walmeidadf/ChatBulario

ChatBulário

Dataset de perguntas e respostas em português brasileiro construído a partir das bulas do paciente de medicamentos registrados no Bulário Eletrônico da ANVISA. Cada exemplo corresponde a uma das nove seções padronizadas pela RDC 47/2009 — textos escritos em linguagem acessível ao paciente, acompanhados de metadados do medicamento.

Este dataset não é produzido nem endossado pela ANVISA. É uma compilação independente de documentos públicos disponibilizados pela agência.

Código-fonte e pipeline de construção: github.com/walmeidadf/ChatBulario

---

Motivação

A bula do paciente brasileira tem uma estrutura única: a RDC 47/2009 obriga que todos os medicamentos registrados apresentem suas informações em torno de nove perguntas fixas, escritas na segunda pessoa e em linguagem não-técnica. Essa uniformidade cria um alinhamento natural entre pergunta e resposta — raro em textos médicos — que o ChatBulário explora para gerar pares supervisionados de alta qualidade.

O dataset é adequado para:

• Question answering de domínio fechado — dada uma pergunta da RDC 47/2009 e metadados de um medicamento, recuperar ou gerar a resposta correta
• Instruction-tuning — fine-tuning de LLMs para o domínio farmacêutico em português
• RAG / busca semântica — base de conhecimento estruturada para chatbots de informação sobre medicamentos

---

Fonte dos dados

As bulas são disponibilizadas publicamente pela ANVISA em dois pontos:

Fonte	URL	Uso neste dataset
Bulário Eletrônico	consultas.anvisa.gov.br	Download dos PDFs das bulas do paciente
Dados Abertos ANVISA	dados.anvisa.gov.br/dados/DADOS_ABERTOS_MEDICAMENTOS.zip	Catálogo com metadados de ~10k medicamentos ativos

A coleta abrangeu o universo de medicamentos com número de registro ativo no CSV de Dados Abertos, resultando em 8.258 PDFs de bulas do paciente baixados.

---

Como foi construído

1. Coleta

A API do Bulário (consultas.anvisa.gov.br) é protegida por Cloudflare. A solução utilizada foi um Chromium headless real via Playwright, que resolve o challenge de forma transparente e executa fetch() de dentro da página com Authorization: Guest. A coleta é dirigida pelo campo NUMERO_REGISTRO_PRODUTO do CSV, com ritmo de 1,5 s + jitter entre requisições e backoff exponencial em erros 429/503.

2. Extração de texto (PDF → texto)

Cada PDF foi processado com PyMuPDF para extração de texto. Artefatos corrigidos deterministicamente:

• Cabeçalhos e rodapés padrão RDC 47/2009 removidos por regex
• Hifenização de quebra de linha reconstituída (cirurgião-\ndentista → cirurgião-dentista)
• PDFs multi-bula (alguns registros agrupam bulas de diferentes apresentações): isolada apenas a primeira bula por split em âncora textual
• Bulas escaneadas (sem camada de texto) descartadas — 22 bulas, sem OCR nesta versão

3. Segmentação nas 9 seções (fuzzy matching)

A localização das seções usa fuzzy matching (biblioteca rapidfuzz, limiar 80) sobre os títulos padronizados da RDC 47/2009. O algoritmo tolera variações tipográficas comuns nas bulas: numeração isolada em linha separada, abreviações e grafias alternativas.

Cobertura: 88% das bulas com as 9 seções completas; 12% com seções parciais (layouts atípicos) — incluídas no dataset com as seções detectadas.

4. Enriquecimento por LLM

A seção de identificação de cada bula (cabeçalho com nome, fabricante, composição, forma farmacêutica etc.) foi enviada ao gpt-4o-mini via OpenAI Batch API para extração de metadados estruturados. A Batch API foi escolhida por não ter limite de requisições por dia e oferecer 50% de desconto sobre a API síncrona.

Campo extraído	Cobertura
forma_farmaceutica, apresentacao	~78%
principio_ativo, composicao, uso	~77%
nome_comercial	~72%
fabricante	~27%

O fabricante tem cobertura baixa porque aparece predominantemente nos dizeres legais (final da bula), não na seção de identificação processada. Cerca de 20% das bulas têm metadados LLM inteiramente nulos (identificação muito curta ou atípica). Os pares pergunta/resposta — o núcleo do dataset — têm cobertura completa.

---

Estrutura do dataset

Configuração e splits

Config único default, formato flat — 1 linha por par pergunta/resposta, com os metadados da bula denormalizados em cada linha (sem necessidade de join). Splits 80/10/10 agrupados por medicamento: todas as perguntas de uma mesma bula caem no mesmo split, eliminando vazamento entre treino e teste. Estratificado por classe_terapeutica; classes com menos de 10 medicamentos vão inteiras para o treino.

Split	Pares Q/A	Medicamentos
train	57.460	6.614
validation	5.764	658
test	5.714	658
Total	68.938	7.930

As 9 seções da RDC 47/2009

secao_id	Pergunta
1	Para que este medicamento é indicado?
2	Como este medicamento funciona?
3	Quando não devo usar este medicamento?
4	O que devo saber antes de usar este medicamento?
5	Onde, como e por quanto tempo posso guardar este medicamento?
6	Como devo usar este medicamento?
7	O que devo fazer quando eu me esquecer de usar este medicamento?
8	Quais os males que este medicamento pode me causar?
9	O que fazer se alguém usar uma quantidade maior do que a indicada?

Campos

Campo	Tipo	Origem	Descrição
registro	str	ANVISA	Número de registro do medicamento (9 dígitos)
nome_produto	str|null	ANVISA/LLM	Nome comercial do medicamento
categoria_regulatoria	str|null	CSV ANVISA	Referência, Genérico, Similar, etc.
principio_ativo_csv	str|null	CSV ANVISA	Princípio ativo (nomenclatura oficial do CSV)
classe_terapeutica	str|null	CSV ANVISA	Ex: INIBIDOR DA ECA, ANTIDEPRESSIVOS
expediente	str|null	CSV ANVISA	Número do expediente regulatório
nome_comercial	str|null	LLM	Nome comercial extraído da bula
fabricante	str|null	LLM	Empresa fabricante (~27% cobertura — ver acima)
principio_ativo	str|null	LLM	Princípio ativo (texto livre da bula)
forma_farmaceutica	str|null	LLM	Ex: comprimidos, solução oral
via_administracao	str|null	LLM	Ex: oral, tópica, intravenosa
apresentacao	str|null	LLM	Embalagens e dosagens disponíveis
composicao	str|null	LLM	Composição qualitativa/quantitativa
uso	str|null	LLM	adulto, pediátrico ou adulto e pediátrico
secao_id	int	segmentação	Número da seção/pergunta (1–9)
pergunta	str	bula	Texto da pergunta padronizada
resposta	str	bula	Texto da resposta extraído da bula
fuzzy_score	float	segmentação	Confiança do match da seção (0–100); 100 = match exato

Exemplo

{
  "registro": "100290031",
  "nome_produto": "RENITEC®",
  "categoria_regulatoria": "Referência",
  "principio_ativo_csv": "MALEATO DE ENALAPRIL",
  "classe_terapeutica": "INIBIDOR DA ECA",
  "nome_comercial": "RENITEC®",
  "fabricante": "ORGANON FARMACÊUTICA LTDA.",
  "principio_ativo": "maleato de enalapril",
  "forma_farmaceutica": "comprimidos",
  "via_administracao": "oral",
  "apresentacao": "caixas com 30 comprimidos de 5, 10 ou 20 mg",
  "composicao": "Cada comprimido contém maleato de enalapril equivalente a 5 mg...",
  "uso": "adulto",
  "secao_id": 1,
  "pergunta": "Para que este medicamento é indicado?",
  "resposta": "Seu médico prescreveu RENITEC® para controlar a pressão alta...",
  "fuzzy_score": 100.0
}

---

Como usar

from datasets import load_dataset

ds = load_dataset("walmeidadf/ChatBulario")

# Todas as indicações (seção 1) do split de treino
indicacoes = ds["train"].filter(lambda x: x["secao_id"] == 1)

# Todas as perguntas de um medicamento específico
renitec = ds["train"].filter(lambda x: x["registro"] == "100290031")

# Só registros com fuzzy_score alto (match exato de seção)
alta_qualidade = ds["train"].filter(lambda x: x["fuzzy_score"] >= 90)

# Antidepressivos — todas as seções
antidepressivos = ds["train"].filter(
    lambda x: x["classe_terapeutica"] == "ANTIDEPRESSIVOS"
)

---

Considerações de uso

• Não é aconselhamento médico. As respostas reproduzem o texto das bulas para fins de pesquisa em PLN. Não devem ser usadas como fonte clínica sem validação profissional.
• Consulte fuzzy_score para filtrar respostas de baixa confiança: scores abaixo de 80 indicam que a seção foi localizada por match aproximado e pode haver imprecisão nos limites.
• ~12% das bulas têm menos de 9 seções detectadas (layouts atípicos) — incluídas com as seções disponíveis.
• 22 bulas escaneadas foram descartadas por falta de camada de texto; não há OCR nesta versão.
• Os metadados extraídos por LLM podem conter erros de extração e têm cobertura parcial (ver tabela de campos acima). Para uso que depende desses campos, validação adicional é recomendada.

---

Estatísticas

Métrica	Valor
Pares pergunta/resposta	68.938
Medicamentos únicos	7.930
Bulas com as 9 seções completas	~88%
Classes terapêuticas distintas	397
Top classes (por volume)	Antidepressivos (332), Antineoplásicos (288), Antibióticos (279)
Tamanho da resposta — mediana	~720 caracteres
Tamanho da resposta — máximo	~96.000 caracteres

---

Licença e direitos

Texto das bulas

As bulas do paciente são redigidas pelas empresas farmacêuticas titulares do registro e publicadas pela ANVISA no Bulário Eletrônico como condição de registro (Lei 6.360/1976 e RDC 47/2009). Diferentemente de atos normativos ou decisões judiciais, bulas não são excluídas da proteção autoral pelo art. 8º, IV da Lei 9.610/1998 — o direito autoral sobre o texto pertence aos respectivos fabricantes.

O texto das bulas é reproduzido neste dataset para fins de pesquisa em processamento de linguagem natural, a partir de fonte de acesso público disponibilizada pela ANVISA. O uso aqui se enquadra na exceção de pesquisa científica (art. 46, II da Lei 9.610/1998). Usos comerciais do texto das bulas podem requerer autorização dos titulares.

Dataset compilado

A estrutura, segmentação, metadados extraídos e o trabalho de compilação deste dataset são disponibilizados sob CC BY 4.0 — uso livre com atribuição.

Código

O código de coleta e processamento está disponível em github.com/walmeidadf/ChatBulario sob licença MIT.

---

Citação

@dataset{chatbulario-2026,
  title     = {ChatBulário: Dataset de perguntas e respostas a partir das bulas
               de medicamentos da ANVISA},
  author    = {Almeida, Wesley},
  year      = {2026},
  publisher = {Hugging Face},
  url       = {https://huggingface.co/datasets/walmeidadf/ChatBulario},
  note      = {Código: github.com/walmeidadf/ChatBulario.
               Dados originais: Bulário Eletrônico da ANVISA
               (consultas.anvisa.gov.br)}
}