CNES — Cadastro Nacional de Estabelecimentos de Saúde

pip install pysus

ftp://ftp.datasus.gov.br/dissemin/publicos/CNES/200508_/Dados/{PREFIXO}/{PREFIXO}{UF}{AAMM}.dbc

from pysus.online_data.CNES import download
import pandas as pd
 
# Baixar dados de estabelecimentos de São Paulo, janeiro de 2023
dados = download(group="ST", states=["SP"], years=[2023], months=[1])
 
# Converter para DataFrame
df = dados.to_dataframe()
 
print(f"Total de estabelecimentos: {len(df):,}")
print(f"Colunas disponíveis: {list(df.columns)}")
print(df.head())

from pysus.online_data.CNES import download
import pandas as pd
 
# Baixar dados de leitos de São Paulo
dados_leitos = download(group="LT", states=["SP"], years=[2023], months=[1])
df_leitos = dados_leitos.to_dataframe()
 
# Converter campos numéricos
for col in ["QT_EXIST", "QT_CONTR", "QT_SUS"]:
    df_leitos[col] = pd.to_numeric(df_leitos[col], errors="coerce")
 
# Total de leitos por tipo
leitos_tipo = (
    df_leitos.groupby("TP_LEITO")
    .agg(
        leitos_existentes=("QT_EXIST", "sum"),
        leitos_sus=("QT_SUS", "sum"),
    )
    .sort_values("leitos_existentes", ascending=False)
)
 
print("Leitos hospitalares por tipo — SP (jan/2023):")
print(leitos_tipo)
print(f"\nTotal de leitos existentes: {leitos_tipo['leitos_existentes'].sum():,}")
print(f"Total de leitos SUS: {leitos_tipo['leitos_sus'].sum():,}")

from pysus.online_data.CNES import download
import pandas as pd
 
# Baixar dados de profissionais de Minas Gerais
dados_prof = download(group="PF", states=["MG"], years=[2023], months=[1])
df_prof = dados_prof.to_dataframe()
 
# CBO (Classificação Brasileira de Ocupações) para médicos: começa com "225"
medicos = df_prof[df_prof["CBO"].str.startswith("225", na=False)]
print(f"Vínculos de médicos em MG: {len(medicos):,}")
 
# Distribuição por município
medicos_mun = (
    medicos.groupby("CODUFMUN")
    .size()
    .reset_index(name="vinculos_medicos")
    .sort_values("vinculos_medicos", ascending=False)
)
 
print("\nTop 10 municípios com mais vínculos de médicos:")
print(medicos_mun.head(10))

from pysus.online_data.CNES import download
import pandas as pd
 
# Baixar dados de equipamentos
dados_equip = download(group="EP", states=["RJ"], years=[2023], months=[1])
df_equip = dados_equip.to_dataframe()
 
df_equip["QT_EXIST"] = pd.to_numeric(df_equip["QT_EXIST"], errors="coerce")
df_equip["QT_USO"] = pd.to_numeric(df_equip["QT_USO"], errors="coerce")
 
# Equipamentos de diagnóstico por imagem
equipamentos = (
    df_equip.groupby("CODEQUIP")
    .agg(
        total_existente=("QT_EXIST", "sum"),
        total_em_uso=("QT_USO", "sum"),
    )
    .sort_values("total_existente", ascending=False)
    .head(10)
)
 
print("Top 10 tipos de equipamento — RJ (jan/2023):")
print(equipamentos)

from pysus.online_data.CNES import download as download_cnes
from pysus.online_data.SIH import download as download_sih
import pandas as pd
 
# Baixar leitos e internações de SP, jan/2023
leitos = download_cnes(group="LT", states=["SP"], years=[2023], months=[1])
df_leitos = leitos.to_dataframe()
 
internacoes = download_sih(states=["SP"], years=[2023], months=[1], group="RD")
df_inter = internacoes.to_dataframe()
 
# Leitos totais por hospital
df_leitos["QT_SUS"] = pd.to_numeric(df_leitos["QT_SUS"], errors="coerce")
leitos_hosp = df_leitos.groupby("CNES")["QT_SUS"].sum().reset_index()
 
# Internações por hospital
inter_hosp = df_inter.groupby("CNES").size().reset_index(name="internacoes")
 
# Cruzar: taxa de ocupação estimada
ocupacao = leitos_hosp.merge(inter_hosp, on="CNES", how="inner")
ocupacao["taxa_ocupacao"] = (
    ocupacao["internacoes"] / (ocupacao["QT_SUS"] * 31) * 100  # 31 dias no mês
)
 
print("Hospitais com maior taxa de ocupação estimada:")
print(
    ocupacao.query("QT_SUS >= 50")
    .sort_values("taxa_ocupacao", ascending=False)
    .head(10)
    .round(1)
)