: SHAP values com graficos interativos
- Validacao: StratifiedKFold(5) + amostragem estratificada
- Calibracao: Platt Scaling, comparacao entre estados/periodos
Acesse datasus-ai-prediction.vercel.app e siga as 5 etapas:
1. Desfecho → escolha o que quer prever
2. Dados → selecione estado(s) e ano(s), download automatico
3. Coorte → revise distribuicao, balanceamento, features
4. Modelo → escolha algoritmo e treine com validacao cruzada
5. Resultados → curvas ROC, SHAP, calibracao, comparacao entre grupos
git clone https://github.com/fabianofilho/datasus-ai-prediction
cd datasus-ai-prediction
pip install -r requirements.txt
streamlit run app.pyO downloader tenta automaticamente em cascata:
1. Cache local (parquet) → instantaneo se ja baixou antes
2. Mirror HTTP (DigitalOcean) → rapido, sem autenticacao
3. FTP direto (ftp.datasus.gov.br) → fallback oficial
4. Upload manual (CSV) → instrucoes do TABNET + uploader na UI
Funciona em Windows, Linux e Mac sem necessidade de compilador C.
| Sistema | Descricao | Cobertura |
|---|---|---|
| SIH | Sistema de Informacoes Hospitalares | 2008–atual, mensal por UF |
| SIM | Sistema de Informacoes sobre Mortalidade | 1996–atual, anual por UF |
| SINASC | Sistema de Informacoes sobre Nascidos Vivos | 1996–atual, anual por UF |
| SINAN | Sistema de Informacao de Agravos de Notificacao | Dengue, TB, Hanseniase, AIDS, Sifilis, Chikungunya, Violencia, Intoxicacao |
streamlit>=1.32
pandas>=2.0
lightgbm>=4.0
xgboost>=2.0
scikit-learn>=1.4
optuna>=3.6
shap>=0.44
plotly>=5.0
datasus-dbc>=0.1.3
recordlinkage>=0.15
Pull requests sao bem-vindos. Para novos desfechos, implemente uma subclasse de OutcomeConfig em core/outcomes/ seguindo os exemplos existentes.
MIT — use livremente para pesquisa e ensino.