Tecnologia • Dados em Saúde • Análise e Qualidade de Dados • SQL · Python · Power BI
Atuando no setor de tecnologia e direcionando minha trajetória profissional para Dados em Saúde, unindo experiência prática em tecnologia, formação em Biomedicina e formação em Ciência de Dados e Inteligência Artificial.
Em 2009 iniciei minha trajetória em tecnologia, atuando nas áreas de desenvolvimento e manutenção de sistemas, posteriormente atuando também com prestação de serviços envolvendo gestão de informações, sistemas, relatórios, painéis e automações.
Atualmente, curso Biomedicina (conclusão dez/2026) e Ciência de Dados e Inteligência Artificial (conclusão dez/2027). A combinação das áreas amplia minha capacidade de compreender tanto o contexto em que o dado de saúde é produzido quanto os processos necessários para analisá-lo e avaliá-lo.
Durante a formação em Biomedicina, obtive experiência prática em laboratório de análises clínicas, acompanhando todo o fluxo do processo laboratorial e da geração de informações, desde a identificação da amostra até a análise e liberação do resultado.
Na área de dados atuo desenvolvendo projetos utilizando SQL, Python e Power BI, com foco em análise, modelagem, profiling, validação, documentação e qualidade de dados.
Atualmente buscando direcionar minha atuação para Dados em Saúde, começando por análise e qualidade e avançando progressivamente para governança e interoperabilidade.
Minha experiência profissional em tecnologia antecede minha formação atual em dados.
Ao longo dessa trajetória, trabalhei com desenvolvimento e manutenção de sistemas e com demandas de tecnologia para empresas, incluindo organização de informações, sistemas internos, relatórios, painéis e automações.
A formação em Biomedicina trouxe o contexto da saúde. A formação em Ciência de Dados e Inteligência Artificial amplia a base técnica para trabalhar com dados.
Direção profissional atual
TECNOLOGIA → DADOS → SAÚDE → QUALIDADE → GOVERNANÇA → INTEROPERABILIDADE
A identidade profissional é Dados em Saúde.
SQL, Python, Power BI, FHIR, cloud e outras tecnologias são ferramentas utilizadas para resolver problemas de dados, não o posicionamento em si.
Não escolho projetos apenas por tendência. Procuro entender os processos, os dados produzidos e as regras que precisam ser atendidas.
| Referência | O que estabelece | Por que direciona o trabalho |
|---|---|---|
| Padrão TISS / TUSS — ANS | Padrão de troca de informações na saúde suplementar | Define estruturas e terminologias que precisam ser compreendidas e validadas |
| Decreto nº 12.560/2025 | Dispõe sobre a RNDS e as Plataformas SUS Digital | Contextualiza a evolução da interoperabilidade em saúde |
| HL7 FHIR na RNDS | Padrão utilizado para troca estruturada de informações em saúde | Direciona o estudo de interoperabilidade |
| LGPD + agenda da ANPD | Dados de saúde como dados pessoais sensíveis | Reforça a necessidade de controle, rastreabilidade e proteção |
O que aprendo com isso: o desafio dos dados em saúde não está apenas em analisar grandes volumes. É necessário compreender significado, estrutura, qualidade, origem e contexto.
Estudo as referências, registro as decisões e documento também as limitações.
|
📏 Qualidade de Dados Completude, consistência, atualidade e investigação de causa-raiz |
🗂️ Governança & Linhagem Metadados, rastreabilidade e evidência auditável |
|
🔗 Interoperabilidade HL7 FHIR, RNDS, TISS/TUSS e terminologias clínicas |
📊 Análise & Visualização SQL, Python e Power BI aplicados a dados e indicadores de saúde |
|
🛡️ LGPD em Saúde Dados sensíveis, proteção e responsabilidade no uso dos dados |
🏥 Contexto Assistencial Base biomédica aplicada à leitura crítica do dado de saúde |
Formação e desenvolvimento contínuos. Os projetos publicados demonstram o que foi efetivamente realizado.
A pergunta: quanto do cadastro está incompleto, inconsistente ou desatualizado, onde esses problemas aparecem, e quais controles reduzem o risco de propagação?
Recorte: Estado de São Paulo, competência de novembro de 2025 — 110.362 estabelecimentos. Consulta em BigQuery sobre o dataset público
br_ms_cnes.
| Achado | O que foi encontrado | Por que importa |
|---|---|---|
| Ausência disfarçada | id_regiao_saude com NULL, texto "nan" e string vazia. Checagem só por IS NULL retornava 0%. Métrica real: 54,70% |
A forma física da ausência precisa ser investigada antes de definir a métrica |
| Valor sentinela | Ano 9999 como competência final em 6.072 de 6.764 habilitações (89,77%) |
Sem isolar o sentinela, a comparação temporal produz resultado falso |
| Possível dado pessoal | Até 34.318 de 98.559 valores de cpf_cnpj compatíveis com CPF |
Risco de LGPD em base pública: o projeto publica só contagens agregadas |
| UTI × habilitação | Com todos os leitos, 553 de 1.103 combinações sem habilitação; com leitos SUS, 0 de 550 | A regra oficial (Portarias SAES/MS nº 2.902/2025 e nº 3.511/2025) vale para leitos SUS: antes de medir conformidade, é preciso definir a população da regra |
| Tempo sem alteração | 20,72% sem alteração cadastral há mais de 24 meses | O campo mede a última alteração, não a transmissão exigida pela Portaria SAS/MS nº 118/2014 |
| Proveniência × semântica | tipo_unidade = 16: 37 de 38 códigos reconciliados; o código está presente na origem consultada, mas sem significado oficial |
Código sem semântica confirmada não pode virar conceito FHIR validado |
A métrica de incompletude foi corrigida de 54,69% para 54,70% quando a mesma análise foi reproduzida em Python e revelou 5 registros com string vazia que o SQL não havia testado.
Na auditoria final, feita com apoio de IA, três regras foram revistas e corrigidas, com nota datada no histórico: a comparação entre leitos e habilitações passou a usar só habilitações que têm leitos (de 768 de 768 com divergência para 1 caso em 304), a regra de UTI passou a usar leitos SUS e o indicador de atualidade foi reinterpretado à luz da norma oficial.
Refazer a mesma análise em outra ferramenta, ou revisar a própria regra, não é retrabalho. É controle.
| Etapa | Entrega |
|---|---|
| 🔎 Exploração e recorte | 19 consultas SQL documentadas, com decisão de recorte justificada e registro de cada consulta |
| 🧹 Tratamento | Limpeza e reprodução dos indicadores de completude e unicidade em Python |
| 📏 Indicadores | Completude, consistência, atualidade e unicidade, cada um com regra explícita |
| 🧬 Proveniência | Investigação da origem de código sem semântica confirmada, via PySUS em ambiente isolado |
| 📊 Dashboard | Completude por campo, atualidade cadastral e distribuição regional em Power BI |
| 📚 Governança | 10 regras de governança, cada uma ligada a um problema efetivamente encontrado |
| 🔗 FHIR R4 | Mapeamento CNES → FHIR, conversor com testes e 5 recursos validados (0 erros) |
| 📑 Resultados | Documento com resumo executivo, 10 achados e 11 recomendações |
Competências aplicadas: SQL · Python · BigQuery · Power BI · Qualidade de dados · Governança · LGPD · FHIR R4 · Docker · Git
Note
Projeto de estudo construído com dados públicos. Não representa implantação em instituição de saúde. Os números valem para o recorte declarado.
🌱 Método, queries, decisões, evidências e limitações documentados no repositório.
| Concluído | Diagnóstico de qualidade e governança do cadastro CNES (São Paulo, nov/2025) |
| A seguir | Diagnóstico de Qualidade de Dados TISS, em dados sintéticos |
| Depois | Monitoramento longitudinal da qualidade e governança das regras |
| Formação | Pós-graduação em Saúde Digital / Informática em Saúde |
| 🧪 Problemas de dados Problemas relacionados a qualidade, organização e análise de dados |
📖 Método e projeto Queries, decisões, documentação e evidências abertas neste GitHub |
| 🤝 Parceria técnica Laboratórios, clínicas, healthtechs e software de saúde |
📅 Projetos Projetos e oportunidades em Dados em Saúde |
Laboratórios · Clínicas · Centros diagnósticos · Healthtechs · Fornecedores de software de saúde · Operadoras
| Plataforma | Acesso |
|---|---|
| linkedin.com/in/carla-rodrigues-br | |
| carladados.br@gmail.com | |
| 💻 GitHub | github.com/carla-dados-br |