Mapeando a Saúde Pública no Brasil com Inteligência Artificial

"O Brasil não é dividido apenas por fronteiras estaduais, mas por perfis de eficiência e vulnerabilidade invisíveis a olho nu."

Sobre o Projeto

Este projeto aplica técnicas de Data Science, Machine Learning (K-Means) e Deep Learning (Autoencoders) para mapear a qualidade da saúde pública nos 5.570 municípios brasileiros.

Ao cruzar dados de mortalidade, economia (PIB), saneamento e gestão hospitalar, o sistema ignora as divisões geográficas tradicionais para encontrar "Brasis" semelhantes baseados em dados, além de identificar anomalias estatísticas.

---

Principais Descobertas (Insights)

1. O Fenômeno da "Riqueza Desequilibrada"

O algoritmo de Clustering identificou um grupo de cidades com PIB per capita altíssimo, mas que falham em converter essa riqueza em bem-estar social, apresentando índices de violência elevados e gestão de saúde mediana. Isso prova que PIB não é sinônimo de saúde.

2. A "Crise de Gestão" (ICSAP Alto)

Identificamos um cluster onde a mortalidade não é causada apenas por pobreza, mas pela ineficiência da Atenção Básica. O alto índice de Internações por Condições Sensíveis à Atenção Primária (ICSAP) mostra que os hospitais estão lotados de pacientes que poderiam ter sido tratados no posto de saúde.

3. Anomalias com Deep Learning

Utilizando uma Rede Neural (Autoencoder) para aprender o "padrão Brasil", detectamos cidades anômalas.

• Caso de Estudo: Lagoa Santa (GO) foi apontada pela IA como uma anomalia estatística (Erro de Reconstrução no Top 1%). A cidade combina porte populacional minúsculo com infraestrutura de saneamento muito boa e economia atípica (turismo), um perfil que a IA considerou "matematicamente improvável" comparado ao resto do país.

---

Metodologia e Pipeline

O projeto foi dividido em dois notebooks:

note0_dataset.ipynb

• Extração: Coleta automatizada de dados do DATASUS (SIH, SIM, SINASC) e IBGE via API (pysus, sidrapy).
• Tratamento: Limpeza de nulos, normalização de nomes de municípios e cálculo de indicadores (ex: Taxa de Mortalidade por 1.000 nascidos).
• Output: Gera o dataset limpo DATASET_MESTRE_FINAL.csv.

note1_IA.ipynb (Modelagem)

• Fase 1: Clustering (Não-Supervisionado)
  • Algoritmo: K-Means.
  • Otimização: Método do Cotovelo (Elbow Method).
  • Visualização: Redução de dimensionalidade com PCA (2D).
• Fase 2: Análise Espacial
  • Mapeamento dos clusters usando a biblioteca geobr.
• Fase 3: Detecção de Anomalias (Deep Learning)
  • Arquitetura: Autoencoder (Rede Neural Simétrica).
  • Lógica: o modelo aprende a comprimir e reconstruir os dados. Cidades com alto "Erro de Reconstrução" (MSE) são flagradas como anomalias.

---

Tecnologias Utilizadas

• Linguagem: Python 3.11+
• Manipulação de Dados: Pandas, NumPy
• Machine Learning: Scikit-learn (KMeans, PCA, Scalers)
• Deep Learning: TensorFlow / Keras (Autoencoders)
• Geoprocessamento: Geobr, Geopandas
• Visualização: Matplotlib, Seaborn

---

Como Executar o Projeto

1. Pré-requisitos

• Python 3.10 ou 3.11.
• VS Code (com extensão Jupyter) ou Jupyter Lab.

2. Configuração do Ambiente (Virtual Environment)

É altamente recomendado usar um ambiente virtual para isolar as versões das bibliotecas e evitar conflitos.

No Windows (PowerShell/CMD):

• Cria o ambiente virtual chamado .venv python -m venv .venv

• Ativa o ambiente .venv\Scripts\activate

No Linux ou Mac:

• Cria o ambiente python3 -m venv .venv

• Ativa o ambiente source .venv/bin/activate

3. Instalação das Dependências

Com o ambiente ativado (você verá (.venv) no terminal), instale as bibliotecas listadas:

pip install -r requirements.txt

4. Executando o Pipeline

O projeto segue um fluxo lógico. Não inverta a ordem.

1. Abra o notebook note0_dataset.ipynb.
2. Certifique-se de que o Kernel do Jupyter está apontando para o seu ambiente .venv.
3. Execute todas as células (Run All).
4. Verificação: Ao final, confira se o arquivo DATASET_MESTRE_FINAL.csv foi criado com sucesso.
5. Abra o notebook note1_IA.ipynb.
6. Este notebook lerá o CSV gerado no passo anterior.
7. Execute as células sequencialmente para:

• Gerar os Clusters (K-Means).
• Visualizar os Mapas.
• Treinar a Rede Neural (Autoencoder).
• Gerar o relatório de Anomalias.

---

Dashboard Interativo (Data App)

Desenvolvemos uma aplicação web interativa utilizando Streamlit.

Funcionalidades Principais:

• Mapa de Calor Geográfico: Visualização espacial dos 4 Clusters e indicadores de saúde (Mortalidade, Pré-Natal, ICSAP).
• Filtros Dinâmicos: Segmentação por Estado (UF), Faixa Populacional e Perfil Socioeconômico.

Como Executar o Dashboard

Certifique-se de estar no diretório raiz do projeto e com o ambiente virtual ativado:

Instale as dependências extras (caso ainda não tenha feito)

pip install streamlit plotly

Execute a aplicação

1. Abra o terminal.
2. Navegue até a pasta onde está o arquivo dash.py (o diretório 'dashboard').
3. Coloque o arquivo DATASET_CLUSTERIZADO.csvna pasta dashboard.
4. Execute o comando: streamlit run dash.py

---

⚠️ Solução de Problemas Comuns ⚠️

• Erro de "Module not found": Certifique-se de que você instalou o requirements.txt dentro do ambiente virtual ativado e que o seu Jupyter Notebook está usando o kernel desse mesmo ambiente.