02 de fevereiro de 2026
Inteligência de dados no atendimento pós-operatório de lipedema: visualização aplicada e apoio à decisão
Caio Santos Ferarezi; Fernando Celso de Campos
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
O objetivo deste trabalho é desenvolver um painel gerencial interativo para consolidar e visualizar dados históricos de atendimentos pós-operatórios de pacientes com lipedema, evidenciando tendências e padrões para fornecer insights estratégicos à gestão de uma empresa do segmento. A pesquisa visa transformar dados operacionais fragmentados em um ativo estratégico, permitindo o monitoramento de performance, a antecipação de demandas sazonais e a identificação de oportunidades de otimização. A aplicação de inteligência de negócios busca preencher uma lacuna gerencial; a ausência de uma visão consolidada dos dados limitava o planejamento, substituindo processos manuais por uma cultura orientada por dados.
O contexto da pesquisa é o crescimento do mercado de cirurgias plásticas no Brasil, um dos líderes globais em procedimentos (ISAPS, 2022). Neste cenário, a cirurgia para tratamento do lipedema ganha destaque. O lipedema é uma condição crônica de acúmulo desproporcional de tecido adiposo, principalmente nos membros inferiores, que afeta majoritariamente mulheres, causando dor, limitação funcional e impacto na qualidade de vida (Kruppa et al., 2020). Frequentemente confundido com obesidade, seu tratamento pode envolver lipoaspiração tumescente, que exige um acompanhamento pós-operatório especializado para garantir a recuperação e os resultados (Forner-Cordero et al., 2021).
A crescente procura por este procedimento impulsiona a demanda por serviços de reabilitação pós-operatória, criando um nicho de mercado competitivo. Para empresas do setor, a capacidade de compreender tendências, otimizar a alocação de profissionais e gerenciar o volume de atendimentos é um diferencial competitivo. A gestão baseada em dados torna-se fundamental, permitindo que decisões sejam embasadas em evidências extraídas das operações. O uso sistemático de dados para guiar a estratégia aumenta a previsibilidade dos resultados e fortalece a competitividade do negócio (Davenport, 2006).
A gestão orientada por dados se materializa em painéis gerenciais, ou dashboards, ferramentas de visualização que apresentam indicadores de desempenho chave (KPIs) de forma clara e interativa. Esses painéis traduzem grandes volumes de dados em representações visuais, como gráficos e tabelas, que facilitam o monitoramento de métricas, a identificação de tendências e a detecção de anomalias (Kumar & Belwal, 2017). Ao centralizar informações críticas, os dashboards otimizam o tempo de análise e capacitam os gestores a compreender o comportamento histórico do negócio, aumentando a assertividade das decisões.
Dentre as plataformas de Business Intelligence (BI), o Microsoft Power BI se destaca por sua robustez, integração com fontes de dados e capacidade de promover o “data storytelling”, a construção de narrativas a partir dos dados (Becker & Gould, 2019). A ferramenta permite a criação de visualizações interativas, possibilitando que os usuários explorem os dados sob diferentes perspectivas. A combinação de dados, elementos visuais e narrativa potencializa a geração de insights acionáveis e alinha os resultados analíticos às metas organizacionais, democratizando o acesso à informação (Echeverria et al., 2021; Town & Thabtah, 2019).
A abordagem metodológica foi estruturada em quatro etapas para transformar dados brutos em um painel gerencial estratégico. A pesquisa, de natureza aplicada e exploratório-descritiva, utilizou um conjunto de dados históricos de uma empresa especializada, tendo como fonte primária os registros financeiros de repasses às funcionárias. O processo envolveu técnicas de extração, transformação e carregamento (ETL), modelagem dimensional e visualização de dados para subsidiar a tomada de decisão.
A primeira etapa consistiu no levantamento de requisitos e mapeamento de processos para alinhar a solução às necessidades do negócio. Entrevistas com gestores e stakeholders ajudaram a compreender os fluxos de trabalho e identificar as métricas de maior relevância e os gargalos informacionais, como a falta de padronização e a descentralização de dados. Este mapeamento, conforme Harmon (2019), foi essencial para definir o escopo do projeto e garantir que o painel respondesse às perguntas de negócio críticas.
A segunda e terceira etapas, integradas, abrangeram o entendimento técnico, a extração e o tratamento dos dados. Inicialmente, avaliou-se o Power Query para extrair dados de centenas de arquivos PDF, mas a ferramenta apresentou limitações para automatizar a leitura recursiva. Optou-se pela linguagem Python, que ofereceu maior flexibilidade e controle. Um script foi desenvolvido para ler os arquivos, extrair campos como nome do paciente, data, tipo de atendimento e valores, e consolidar tudo em uma base de dados tabular. Em seguida, aplicou-se um rigoroso processo de tratamento, incluindo limpeza de dados, tratamento de valores ausentes e duplicados para garantir a consistência (Redman, 2001), padronização de variáveis e criação de agregações. Uma etapa fundamental foi a anonimização dos dados sensíveis de pacientes e funcionárias, substituindo nomes por identificadores únicos para proteger a privacidade.
A quarta etapa foi o desenvolvimento do painel gerencial no Microsoft Power BI. Com a base de dados tratada, iniciou-se a modelagem dimensional (Kimball & Ross, 2013), criando uma tabela fato (tbatendimentos) e uma dimensão calendário (dcalendario) para análises temporais. O design do dashboard seguiu as melhores práticas de visualização de dados, priorizando clareza e objetividade (Few, 2004; Tufte, 2001). Foram implementados gráficos interativos, tabelas e KPIs. Medidas analíticas, como cálculos de crescimento homólogo (Year-over-Year), foram desenvolvidas com a linguagem DAX (Data Analysis Expressions), essencial para inteligência temporal (Ferrari & Russo, 2019). A interatividade foi garantida por filtros e segmentadores, permitindo a exploração flexível da informação (Shneiderman, 1996). O painel foi validado com os stakeholders para garantir sua aderência às necessidades e usabilidade, considerando que a percepção estética influencia a aceitação da ferramenta (Cawthon & Moere, 2007).
Os resultados obtidos com o painel gerencial no Power BI revelaram insights estratégicos valiosos. O painel foi projetado em uma visão de página única, organizada em três seções que oferecem uma visão holística do desempenho operacional e financeiro. A interatividade permite que os gestores filtrem os dados por múltiplos critérios, transformando o dashboard em uma ferramenta dinâmica de exploração. A consolidação dos dados, antes dispersos, em uma única interface visual representa o primeiro resultado tangível do projeto.
A primeira seção, “Big Numbers”, apresenta os indicadores agregados mais importantes por meio de cartões visuais. Esta seção oferece uma fotografia da operação, consolidando dados de janeiro de 2021 a abril de 2025. Os resultados apontam 30 funcionárias ativas, 3.363 pacientes distintos e 26.042 atendimentos. Financeiramente, o repasse total às profissionais somou R$ 2,33 milhões, com um valor médio por atendimento de R$ 89,00. Estes números quantificam o volume da empresa e servem como linha de base para o monitoramento de desempenho e estabelecimento de metas.
A segunda seção, de Análise Histórica, utiliza um gráfico de linhas para visualizar a evolução do volume de atendimentos e dos repasses financeiros, com funcionalidade de “drill-down” para alternar a granularidade (mês, trimestre, ano). A análise revelou um padrão de sazonalidade claro: um pico de atividade no terceiro trimestre (julho a setembro), com crescimentos como o de 79,8% no terceiro trimestre de 2022 em relação ao segundo. Em contrapartida, o quarto trimestre (outubro a dezembro) apresenta queda na demanda, como a redução de 31,2% no quarto trimestre de 2024. Este insight sugere que a demanda está atrelada a períodos de maior realização de cirurgias, permitindo à empresa planejar a alocação de pessoal, a gestão de caixa e ações de marketing.
A terceira seção foca na Análise de Funcionárias e Serviços. Um gráfico de barras horizontais evidenciou uma forte concentração de receita em poucas profissionais. As cinco principais funcionárias foram responsáveis por mais de 40% do valor total pago, com destaque para a “Funcionária 011”, que acumulou R$ 305 mil em repasses. Esta descoberta aponta para uma dependência de profissionais-chave, o que representa tanto um reconhecimento de performance quanto um risco operacional a ser gerenciado com programas de retenção e desenvolvimento.
A análise por tipo de serviço revelou uma concentração ainda maior. O procedimento de “Drenagem Lipedema” foi responsável por mais de R$ 1,3 milhão em repasses, seguido por “Drenagem + Taping”, com R$ 377 mil. Juntos, representaram mais de 70% do faturamento. Este dado confirma a especialização da empresa, mas expõe uma vulnerabilidade associada à baixa diversificação do portfólio. A gestão pode usar essa informação para explorar serviços complementares ou reforçar sua liderança nos serviços atuais.
Para aprofundar a análise de desempenho, um gráfico de dispersão dinâmico cruza métricas como quantidade de atendimentos, pacientes e repasses. Linhas de média dividem o gráfico em quatro quadrantes de desempenho, facilitando a identificação de perfis. A análise revelou que fisioterapeutas se destacaram por repasses mais elevados, associados a maior variedade de atendimentos, enquanto enfermeiras, embora atendessem muitos pacientes, registraram um valor médio de repasse inferior. Esta segmentação permite à gestão desenvolver estratégias direcionadas de capacitação e remuneração.
A discussão dos resultados evidencia o sucesso do projeto em transformar dados brutos em uma ferramenta analítica de alto impacto. O painel no Power BI centralizou e tornou as informações acionáveis. A identificação de padrões de sazonalidade fornece uma base empírica para o planejamento de recursos, substituindo a intuição por uma abordagem proativa. A quantificação da concentração de receita em poucas profissionais e serviços ilumina riscos estratégicos que podem ser mitigados. O feedback positivo da empresa parceira valida a relevância da solução.
Apesar dos avanços, o estudo possui limitações. A análise baseou-se em dados de uma única empresa, o que impede a generalização dos resultados. A qualidade dos dados, dependente de registros manuais, pode conter imprecisões. O estudo não incorporou variáveis externas, como o contexto macroeconômico, nem métricas de qualidade, como a satisfação do paciente. A continuidade do uso da ferramenta dependerá do engajamento da equipe interna para realizar as atualizações periódicas.
O presente estudo demonstrou como a aplicação de técnicas de análise e visualização de dados com o Microsoft Power BI pode gerar valor para a gestão de uma empresa no setor de saúde. A solução permitiu a estruturação de dados históricos, viabilizando a identificação de padrões como sazonalidade da demanda, concentração de repasses e perfis de desempenho. Estes achados fornecem subsídios para a otimização de recursos, planejamento estratégico e promoção de uma cultura orientada por dados, reforçando o potencial da inteligência de negócios para aumentar a eficiência no setor.
As limitações do estudo abrem caminhos para futuras pesquisas. Recomenda-se a expansão da base de dados para incluir múltiplas empresas, permitindo análises comparativas. A integração de indicadores clínicos e de métricas de satisfação proporcionaria uma visão mais completa do desempenho. Adicionalmente, a aplicação de técnicas de modelagem preditiva poderia ser explorada para prever futuras demandas com maior precisão. Conclui-se que o objetivo foi atingido: demonstrou-se que o desenvolvimento de um painel gerencial interativo é uma ferramenta eficaz para extrair insights estratégicos a partir de dados históricos de atendimentos, apoiando a gestão de uma empresa de pós-operatório de lipedema.
Referências:
Becker, L. T.; Gould, E. M. 2019. Microsoft Power BI: Extending Excel to manipulate, analyze, and visualize diverse data. Serials Review.
Cawthon, N.; Moere, A. 2007. The effect of aesthetic on the usability of data visualization. IEEE Transactions on Visualization and Computer Graphics 13(6): 1121–1128.
Davenport, T. H. 2006. Competing on analytics. Harvard Business Review 84(1): 98–107.
Echeverria, V.; Lawrence, L.; Tsai, Y. S.; Singh, S.; Martinez-Maldonado, R.; Fernandez-Nieto, G. 2021. A tutorial on data storytelling techniques for learning analytics dashboards. Companion Proceedings of the 11th International Conference on Learning Analytics & Knowledge.
Few, S. 2004. Show Me the Numbers: Designing Tables and Graphs to Enlighten. Analytics Press, Burlingame, CA, EUA.
Forner-Cordero, I.; Forner-Cordero, A.; Szolnoky, G. 2021. Update in the management of lipedema. International Angiology 40(0): 1–11.
Harmon, P. 2019. Business Process Change: A Business Process Management Guide for Managers and Process Professionals. 4ed. Morgan Kaufmann, Cambridge, MA, EUA.
International Society of Aesthetic Plastic Surgery [ISAPS]. 2022. International Study on Aesthetic/Cosmetic Procedures Performed in 2022.
Kimball, R.; Ross, M. 2013. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3ed. John Wiley & Sons, Indianapolis, IN, EUA.
Kruppa, P.; Georgiou, I.; Biermann, N.; Prantl, L.; Klein-Weigel, P.; Ghods, M. 2020. Lipedema—pathogenesis, diagnosis and treatment options. Deutsches Ärzteblatt International 117(25): 396–403.
Microsoft. 2025. Power BI Documentation.
Paolacci, S.; Precone, V.; Acquaviva, F.; Chiurazzi, P.; Fulcheri, E.; Pinelli, M.; Buffelli, F.; Michelini, S.; Herbst, K. L.; Unfer, V.; Bertelli, M. 2019. Genetics of lipedema: new perspectives on genetic research and molecular diagnoses. European Review for Medical and Pharmacological Sciences 23(12): 5581–5594.
Redman, T. C. 2001. Data Quality: The Field Guide. Digital Press, Burlington, MA, EUA.
Russo, M.; Ferrari, A. 2019. Capítulo 8 – Time intelligence calculations. In: The Definitive Guide to DAX: Business Intelligence for Microsoft Power BI, SQL Server Analysis Services, and Excel. Microsoft Press, Redmond, WA, EUA.
Shneiderman, B. 1996. The eyes have it: a task by data type taxonomy for information visualization. Proceedings of the IEEE Symposium on Visual Languages 5(3): 336–343.
Town, P.; Thabtah, F. 2019. Data analytics tools: A user perspective. Journal of Information & Knowledge Management 18(1): 1950002.
Tufte, E. R. 2001. The Visual Display of Quantitative Information. 2ed. Graphics Press, Cheshire, CT, EUA.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:

