Data e local de processamento e data e local de ocorrência do evento
Os arquivos disponibilizados pelo DataSUS são organizados segundo data e local de processamento. Assim, ao se consultar por exemplo, os dados do SIM para 2020 no RJ, são obtidos os dados dos óbitos que foram processados no estado do Rio de Janeiro no ano de 2020.
O local e data de processamento pode ser diferente do local e data de ocorrência do evento. Por exemplo, um óbito ocorrido em Dezembro de 2019 pode ser processado pelas Secretariais de Saúde e pelo DataSUS apenas no mês seguinte, indo para o arquivo de Janeiro de 2020.
Desta forma, para garantir que você tem os dados de todos em eventos ocorridos em um ano e/ou mês específico, recomenda-se baixar os dados aos anos e mêses vizinhos, filtrando posteriormente os registros pela data de ocorrência desejada.
Exemplo: Para se computador os óbitos ocorridos no Acre em 2020, recomenda-se baixar os dados de 2019, 2020 e 2021.
library(microdatasus)
library(dplyr)
library(lubridate)
sim_raw <- fetch_datasus(
year_start = 2019, year_end = 2021,
uf = "AC",
information_system = "SIM-DO"
)
sim_p <- process_sim(sim_raw)
sim_f <- sim_p %>%
filter(year(DTOBITO) == 2020)Download timeout
Por padrão, o R espera que um arquivo seja baixado em até 60 segundos. Ao baixar algum arquivo muito grande ou com uma conexão com a Internet lenta, o tempo necessário para download será maior. Neste caso, você verá uma mensagem de warning semelhante a esta:
1: In utils::download.file(file, temp, mode = "wb", method = "libcurl") :
downloaded length 12260742 != reported length 30474112
2: In utils::download.file(file, temp, mode = "wb", method = "libcurl") :
URL 'ftp://ftp.datasus.gov.br/dissemin/publicos/SINAN/DADOS/FINAIS/DENGBR10.dbc': Timeout of 60 seconds was reachedPara corrigir isto, é bem simples: aumente o tempo de tolerância do R para downloads. Exemplo: tolerância de 2 minutos.
options(timeout = 120)Download de muitos dados
O download dos dados através do pacote é realizado em memória. Isto significa que cada arquivo baixado do DataSUS é lido e armazenado na memória RAM do computador. Caso você esteja baixando muitos arquivos, para vários estados e anos, você irá precisar de mais memória RAM disponível.
Um modo de contornar este problema é a realizar o download e armazenar os resultados em um banco de dados, como SQLite, DuckDB ou outro. Abaixo segue um exemplo de como fazer isso.
Realiza download e pré-processamento dos dados em loop
anos <- c(2019, 2020)
meses <- 1:12
ufs <- c("AC", "AL", "AP", "AM", "BA", "CE", "DF", "ES",
"GO", "MA", "MT", "MS", "MG", "PA", "PB", "PR", "PE",
"PI", "RJ", "RN", "RS", "RO", "RR", "SC", "SP", "SE",
"TO")
for(ano in anos){
for(mes in meses){
for(uf in ufs){
# Baixa o dado para um ano, mês e UF específico
tmp <- fetch_datasus(
year_start = ano, year_end = ano,
month_start = mes, month_end = mes,
uf = uf, information_system = "SIH-RD"
)
# Pré-processamento dos dados
tmp <- process_sih(data = tmp)
# Escreve na tabela "sih" no banco de dados,
# apensando os dados de cada ano e mês
dbWriteTable(conn = conn, name = "sih", value = tmp, append = TRUE)
# Remove a tabela temporária
rm(tmp)
}
}
}