Visualização de Dados em “Dashboards”: o Brasil Frente aos Líderes Globais em Ensaios Clínicos

Aline Kassuda; Fernando Celso de Campos

DOI: 10.22167/2675-6528-202602625

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A escassez de visualizações estratégicas de dados brutos de ensaios clínicos no ClinicalTrials.gov, especialmente sobre os cenários brasileiro e internacional, motivou o presente estudo. O estudo teve como objetivo aplicar abordagens de inteligência de negócios para desenvolver painéis interativos no Microsoft Power BI® que permitissem organizar, visualizar e monitorar dados de ensaios clínicos patrocinados pela indústria, comparando o desempenho do Brasil com os três países líderes globais no período de 2015 a 2025. Para isso, utilizou-se o ciclo de vida dos dados e técnicas de narrativa de dados, extraindo informações do repositório público ClinicalTrials.gov via API. Os dados foram manipulados com Python e Power Query®, modelados em esquema estrela e visualizados em um painel interativo no Microsoft Power BI®. A aplicabilidade do painel foi avaliada por 26 profissionais da área de pesquisa clínica por meio de um questionário eletrônico. Os resultados demonstraram a eficácia da solução, que obteve validação dos profissionais pela clareza, facilidade de navegação e utilidade para a compreensão do posicionamento do Brasil e a redução do tempo de análise. A satisfação geral com o painel alcançou uma média de 4,46 em uma escala de 1 a 5. Concluiu-se que a inteligência de negócios é fundamental para transformar dados abertos em inteligência visual, permitindo o monitoramento ágil e qualificado da pesquisa clínica nacional no cenário global e apoiando a tomada de decisão estratégica.

Palavras-chave: Inteligência de Negócios; Monitoramento; Narrativa; Painel Interativo; Pesquisa Clínica.

1. Introdução

A pesquisa clínica impulsiona a inovação médico-científica, contribuindo significativamente para a saúde pública e o bem-estar dos pacientes. Nesse contexto, os ensaios clínicos são fundamentais para produzir evidências de segurança e eficácia de novas terapias ao longo de suas diferentes fases de pesquisa (Kandi e Vadakedath, 2023). Para validar essas evidências, é necessário conduzir o ensaio clínico em populações e cenários epidemiológicos diversos, fator que tem impulsionado a globalização dos ensaios clínicos para além dos Estados Unidos da América e Europa Ocidental. Embora esse fenômeno seja uma tendência crescente nos ensaios clínicos patrocinados pela indústria, sua distribuição ainda se concentra em países de alta renda, revelando lacunas importantes de representação (Payedimarri et al., 2023).

Os ensaios clínicos geram um alto volume de informações. Diante disso, o registro público das pesquisas é essencial para assegurar a transparência e a qualidade científica, além de reduzir o viés de publicação e o relato seletivo dos desfechos, representando o cumprimento de uma responsabilidade ética dos pesquisadores. Desde 2005, o International Committee of Medical Journal Editors passou a exigir o registro em plataformas públicas certificadas pela Organização Mundial da Saúde, como o ClinicalTrials.gov e o Registro Brasileiro de Ensaios Clínicos, para publicações nos principais periódicos internacionais. No Brasil, essa mesma recomendação foi adotada em 2007 para publicações no Latin American and Caribbean Health Sciences Literature e no Scientific Electronic Library Online. As resoluções federais brasileiras (Resolução de Diretoria Colegiada 39/2008 e Resolução de Diretoria Colegiada 36/2012) tornaram o registro obrigatório para pesquisas com novos medicamentos (Freitas et al., 2016). Entre as diversas plataformas públicas certificadas pela Organização Mundial da Saúde, o ClinicalTrials.gov é considerado o maior repositório global de ensaios clínicos e fornece dados estruturados que favorecem a aplicação de automações, tornando mais eficiente a análise de um grande volume de dados (Yu et al., 2024).

O volume e a complexidade dos dados coletados tornam a análise uma etapa indispensável para a compreensão do cenário dos ensaios clínicos. Nesse contexto, as abordagens de inteligência de negócios auxiliam no tratamento e na organização desses dados, transformando-os em informações estratégicas que apoiam a tomada de decisão (Bottrighi et al., 2024). Para esse propósito, ferramentas que otimizam o processo exploratório são fundamentais para obter informações de forma eficiente. A linguagem de programação Python contribui para a automação e unificação de grandes volumes de dados, o que traz eficiência operacional e aumento da confiabilidade das informações ao reduzir a ocorrência de erros. As bibliotecas do Python, como o Pandas, são indispensáveis para conectar e manipular dados de diversas fontes, o que as torna essenciais para a preparação robusta e integrada das bases que alimentam os painéis ou dashboards, garantindo a qualidade das análises (Ferreira et al., 2024).

Os dados dos painéis precisam ser compreensíveis para os usuários da informação. A narrativa de dados ou data storytelling auxilia a comunicação das visualizações ao articular dados, elementos visuais e narrativa, concentrando a atenção nos aspectos mais relevantes e simplificando a interpretação de análises complexas (Echeverria et al., 2018). Knaflic (2019) acrescenta que a comunicação eficaz com dados requer compreender o contexto e o público, selecionar o recurso visual adequado, eliminar elementos que não contribuam para a mensagem e direcionar a atenção do leitor para os pontos essenciais. Na rotina da pesquisa clínica, o uso de painéis funciona como uma interface que consolida as informações dos ensaios clínicos. A utilização de painéis proporciona uma visão abrangente e integrada das informações, facilitando a identificação de padrões e na exploração de possíveis cenários. Para a composição desses painéis, o Microsoft Power BI é uma ferramenta acessível e versátil para manipular, analisar e visualizar diferentes conjuntos de dados. A facilidade de uso e a interatividade das visualizações transformam dados em gráficos, possibilitando explorar diferentes formatos visuais, características essenciais para uma análise exploratória eficaz (Becker e Gould, 2019).

Diante da escassez de visualizações que evidenciem a posição do Brasil frente aos líderes globais na condução de ensaios clínicos, a utilização da inteligência de negócios mostra-se relevante para sistematizar os dados do Brasil em relação aos países líderes em registros de ensaios clínicos no repositório público ClinicalTrials.gov. O uso de inteligência de negócios é fundamental para converter dados abertos em inteligência visual, permitindo o monitoramento ágil e qualificado da pesquisa clínica nacional diante do cenário mundial. Nesse contexto, o objetivo deste trabalho foi aplicar ferramentas de inteligência de negócios para desenvolver painéis interativos no Microsoft Power BI que permitam organizar, visualizar e monitorar os dados dos ensaios clínicos patrocinados pela indústria, considerando o Brasil e os três países líderes em registros no repositório público ClinicalTrials.gov.

2. Material e Métodos

O presente trabalho classificou-se como pesquisa aplicada, de natureza exploratória e descritiva, conforme Gil (2022). A abordagem metodológica foi quantitativa, utilizando dados estruturados para analisar o posicionamento do Brasil em ensaios clínicos globais e avaliar o painel desenvolvido. Tecnicamente, o estudo foi bibliográfico e documental, utilizando dados secundários de repositórios públicos, como o ClinicalTrials.gov.

Os dados foram obtidos de duas fontes: extração de dados secundários do ClinicalTrials.gov e levantamento das percepções de profissionais de pesquisa clínica por meio de formulário eletrônico anônimo, que não solicitou informações pessoais ou identificáveis. O trabalho observou as disposições éticas aplicáveis, dispensando registro e avaliação pelo Sistema CEP/Conep, conforme as Resoluções CNS n° 510, de 2016, e n° 466, de 2012.

O desenvolvimento do trabalho seguiu seis etapas sequenciais, adaptadas dos processos de Business Intelligence [BI] de Foley e Guillemette (2010): definição estratégica, coleta de dados, manipulação de dados, modelagem e estruturação, visualização e comunicação, e avaliação da aplicabilidade do painel.

Na etapa de definição estratégica, planejou-se o desenvolvimento do painel, acessando o ClinicalTrials.gov () devido à sua abrangência global e dados estruturados. O escopo dos dados foi delimitado para estudos clínicos iniciados entre 2015 e 2025, focando em ensaios intervencionais patrocinados pela indústria. Os critérios de seleção de variáveis priorizaram relevância, dados estruturados e comparabilidade internacional (Bahia, 2021).

A coleta de dados utilizou a interface de programação de aplicações [API] v2 do ClinicalTrials.gov (National Library of Medicine, 2025; Zarin et al., 2011), selecionada por oferecer acesso estruturado e reprodutível. Os dados originais em inglês foram traduzidos para o português, e observações com valores ausentes foram excluídas para otimizar as análises.

A manipulação dos dados seguiu o processo de extração, transformação e carregamento [ETL] (Foley e Guillemette, 2010). A extração foi automatizada com Python via API v2 do ClinicalTrials.gov, incluindo análise exploratória para inconsistências. A transformação foi híbrida, utilizando Python e o Power BI® para padronização, limpeza de duplicados e valores ausentes, e enriquecimento (Souibgui et al., 2019). Os dados tratados foram carregados para o modelo no Power BI®. Detalhes sobre códigos e listas de países estão em .

A modelagem e estruturação dos dados empregou o esquema estrela (“star schema”) para viabilizar a interatividade dos painéis e o cálculo de métricas. No Microsoft Power BI®, as tabelas foram estruturadas com uma tabela fato central e tabelas dimensão conectadas, gerenciando relações complexas entre países. As medidas para o painel foram construídas utilizando a linguagem Data Analysis Expressions [DAX], agrupadas em diversas categorias de indicadores. As fórmulas detalhadas estão disponíveis no repositório GitHub.

A etapa de visualização e comunicação consistiu no desenvolvimento do painel no Microsoft Power BI®, projetado para organizar e comunicar os resultados de forma visual, comparável e estruturada (Foley e Guillemette, 2010). O painel foi dividido em três páginas temáticas: visão global, cenário brasileiro e comparação Brasil versus os três países líderes. As visualizações foram construídas com recursos interativos e elementos gráficos diversos, seguindo Knaflic (2019) para comunicação eficaz. O painel está disponível publicamente em .

A avaliação da aplicabilidade dos painéis, a etapa final, verificou a utilidade prática da solução. Coletaram-se as percepções de profissionais de pesquisa clínica por meio de um formulário eletrônico anônimo, com perguntas em escala Likert de cinco pontos. As questões basearam-se em atributos de qualidade para painéis sugeridos por Almasi et al. (2023), como utilidade e facilidade de uso. A amostra foi por conveniência e participação voluntária, e os detalhes do questionário estão no repositório GitHub.

3. Resultados e Discussão

A presente seção detalha os resultados obtidos em cada etapa da pesquisa, acompanhada de uma análise crítica que contextualiza os achados e suas implicações. O estudo teve como objetivo aplicar abordagens de inteligência de negócios para desenvolver painéis interativos no Microsoft Power BI® que permitissem organizar, visualizar e monitorar dados de ensaios clínicos patrocinados pela indústria, comparando o desempenho do Brasil com os três países líderes globais no período de 2015 a 2025. Os resultados demonstram a eficácia da solução proposta e sua validação por profissionais da área, evidenciando o potencial da inteligência de negócios para transformar dados brutos em informações estratégicas e visuais.

A etapa inicial, denominada Definição Estratégica, foi crucial para orientar a construção do painel, estabelecendo o alinhamento com o objetivo do trabalho, o recorte analítico e a seleção dos indicadores. A exploração do repositório ClinicalTrials.gov permitiu identificar um conjunto de variáveis adequadas para o cálculo das métricas. Entre as variáveis selecionadas, destacam-se a classe do patrocinador, as datas de início e conclusão do estudo, a data da última atualização, a fase do ensaio, o identificador único do estudo (NCT), os países de localização, o patrocinador principal, o status e o tipo de estudo. Essas variáveis, em conjunto, possibilitaram a caracterização dos ensaios clínicos quanto ao seu perfil, condução, patrocinadores e distribuição geográfica, conforme a National Library of Medicine (2025).

Os indicadores definidos para o trabalho foram predominantemente estratégicos, concebidos para oferecer uma visão abrangente do ambiente internacional da pesquisa clínica e do posicionamento do Brasil. Essa abordagem está em consonância com Van de Ven et al. (2023), que ressaltam a importância de indicadores impulsionados por perspectivas externas para refletir a estratégia competitiva de uma organização. Contudo, durante a exploração da base de dados, foram identificadas limitações significativas em relação a duas variáveis potenciais: o número de pacientes recrutados e as condições ou doenças estudadas. Optou-se por não incluir essas variáveis na composição dos indicadores para preservar a consistência e a comparabilidade das análises.

A limitação referente ao número de pacientes recrutados decorre do fato de que o valor informado no ClinicalTrials.gov corresponde ao total global do estudo, sem a possibilidade de desmembrar esses dados por país, o que inviabilizaria comparações entre diferentes nações. Quanto às condições ou doenças estudadas, observou-se que essas informações não apresentavam padronização por áreas terapêuticas, revelando alta granularidade e heterogeneidade no preenchimento. Essa inconsistência poderia comprometer a fidedignidade das análises e levar a duplicidades ou erros de contagem, justificando a decisão de excluí-las do escopo do painel para garantir a integridade dos resultados.

A etapa de Coleta de Dados focou na avaliação dos métodos de obtenção das informações disponíveis no ClinicalTrials.gov. Inicialmente, a extração direta pela plataforma foi examinada, mas apresentou limitações para o escopo analítico definido, especialmente quanto à categorização da classe do patrocinador. A documentação da National Library of Medicine (2024) indica que as definições de patrocinadores do sistema são próprias, o que exige cautela na interpretação para fins comparativos. Diante disso, a interface de programação de aplicações (API) foi selecionada como a opção mais adequada, por proporcionar acesso mais estruturado, padronizado e reprodutível aos registros, alinhando-se à abordagem de inteligência de negócios.

A escolha da API representou um avanço metodológico, permitindo maior padronização, rastreabilidade e reprodutibilidade do processo de coleta, além de favorecer a integração com as etapas subsequentes de tratamento e análise dos dados. As variáveis e observações foram traduzidas para o idioma português, ampliando a acessibilidade e a compreensão dos dados no contexto do trabalho. Adicionalmente, optou-se por excluir observações com valores ausentes da base, a fim de reduzir ruídos analíticos e evitar prejuízos às análises. Essa decisão, embora possa ter implicado na perda de alguma informação relevante, aumentou a viabilidade analítica do conjunto de dados, estabelecendo recortes e limitações que foram considerados nas interpretações.

A etapa de Manipulação de Dados foi essencial para transformar os dados brutos do ClinicalTrials.gov em uma base estruturada e adequada ao objetivo do trabalho, seguindo um processo híbrido de extração, transformação e carregamento (ETL) que utilizou a linguagem Python e o Power Query® do Microsoft Power BI®. Inicialmente, foi realizada a extração dos dados via API v2 do ClinicalTrials.gov, após a identificação dos nomes dos campos e tipos de dados. A análise exploratória com Python permitiu identificar valores ausentes, dados duplicados e outras inconsistências, direcionando os procedimentos de tratamento.

A base de dados bruta continha 58.165 observações. Verificou-se que o identificador único do estudo (NCT_Id) não possuía valores ausentes nem duplicados, com 58.165 valores únicos, garantindo que cada observação correspondia a um ensaio clínico distinto. Campos como “status”, “lead_sponsor”, “start_date” e “last_update_post_date” estavam completos. O campo “completion_date” apresentava 98,78% de completude. Os campos “sponsor_class” e “study_type” possuíam apenas um valor único, o que simplificou a padronização e a análise. Esses pontos positivos da base bruta facilitaram o processo de limpeza e organização dos dados.

No entanto, foram identificados pontos de atenção importantes que exigiram tratamento. A variável “fase” (“phases”) apresentou o maior número de valores ausentes, com 14.223 registros incompletos, o que representava 24,45% da base. A variável “países de localização” (“countries”) foi a segunda em número de ausências, com 3.377 registros faltantes, correspondendo a 5,81% do total. Para resolver essas inconsistências, os ensaios clínicos com fases e países ausentes foram removidos da base, resultando em uma base tratada com 54.788 observações, uma redução de 3.377 registros em relação à base bruta original.

Após o tratamento, a variável “fases” teve seus valores ausentes preenchidos com a sigla NA, alcançando 100% de completude, enquanto os valores ausentes da variável “países” foram removidos, também resultando em 100% de completude para essa variável. O tratamento inicial com Python gerou a base de dados tratada, que foi posteriormente refinada no Power Query® do Microsoft Power BI®. As principais transformações incluíram a promoção de cabeçalhos, a definição de tipos de dados, a conversão de colunas de datas e texto, e a seleção de colunas relevantes para a criação da tabela fato (FATO_Ensaios).

Para padronizar os nomes dos países, foram importados arquivos XML com os nomes em inglês e português da base de dados da União Europeia, criando tabelas auxiliares (Paises_EN e Paises_PT). Uma consulta auxiliar, Paises_EN_Padronizado, foi desenvolvida para identificar e corrigir nomes de países sem correspondência automática. A tabela ponte BRIDGE_Paises foi criada para resolver a relação muitos-para-muitos entre a tabela fato e a dimensão de países, uma vez que um mesmo ensaio clínico pode ser conduzido em múltiplos países. Essa etapa de manipulação de dados foi fundamental para garantir a qualidade e a consistência da base analisada, demonstrando que o manuseio de bases públicas exige um cuidado metodológico rigoroso para assegurar a confiabilidade dos resultados.

A etapa de Modelagem e Estruturação foi crucial para organizar os dados de forma consistente, utilizando a modelagem dimensional em esquema estrela (“star schema”) no Microsoft Power BI®. Esse desenho estrutural é preferido devido ao seu desempenho, garantindo a velocidade de processamento necessária para o acesso rápido às informações de negócio, conforme Foley e Guillemette (2010). O modelo foi centralizado em uma tabela fato contendo os registros dos ensaios clínicos, conectada a tabelas dimensão que categorizam e permitem filtros comparativos, como DIM_Paises, DIM_Status, DIM_Fases e DIM_Data.

A criação da tabela ponte BRIDGE_Paises foi uma solução eficaz para representar a participação multicêntrica dos ensaios clínicos, preservando a integridade do modelo e a coerência das contagens por país. Após a modelagem, foram construídas diversas medidas utilizando a linguagem Data Analysis Expressions (DAX) para calcular os indicadores do painel. Essas medidas foram agrupadas em categorias, incluindo volume e dimensão (Total Ensaios, Total Países), participação e composição (Fases (%), Participação País no Total Global (%)), crescimento e variação temporal (YoY (%), CAGR), base histórica e índices de evolução (Índice Base100), e classificação e posicionamento competitivo (Rank País, Patrocinador Top1).

A construção de medidas comparativas entre o Brasil e o cenário internacional representou um desafio significativo devido à diferença de escala entre os volumes de ensaios clínicos. Para contornar essa questão e facilitar a interpretação das visualizações, optou-se pelo uso de um índice de base fixa, onde o ano base foi definido como 100 tanto para o Brasil quanto para o cenário global. Além disso, para comparar o Brasil com os três países líderes, a taxa de variação anual foi ajustada, utilizando a média anual dos três países líderes em cada período, o que permitiu manter a comparação ao longo do tempo, embora suavizando diferenças específicas entre os próprios países líderes. Essa abordagem garantiu maior confiabilidade dos resultados apresentados.

A etapa de Visualização e Comunicação resultou no desenvolvimento de um painel interativo no Microsoft Power BI®, estruturado para organizar e comunicar os resultados de forma visual e comparável. O painel foi dividido em três páginas temáticas para conduzir o usuário desde uma visão macro do cenário internacional até análises mais específicas sobre o Brasil e sua posição em relação aos líderes globais. A primeira página, “Cenário Internacional”, caracterizou o ambiente global dos ensaios clínicos, apresentando um total de 54.788 estudos e 164 países envolvidos, com uma taxa de crescimento anual composta (CAGR) global de 2,0%.

Os Estados Unidos lideraram o número de estudos com 27.529, seguidos pela China com 9.958 e Alemanha com 7.107. Os principais patrocinadores globais identificados foram AstraZeneca, Pfizer, Eli Lilly, Novartis e GSK. Em relação às fases dos estudos, 54% eram de fase inicial (0 a II), 24% de fase tardia (III), 18% de pós-mercado (IV) e 4% não aplicáveis. A evolução temporal global dos estudos e a taxa de variação anual foram apresentadas, mostrando a dinâmica do mercado de pesquisa clínica ao longo do tempo, com variações anuais que oscilaram entre -6,3% e 8,1% no período analisado.

A segunda página, “Cenário Brasileiro”, explorou a participação do Brasil no contexto mundial, fornecendo uma visão detalhada do mercado nacional de ensaios clínicos. Verificou-se que o Brasil registrou 2.118 estudos, com uma taxa de crescimento anual composta (CAGR) de 3,7% e uma participação de 3,9% no total global. Os principais patrocinadores no Brasil foram AstraZeneca, Roche, Novartis, MSD e Janssen. A distribuição das fases dos estudos no Brasil mostrou 68% em fase inicial (0 a II), 23% em fase tardia (III), 6% em pós-mercado (IV) e 3% não aplicáveis. A evolução temporal dos estudos no Brasil e a comparação com o cenário global, utilizando um índice de base 100, revelaram a trajetória de crescimento do país, com variações anuais que variaram entre -21% e 28%.

A terceira página, “Brasil vs. Top 3”, ofereceu uma visualização comparativa do desempenho do Brasil em relação aos três países líderes em registros de ensaios clínicos. O Brasil ocupou a 19ª posição no ranking global, com 3,9% de participação. A distância relativa do Brasil em relação ao líder global (Estados Unidos) foi de -63,8%, representando uma distância absoluta de -17.571 estudos. O patrocinador líder no Brasil foi a AstraZeneca. A distribuição das fases dos estudos no Brasil, com 68% em fase inicial e 23% em fase tardia, foi comparada com a média dos três países líderes. A variação anual do Brasil em relação à média dos Top 3 e o índice de evolução com base 100 também foram apresentados, evidenciando o posicionamento competitivo do país.

As páginas do painel facilitaram a organização e a comunicação dos resultados, mas é importante ressaltar que as visualizações simplificam um fenômeno complexo. Os indicadores ajudam a descrever o cenário da pesquisa clínica, mas não são suficientes para explicar os fatores que influenciam a posição de cada país. A escolha metodológica de usar um índice com base fixa igual a 100 para comparar o Brasil com o mundo, embora importante para comparar a evolução das séries, reduziu a percepção da diferença real de magnitude entre os volumes. Da mesma forma, a adoção da média anual dos três países líderes para comparação suavizou diferenças específicas, o que pode ocultar comportamentos particulares de cada um deles.

A etapa final, Avaliação da aplicabilidade dos painéis, envolveu 26 profissionais da área de pesquisa clínica que responderam a um questionário eletrônico. A amostra foi composta predominantemente por participantes com mais de dez anos de experiência, em cargos de gestão (gerentes/diretores) e com familiaridade intermediária ou alta com análise de dados e uso de painéis. Esse perfil dos participantes confere maior consistência à interpretação dos resultados positivos obtidos, sugerindo que a ferramenta foi avaliada por um público com experiência relevante no contexto analisado. O questionário utilizou uma escala Likert de cinco pontos, variando de 1 (Discordo totalmente) a 5 (Concordo totalmente), para medir a percepção sobre a ferramenta.

O nível geral de satisfação com o painel alcançou uma média de 4,46. Os itens com as melhores avaliações, com média de 4,77, foram a facilidade de aprendizagem, a organização visual e o tempo de carregamento e resposta da ferramenta. Os participantes destacaram positivamente a compreensão do posicionamento do Brasil em relação aos países líderes, com média de 4,73, e a percepção de redução do tempo de análise em comparação com a consulta direta à plataforma ClinicalTrials.gov, com média de 4,65. O painel foi percebido como claro, de fácil uso e útil para apoiar as atividades analíticas relacionadas aos estudos clínicos, facilitando a localização de informações, o entendimento dos dados e a identificação de insights.

As respostas abertas do questionário reforçaram a percepção positiva, mas também apontaram oportunidades de aprimoramento. As sugestões mais recorrentes incluíram a necessidade de tornar mais explícito o período analisado, a inclusão de legendas ou explicações adicionais em alguns gráficos, e a ampliação do nível de detalhamento das informações. Também foi sugerido explicar melhor a origem e o recorte dos dados e incorporar novas variáveis, como classes terapêuticas, número de pacientes e distinção entre tipos de patrocinadores, o que indica um caminho para o refinamento contínuo da ferramenta e a ampliação de sua capacidade explicativa.

Em síntese, a aplicação das abordagens de inteligência de negócios permitiu o desenvolvimento de painéis interativos que organizam, visualizam e monitoram os dados de ensaios clínicos patrocinados pela indústria, fornecendo uma visão clara do posicionamento do Brasil em relação aos líderes globais. A solução demonstrou ser eficaz na transformação de dados brutos em inteligência visual, facilitando a análise e a tomada de decisão estratégica, embora a complexidade inerente aos dados e as escolhas metodológicas exijam uma interpretação cautelosa dos resultados apresentados.

4. Conclusão

O presente estudo buscou aplicar abordagens de inteligência de negócios para desenvolver painéis interativos no Microsoft Power BI® que permitissem organizar, visualizar e monitorar dados de ensaios clínicos patrocinados pela indústria, comparando o desempenho do Brasil com os três países líderes globais no período de 2015 a 2025. Verificou-se que a solução proposta, construída com base no ciclo de vida dos dados e técnicas de narrativa de dados, extraiu informações do repositório público ClinicalTrials.gov via API, manipulou-as com Python e Power Query® e as modelou em esquema estrela. Os painéis resultantes organizaram um total de 54.788 estudos em 164 países, apresentando uma visão detalhada do cenário internacional, da participação brasileira (2.118 estudos, 3,9% do total global, 19ª posição) e de sua comparação com os líderes. A aplicabilidade do painel foi avaliada por 26 profissionais da área de pesquisa clínica, que expressaram alta satisfação (média de 4,46 em 5), destacando a clareza, a facilidade de navegação e a utilidade para compreender o posicionamento do Brasil e reduzir o tempo de análise, evidenciando a eficácia da ferramenta na transformação de dados brutos em inteligência visual estratégica.

Apesar da contribuição prática da ferramenta para o monitoramento ágil e qualificado da pesquisa clínica nacional e o apoio à tomada de decisão estratégica, algumas limitações metodológicas foram identificadas. A utilização de um índice de base fixa e a média anual dos países líderes, embora essenciais para a comparação temporal, suavizaram as diferenças de magnitude e comportamentos específicos. Além disso, o foco quantitativo dos indicadores não abrangeu aspectos qualitativos importantes, como a complexidade dos estudos ou o impacto científico. As sugestões dos profissionais indicaram a necessidade de tornar mais explícito o período analisado, incluir legendas e ampliar o detalhamento das informações, incorporando variáveis como classes terapêuticas, número de pacientes e distinção entre tipos de patrocinadores. Para estudos futuros, recomenda-se investigar a aplicabilidade do painel no cotidiano da tomada de decisão e expandir o perfil de profissionais consultados para validação em diferentes contextos, além de implementar os ajustes sugeridos para o refinamento contínuo da ferramenta.

Referências Bibliográficas

Almasi, S.; Bahaadinbeigy, K.; Ahmadi, H.; Sohrabei, S.; Rabiei, R. 2023. Usability Evaluation of Dashboards: A Systematic Literature Review of Tools. BioMed Research International. 2023:9990933. doi:10.1155/2023/9990933.

Bahia, L.O. 2021. Guia Referencial para Construção e Análise de Indicadores. Enap, Brasília, DF, Brasil.

Becker, L.T.; Gould, E.M. 2019. Microsoft Power BI: Extending Excel to manipulate, analyze, and visualize diverse data. Serials Review 45(3-4):180-187. doi:10.1080/00987913.2019.1644891

Bottrighi, A., Gandini, E., Nera, S., Piovesan, L., Raina, E.; Terenziani, P. 2024. Business Intelligence Enhancements to EDC for Clinical Trial Management. In: Proceedings of the 17th International Joint Conference on Biomedical Engineering Systems and Technologies. p. 537-544. SciTePress, Setúbal, Portugal. doi:10.5220/0012396600003657

Echeverria, V.; Martinez-Maldonado, R.; Granda, R.; Chiluiza, K.; Conati, C.; Buckingham Shum, S. 2018. Driving data storytelling from learning design. In: Proceedings of the 8th International Conference on Learning Analytics and Knowledge. p. 131-140. ACM, New York, NY, Estados Unidos. doi:10.1145/3170358.3170380

Ferreira, I.T.; Freitas, C.R. de; Luche, J.R.D. 2024. Integração e automação de Data Lakes com Python para análises em Dashboards. Revista de Gestão e Secretariado, 15(9):e4105. doi:10.7769/gesec.v15i9.4105

Foley, E.; Guillemette, M.G. 2010. What is business intelligence? International Journal of Business Intelligence Research 1(4): 1-28. doi:10.4018/jbir.2010100101

Freitas, C.G; Pesavento, T.F.C.; Pedrosa, M.R.; Riera, R.; Torloni, M.R. 2016. Practical and conceptual issues of clinical trial registration for Brazilian researchers. São Paulo Medical Journal, 134(1), 28–33. doi: 10.1590/1516-3180.2014.00441803

Gil, A.C. 2022. Como Elaborar Projetos de Pesquisa. 7ed. Atlas, Barueri, SP, Brasil.

Kandi, V.; Vadakedath, S. 2023. Clinical Trials and Clinical Research: A Comprehensive Review. Cureus 15(2):e35077. doi:10.7759/cureus.35077

Knaflic, C.N. 2019. Storytelling com Dados: Um Guia Sobre Visualização de Dados. 2ed. Alta Books, Rio de Janeiro, RJ, Brasil.

National Library of Medicine. 2024. ClinicalTrials.gov – Search Areas. Disponível em: https://clinicaltrials.gov/data-api/about-api/search-areas#SponsorSearch. Acesso em: 18 jan. 2026.

National Library of Medicine. 2025. ClinicalTrials.gov – About ClinicalTrials.gov. Disponível em: https://clinicaltrials.gov/about-site/about-ctg. Acesso em: 17 jan. 2026.

Payedimarri, A.B; Mouhssine, S.; Aljadeeah, S.; Gaidano, G.; Ravinetto, R. 2023. Globalisation of industry-sponsored clinical trials for breast, lung and colon cancer research: trends, threats and opportunities. BMJ Oncology 2(1):e000101. doi:10.1136/bmjonc-2023-000101

Souibgui, M.; Atigui, F.; Zammali, S.; Cherfi, S.; Ben Said, Y. 2019. Data quality in ETL process: A preliminary study. Procedia Computer Science, 159:676–687. doi: 10.1016/j.procs.2019.09.223

Van de Ven, M.; Lara Machado, P.; Athanasopoulou, A.; Aysolmaz, B.; Turetken, O. 2023. Key performance indicators for business models: a systematic review and catalog. Information Systems and E-Business Management 21(3): 753-794. doi: 10.1007/s10257-023-00650-2

Yu, T.; Yang, X.; Clark, J.; Lin, L.; Furuya-Kanamori, L.; Xu, C. 2024. Accelerating evidence synthesis for safety assessment through ClinicalTrials.gov platform: a feasibility study. BMC Medical Research Methodology 24(1):165. doi:10.1186/s12874-024-02225-2

Zarin, D.A.; Tse, T.; Williams, R.J.; Califf, R.M.; Ide, N.C. 2011. The ClinicalTrials.gov results database update and key issues. New England Journal of Medicine 364(9): 852-860.doi:10.1056/NEJMsa1012065

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy