# healthbR ou microdatasus? Os dois pacotes R para o DATASUS, lado a lado no mesmo download Sidney Bissoli 2026-09-05 - [O que cada um cobre](#o-que-cada-um-cobre) - [O mesmo leitor, duas filosofias](#o-mesmo-leitor-duas-filosofias) - [Um download nos dois: SIH, Roraima, competência 2023-01](#um-download-nos-dois-sih-roraima-competência-2023-01) - [Tempo](#tempo) - [O que vem junto com o dado: proveniência](#o-que-vem-junto-com-o-dado-proveniência) - [Consulta preguiçosa: um ano sem baixá-lo](#consulta-preguiçosa-um-ano-sem-baixá-lo) - [SIM: óbitos, Acre 2022](#sim-óbitos-acre-2022) - [SINASC: nascidos vivos, Acre 2022](#sinasc-nascidos-vivos-acre-2022) - [De onde vêm os bytes](#de-onde-vêm-os-bytes) - [Outros caminhos](#outros-caminhos) - [Qual usar](#qual-usar) - [Para reproduzir](#para-reproduzir) *Publicado em 5 de setembro de 2026. Todos os números deste texto foram medidos nesse dia, na mesma sessão de R, com healthbR 0.3.1 (versão de desenvolvimento), microdatasus 3.0.0, arrow 25.0.0, dplyr 1.2.1 e R 4.6.1 no Windows, numa conexão residencial no Brasil. O código de cada medição está colado aqui e na [vignette em inglês](https://sidneybissoli.github.io/healthbR/articles/healthbr-vs-microdatasus.html) do pacote; nada é ilustrativo.* Quem trabalha com microdado do SUS em R — óbitos do SIM, nascidos vivos do SINASC, internações do SIH — tem dois pacotes para escolher. O [microdatasus](https://CRAN.R-project.org/package=microdatasus), do Raphael Saldanha, descrito em Saldanha et al. (2019), é a resposta habitual para “como leio o DATASUS no R”. O [healthbR](https://github.com/SidneyBissoli/healthbR) é o meu. Os dois se sobrepõem em seis sistemas do DATASUS e divergem em quase tudo o que fazem com os bytes depois do download. Este texto coloca os dois lado a lado **no mesmo download**, três vezes: internações de Roraima na competência 2023-01, óbitos do Acre em 2022 e nascimentos do Acre em 2022. Mostro o que cada um devolve, quanto demora e onde a escolha muda o resultado de um script. A intenção não é vencer uma comparação: é que quem chega ao DATASUS pelo R saiba o que está escolhendo, e que quem já usa um dos dois saiba o que o outro faz de diferente. ## O que cada um cobre | | healthbR | microdatasus 3.0.0 | |:---|:---|:---| | SIM (mortalidade) | `sim_data()`: DO, 1996–2024 | DO, DOFET, DOEXT, DOINF, DOMAT | | SINASC (nascidos vivos) | `sinasc_data()`: 1996–2024 | SINASC | | SIH (internações) | `sih_data()`: RD (AIH reduzida), 2008–2026 | RD, RJ, SP, ER | | SIA (ambulatorial) | 13 tipos de arquivo, 2008–2026 | 12 tipos de arquivo | | CNES (estabelecimentos) | 13 tipos de arquivo, 2005–2026 | 13 tipos de arquivo | | SINAN (agravos) | 31 agravos, 2007–2026 | 8 agravos (dengue, chikungunya, zika, malária, Chagas, leishmanioses visceral e tegumentar, leptospirose) | | SI-PNI (vacinação) | 1994–2026 | — | | SISAB (atenção primária) | sim | — | | Inquéritos | VIGITEL, PNS, PNAD Contínua, POF, denominadores do Censo | — | | Agências | ANS, ANVISA | — | | Tabelas auxiliares | `*_dictionary()`, `*_variables()` por módulo | SIGTAP, CADGER, `tabMun`, `tabCBO`, `tabOcupacao`, `tabNaturalidade` | O microdatasus vai mais fundo no SIM e no SIH (os extratos fetal, de causas externas, infantil e materno do SIM; os arquivos RJ, SP e ER do SIH) e traz a tabela SIGTAP de procedimentos. O healthbR vai mais largo: mais agravos do SINAN, SI-PNI, SISAB, os inquéritos domiciliares e as agências, tudo sob a mesma API `*_years()` / `*_data()` / `*_dictionary()`. ## O mesmo leitor, duas filosofias Os dois descompactam os `.dbc` do Ministério (DBF comprimido com PKWare DCL) com o **mesmo código C**: o microdatasus 3.0.0 abandonou a dependência do `read.dbc` e adotou a implementação vendorizada do healthbR — está no NEWS dele, com agradecimento. Os bytes que os dois leem são idênticos; a diferença começa logo depois. **O healthbR mantém os códigos e tipa as colunas.** `SEXO` continua `1`/`3`, `MORTE` continua `0`/`1`, `DT_INTER` vira `Date`, `VAL_TOT` vira número, `IDADE` vira inteiro. Os rótulos moram em `sih_dictionary()`, `sim_dictionary()`, `sinasc_dictionary()`, e entram por *join* quando você quiser. O `parse = TRUE` padrão converte só o que é quantitativo ou data; campo categórico codificado fica como texto, para cruzar limpo com o dicionário e com outros anos. **O microdatasus separa baixar de processar.** `fetch_datasus()` devolve toda coluna como texto, exatamente como está no DBF. `process_sih()`, `process_sim()`, `process_sinasc()` trocam os códigos por rótulos (`SEXO` vira `"Masculino"`/`"Feminino"`, `MORTE` vira `"Não"`/`"Sim"`), convertem datas, abrem o campo de idade do SIM em uma coluna por unidade e, com `municipality_data = TRUE`, juntam nome, coordenadas e altitude do município. O resultado é um tibble de colunas de texto. Nenhum dos dois está errado. Rótulo é o que se quer numa tabela de relatório; código é o que se quer para cruzar com dicionário, comparar anos ou alimentar um modelo. A armadilha é misturar: depois de `process_sih()`, `MORTE == 1` é `FALSE` em todas as linhas, e `substr(DT_INTER, 5, 6)` já não é o mês, porque os dois foram reescritos. ## Um download nos dois: SIH, Roraima, competência 2023-01 Roraima é o menor arquivo do SIH; janeiro de 2023 tem 4.734 internações. As duas leituras partem de cache vazio. ``` r library(healthbR) library(microdatasus) library(dplyr) # healthbR rr_h <- sih_data(year = 2023, month = 1, uf = "RR") #> ℹ Reading SIH data from R2: 2023/01 (1 UF(s))... dim(rr_h) #> [1] 4734 116 table(vapply(rr_h, function(x) class(x)[1], "")) #> character Date integer numeric #> 101 3 7 5 # microdatasus rr_m <- fetch_datasus(year_start = 2023, month_start = 1, year_end = 2023, month_end = 1, uf = "RR", information_system = "SIH-RD") dim(rr_m) #> [1] 4734 113 rr_mp <- process_sih(rr_m) dim(rr_mp) #> [1] 4734 121 ``` As mesmas 4.734 linhas; os conjuntos de `N_AIH` são idênticos. O healthbR acrescenta três colunas (`year`, `month`, `uf_source`: a competência e a UF do arquivo, que o registro da AIH não carrega); o `process_sih()` acrescenta oito (`munResNome`, `munResUf`, latitude, longitude, altitude, área, status e tipo do município de residência). Os mesmos cinco registros, de três jeitos: ``` r cols <- c("N_AIH", "SEXO", "COD_IDADE", "IDADE", "MORTE", "DT_INTER", "DIAG_PRINC", "MUNIC_RES", "VAL_TOT") as.data.frame(head(rr_h[cols], 5)) # healthbR #> N_AIH SEXO COD_IDADE IDADE MORTE DT_INTER DIAG_PRINC MUNIC_RES VAL_TOT #> 1 1423100411392 3 4 18 0 2022-12-13 O809 140017 568.80 #> 2 1423100911661 1 4 83 0 2022-12-26 J189 140010 994.59 #> 3 1423100911672 3 4 65 0 2022-12-03 I219 140010 620.12 #> 4 1423100911683 1 4 58 0 2022-12-26 I248 140020 333.08 #> 5 1423100911694 1 4 35 0 2022-11-01 A499 140010 11202.59 as.data.frame(head(rr_m[cols], 5)) # microdatasus, cru #> N_AIH SEXO COD_IDADE IDADE MORTE DT_INTER DIAG_PRINC MUNIC_RES VAL_TOT #> 1 1423100411392 3 4 18 0 20221213 O809 140017 568.8 #> 2 1423100911661 1 4 83 0 20221226 J189 140010 994.59 #> 3 1423100911672 3 4 65 0 20221203 I219 140010 620.12 #> 4 1423100911683 1 4 58 0 20221226 I248 140020 333.08 #> 5 1423100911694 1 4 35 0 20221101 A499 140010 11202.59 as.data.frame(head(rr_mp[c(cols, "munResNome")], 5)) # microdatasus, processado #> N_AIH SEXO COD_IDADE IDADE MORTE DT_INTER DIAG_PRINC MUNIC_RES VAL_TOT munResNome #> 1 1423100411392 Feminino Anos 18 Não 2022-12-13 O809 140017 568.8 Cantá #> 2 1423100911661 Masculino Anos 83 Não 2022-12-26 J189 140010 994.59 Boa Vista #> 3 1423100911672 Feminino Anos 65 Não 2022-12-03 I219 140010 620.12 Boa Vista #> 4 1423100911683 Masculino Anos 58 Não 2022-12-26 I248 140020 333.08 Caracaraí #> 5 1423100911694 Masculino Anos 35 Não 2022-11-01 A499 140010 11202.59 Boa Vista ``` Repare em `DT_INTER`: as internações faturadas na competência 2023-01 aconteceram em novembro e dezembro de 2022. Nos dois pacotes, `year`/`month` (ou `year_start`/`month_start`) selecionam a **competência de faturamento**, não a data da internação; as internações de um ano-calendário seguem chegando por algumas competências depois dele (medido no espelho inteiro: as quatro competências seguintes fecham 99,7–99,9% das internações do ano). Nenhum pacote muda isso; os dois devem ser usados sabendo disso. E a armadilha, numa linha de cada: ``` r sum(rr_h$MORTE == 1) # healthbR: código inteiro #> [1] 113 sum(rr_m$MORTE == "1") # microdatasus cru: código como texto #> [1] 113 sum(rr_mp$MORTE == 1) # microdatasus processado: o código se foi #> [1] 0 table(rr_mp$MORTE) #> Não Sim #> 4621 113 ``` Os mesmos 113 óbitos; a terceira linha é a que devolve zero em silêncio num script escrito contra códigos. Descobri isso da pior forma: um cubo de agregados do meu próprio servidor MCP do SIH ficou meses com sexo “ignorado” em todas as linhas e óbitos zerados, porque o script comparava códigos depois de um `process_sih()`. Nenhum teste reclamou — o rótulo é justamente o que impede a desconfiança. No healthbR o rótulo está a um *join* de distância: ``` r sih_dictionary("MORTE") #> # A tibble: 2 × 4 #> variable description code label #> 1 MORTE Óbito durante internação 0 Não #> 2 MORTE Óbito durante internação 1 Sim ``` ### Tempo | Passo | healthbR | microdatasus | |:---|---:|---:| | Cache vazio, espelho (manifesto de 11.157 partições + um Parquet) | 11,4 s | — | | Cache vazio, FTP do DATASUS, `.dbc` (`source = "datasus"`) | 1,1 s | 2,7 s | | A mesma chamada de novo, na sessão | 0,5 s (cache Parquet local) | baixa de novo (não há cache) | | Rótulos (`process_sih()`) | — | 0,8 s | | Tamanho em memória | 4,8 MB | 5,4 MB cru, 5,7 MB processado | Num arquivo de 349 KB o FTP vence a primeira leitura: o preço de entrada do espelho é o manifesto de 10 MB, baixado uma vez e revalidado por ETag depois (`sih_status()` o lê em 0,4 s daí em diante). O espelho se paga nas leituras repetidas, nas consultas preguiçosas sobre muitas competências e no que vem junto com o dado. Uma confissão de medição: na primeira rodada, a leitura “quente” do healthbR levava 5,5 s — mais que o FTP frio. A causa era do pacote: montar o resumo do manifesto (11 mil partições) custava 4,6 s e rodava em *toda* chamada. Foi corrigido antes de publicar (o resumo agora é memorizado por conteúdo do manifesto) e os números acima são do código corrigido. Medir contra o concorrente é um bom jeito de achar as próprias lentidões. ## O que vem junto com o dado: proveniência Do espelho, o tibble carrega a fonte que o serviu e uma linha por arquivo do DATASUS por trás dele — URL, MD5 e tamanho do `.dbc`, contagem de registros, quando foi processado e por qual versão do pipeline: ``` r attr(rr_h, "healthbr_source") #> [1] "r2" attr(rr_h, "healthbr_provenance") |> select(year, month, uf, records, source_hash_md5, source_size_bytes) #> year month uf records source_hash_md5 source_size_bytes #> 1 2023 1 RR 4734 12e74d4b059589ceb47e4136e3b2ce5f 349244 ``` `sih_status()` dá o mesmo para toda partição publicada — é como se descobre quais competências existem e se o Ministério reeditou um arquivo (o MD5 muda): ``` r st <- sih_status() nrow(st) #> [1] 11157 attr(st, "last_updated") #> [1] "2026-08-18T12:33:31" range(st$year) #> [1] 1992 2026 ``` O microdatasus 3.0.0 tem `track_source = TRUE`, que acrescenta uma coluna `source` com o nome do `.dbc` de origem de cada linha; não registra hash nem data, e o FTP não os oferece. Se o seu produto derivado precisa dizer exatamente de quais arquivos foi construído, essa é a diferença que importa. ## Consulta preguiçosa: um ano sem baixá-lo `lazy = TRUE` no healthbR devolve um dataset arrow (ou duckdb) sobre o espelho; filtros e seleções de coluna descem para o motor e só os bytes que casam viajam. Óbitos por competência em Roraima em todo o 2023, sem nada em cache: ``` r sih_data(year = 2023, uf = "RR", lazy = TRUE) |> filter(MORTE == 1) |> count(month) |> collect() |> arrange(month) #> month n #> 1 1 113 #> 2 2 120 #> 3 3 175 #> 4 4 166 #> 5 5 118 #> 6 6 78 #> 7 7 97 #> 8 8 144 #> 9 9 105 #> 10 10 104 #> 11 11 128 #> 12 12 102 ``` 19,4 s para doze competências, sem cópia local. No microdatasus o equivalente é `fetch_datasus(2023, 1, 2023, 12, uf = "RR", information_system = "SIH-RD")`: doze `.dbc` baixados, todas as linhas em memória, depois o `filter()`. Para um estado pequeno é indiferente; para o país inteiro (um ano de SIH tem uns 2 GB de `.dbc`) a diferença decide se a consulta cabe num notebook. ## SIM: óbitos, Acre 2022 ``` r ac_h <- sim_data(year = 2022, uf = "AC") # 1,5 s ac_m <- fetch_datasus(2022, year_end = 2022, uf = "AC", information_system = "SIM-DO") # 2,1 s ac_mp <- process_sim(ac_m) # 0,7 s dim(ac_h); dim(ac_m); dim(ac_mp) #> [1] 4159 90 #> [1] 4159 87 #> [1] 4159 100 ``` Os mesmos 4.159 óbitos. A coluna interessante é a idade. O SIM a guarda em três caracteres: o primeiro é a unidade (0 minutos, 1 horas, 2 dias, 3 meses, 4 anos, 5 anos acima de 100) e os dois últimos o valor. Os dois pacotes a decodificam de modos diferentes: ``` r # seis óbitos infantis, as mesmas linhas nos dois #> IDADE healthbR_age_years md_IDADEanos md_IDADEmeses md_IDADEdias md_IDADEhoras #> 1 021 3.992699e-05 #> 2 101 1.140771e-04 1 #> 3 201 2.737851e-03 1 #> 4 302 1.666667e-01 2 #> 5 102 2.281542e-04 2 #> 6 108 9.126169e-04 8 ``` O healthbR (`decode_age = TRUE`, padrão) acrescenta uma coluna numérica `age_years` contínua — 21 minutos são 0,00004 ano, 2 meses são 0,167 —, de modo que faixas etárias e taxas saem de uma coluna só; o `IDADE` original fica. O microdatasus abre o campo em `IDADEminutos`, `IDADEhoras`, `IDADEdias`, `IDADEmeses`, `IDADEanos`, cada uma `NA` fora da sua unidade — mais próximo de como a DO se lê, com a unidade explícita. Para mortalidade adulta os dois concordam ao ano; para mortalidade infantil você vai buscar colunas diferentes. ## SINASC: nascidos vivos, Acre 2022 ``` r ac_n <- sinasc_data(year = 2022, uf = "AC") # 3,1 s class(ac_n$PESO); sum(is.na(ac_n$PESO)); median(ac_n$PESO, na.rm = TRUE) #> [1] "integer" #> [1] 94 #> [1] 3230 ac_nm <- fetch_datasus(2022, year_end = 2022, uf = "AC", information_system = "SINASC") # 3,3 s ac_nmp <- process_sinasc(ac_nm) # 3,5 s sum(is.na(ac_nm$PESO)); sum(is.na(ac_nmp$PESO)) #> [1] 94 #> [1] 14483 ``` Os mesmos 14.483 nascimentos. Uma coisa a saber antes de confiar no `process_sinasc()` nas versões medidas aqui: ele devolveu `PESO` (peso ao nascer) como `NA` em todas as linhas, enquanto a coluna crua tinha 94 faltantes em 14.483. O comportamento se reproduz sem rede, com a amostra do próprio pacote: ``` r sum(is.na(microdatasus::sinasc_sample$PESO)) #> [1] 2 sum(is.na(process_sinasc(microdatasus::sinasc_sample)$PESO)) #> [1] 100 ``` A recodificação dos sentinelas (`"0"` e `"9999"` para `NA`) é seguida de um `as.numeric()`, e com o dplyr 1.2.1 a coluna inteira volta faltante. É o tipo de coisa que um mantenedor conserta numa tarde depois de avisado — confira o NEWS e as issues do pacote para as suas versões e, enquanto isso, pegue o `PESO` do tibble cru. O healthbR não reescreve a coluna: `PESO` é lido como inteiro e os sentinelas ficam para você tratar. ## De onde vêm os bytes | | healthbR | microdatasus | |:---|:---|:---| | SIM, SINASC, SIA, SINAN, CNES | FTP do DATASUS, `.dbc`, descompactado localmente | FTP do DATASUS, `.dbc`, descompactado localmente | | SIH, SI-PNI | espelho [healthbr-data](https://github.com/SidneyBissoli/healthbr-data): Parquet particionado no Cloudflare R2, uma partição por arquivo do DATASUS, valores idênticos byte a byte, proveniência por arquivo; FTP como reserva | FTP do DATASUS | | Cache local | Parquet particionado por módulo; a segunda chamada não toca a rede | não há; toda chamada baixa | | Arquivos reeditados | `sih_status()`: MD5 e tamanho por partição, `last_updated` do espelho | — | | Consulta preguiçosa | `lazy = TRUE`, arrow ou duckdb, sobre o cache ou o espelho | — | | Download paralelo | `future::plan(multisession)` + furrr | sequencial | O espelho é conferido toda semana contra o FTP por tamanho de arquivo (o FTP não oferece ETag nem hash), e um arquivo reeditado é republicado com MD5 novo no manifesto — é isso que o `sih_status()` lê. ## Outros caminhos Dois outros projetos respondem à mesma pergunta e não foram medidos aqui: o [PySUS](https://github.com/AlertaDengue/PySUS), pacote Python que cobre SIM, SINASC, SIH, SIA, CNES e SINAN a partir do mesmo FTP, e a [Base dos Dados](https://basedosdados.org), que serve tabelas tratadas do SIM e do SINASC via BigQuery com cliente em R. Pipeline em Python, PySUS; SQL sobre tabela já tratada e uma conta no BigQuery, Base dos Dados. ## Qual usar - **Quer rótulos no tibble e uma tabela rápida**: microdatasus. `process_*()` faz numa chamada o que levaria alguns *joins* no healthbR, e ainda traz nome e coordenadas do município. - **Cruza, compara anos ou modela**: healthbR. Código continua código, tipo já vem convertido, dicionário é função e nada é reescrito por baixo de você. - **Lê SIH em escala, ou repetidamente**: healthbR. Cache Parquet local, consulta preguiçosa sobre o espelho, proveniência citável. - **Precisa dos extratos fetal/infantil/materno do SIM, dos arquivos RJ/SP/ER do SIH ou do SIGTAP**: microdatasus, que os tem e o healthbR (ainda) não. - **Precisa de SI-PNI, SISAB, inquéritos, ANS ou ANVISA**: healthbR; o microdatasus para no DATASUS. Eles também se compõem. `fetch_datasus()` e `sih_data(parse = FALSE)` devolvem as mesmas colunas de texto para o mesmo arquivo, então um script pode ler com um e rotular com o outro: ``` r sih_data(year = 2023, month = 1, uf = "RR", parse = FALSE) |> process_sih() ``` ## Para reproduzir ``` r install.packages(c("microdatasus", "arrow")) # install.packages("pak"); pak::pak("SidneyBissoli/healthbR") # versão dev sih_clear_cache(); sim_clear_cache(); sinasc_clear_cache() system.time(sih_data(year = 2023, month = 1, uf = "RR")) system.time(fetch_datasus(2023, 1, 2023, 1, uf = "RR", information_system = "SIH-RD")) ``` A versão em inglês, com as mesmas saídas, é a [vignette do pacote](https://sidneybissoli.github.io/healthbR/articles/healthbr-vs-microdatasus.html). O healthbR está no [CRAN](https://CRAN.R-project.org/package=healthbR) (0.2.0) e no [GitHub](https://github.com/SidneyBissoli/healthbR) (versão de desenvolvimento, com o espelho do SIH). Um agradecimento ao Raphael Saldanha: o microdatasus abriu o caminho que o healthbR percorre, e a adoção do leitor de `.dbc` do healthbR na 3.0.0 é o tipo de troca que faz os dois melhorarem.