Na próxima semana, delegados de 194 Estados-Membros se reúnem em Genebra para a septuagésima nona Assembleia Mundial da Saúde. O fortalecimento dos sistemas de saúde, a cobertura universal de saúde e o financiamento que conecta os dois estarão no centro da agenda. Grande parte da evidência sobre a qual a sala irá deliberar vive em duas das bases de dados públicas emblemáticas da OMS — o Global Health Observatory (GHO) e o Global Health Expenditure Database (GHED). Hoje publicamos como código aberto duas pequenas ferramentas que tornam essas bases de dados diretamente acessíveis a partir dos assistentes de IA que os pesquisadores em saúde global já usam todos os dias.
Onde os dados da OMS encontram o fluxo de trabalho com IA
O Global Health Observatory e o Global Health Expenditure Database da OMS são dois dos bens públicos mais importantes em saúde global. O GHO publica mais de 2.500 indicadores por meio de uma API OData documentada; o GHED publica um workbook abrangente “all-data” que cobre mais de 4.000 variáveis do marco do Sistema de Contas de Saúde 2011. As equipes da OMS que mantêm ambos construíram e curaram a espinha dorsal da pesquisa comparativa de sistemas de saúde no mundo.
Pesquisadores também trabalham, cada vez mais, com assistentes de IA. Claude, ChatGPT, Gemini e outros são parte do fluxo de trabalho diário em ministérios da saúde, organismos multilaterais, departamentos acadêmicos e equipes de jornalismo em toda a América Latina, o Caribe e além. Uma pergunta é feita em linguagem natural, e o assistente responde a partir de seus dados de treinamento — às vezes com precisão, às vezes não — ou executa uma busca web ad hoc que nem sempre chega à fonte mais autorizada.
O que estava faltando era uma ponte direta entre os dois. Os assistentes de IA não falam nativamente a sintaxe de filtros OData, não carregam códigos de indicadores como WHOSIS_000001 em suas cabeças, e não sabem que a despesa corrente em saúde no GHED se decompõe aditivamente como CHE = HF1 + HF2 + HF3 + HF4 + HFnec sob o SHA 2011. Com essas primitivas conectadas, um assistente pode fazer por um pesquisador o que o pesquisador faria por si mesmo — só que mais rápido, em qualquer idioma, e sem o imposto de busca de esquema. Essa ponte é o que gho-mcp e ghed-mcp oferecem.
O que os MCPs mudam
O Model Context Protocol, lançado pela Anthropic no final de 2024 e agora um padrão aberto, permite que assistentes de IA como Claude conversem com sistemas externos por meio de uma interface uniforme. O protocolo define como um assistente descobre o que uma ferramenta pode fazer, a chama e renderiza o resultado. Na prática, os MCPs são a forma como um modelo ganha acesso real e verificável a qualquer coisa fora dos seus dados de treinamento — uma base de dados, uma API, um sistema de arquivos, um workbook de pesquisa.
Para um pesquisador, o que importa é isto: quando um servidor MCP está conectado, é possível fazer uma pergunta em linguagem natural e o modelo lida com o esquema, os códigos, os loops e as desagregações em seu nome. O modo de falha “Claude sabe a resposta” — números confiantemente alucinados — desaparece. O modelo agora está lendo a base de dados; a base de dados é a fonte da verdade.
A mudança em uma linha
Antes: o modelo adivinha, e você verifica. Depois: o modelo consulta, e você analisa.
gho-mcp: o Global Health Observatory, em linguagem natural
gho-mcp é um servidor MCP para o Global Health Observatory da OMS. Expõe um pequeno conjunto de ferramentas orientadas a tarefas — perfil de país, comparar países, buscar indicadores, descrever dimensões de indicadores, resolver códigos de país, listar grupos curados de países e um escape de modo experto para consultas OData brutas. Nomes de países, códigos ISO3, códigos de regiões da OMS (AFR, AMR, EMR, EUR, SEAR, WPR) e os grupos de renda do Banco Mundial (WB_HI, WB_UMI, WB_LMI, WB_LI) são aceitos de forma intercambiável. A exportação para CSV está incorporada.
Com ele instalado, um assistente pode responder a perguntas como:
- “Construa um perfil comparativo do sistema de saúde para o Peru.”
- “Plote a mortalidade materna nos países andinos desde 2010.”
- “Qual é o gradiente de cobertura do serviço de UHC por grupo de renda do Banco Mundial?”
- “O indicador de tabaco suporta desagregação por sexo?”
Um perfil de país extrai cerca de uma dúzia de indicadores principais em uma única chamada paralelizada — esperança de vida, HALE, mortalidade infantil e de menores de cinco anos, RMM, cobertura do serviço de UHC, cobertura DTP3, atenção qualificada ao parto, densidade de médicos e de enfermagem, mortalidade prematura por DCNT, incidência de tuberculose — tudo no último ano disponível. O mesmo formato funciona para qualquer país do GHO.
ghed-mcp: o Global Health Expenditure Database, consciente da contabilidade
ghed-mcp é o servidor companheiro para o Global Health Expenditure Database. Descobre o workbook “all-data” atual da OMS na primeira utilização, constrói um cache derivado em SQLite e expõe um conjunto mais amplo de ferramentas que respeitam como os pesquisadores em financiamento da saúde realmente trabalham. O servidor conhece as hierarquias aditivas do SHA 2011 e valida as decomposições com uma verificação soma-versus-pai, de modo que o modelo é afastado de aritméticas que não se computam como uma identidade contábil.
Com ele instalado, um assistente pode responder:
- “Construa um perfil de financiamento da saúde para a Colômbia.”
- “Compare o peso do gasto direto nos países da ALC desde 2000.”
- “Qual é o gradiente de prioridade governamental por grupo de renda do Banco Mundial?”
- “Decomponha a despesa corrente em saúde do Peru por esquema de financiamento para 2023.”
Além da extração de dados, há ferramentas de fluxo de trabalho de pesquisa — data_availability, build_research_panel, build_research_package — que transformam uma pergunta vaga em um painel longo organizado mais codebook e CSVs de disponibilidade, prontos para importar para o Stata ou R.
Um pequeno exemplo
Uma vez instalado, a superfície é apenas linguagem natural. Uma sessão típica no Claude pode começar com:
Compare o gasto direto em saúde como proporção da despesa corrente em saúde nos países da ALC desde 2000, e me diga quais países se moveram mais na direção correta.
Nos bastidores, o modelo chama compare_countries(indicator_code="oops_che", country_group="LAC", year_start=2000), calcula a variação percentual e o CAGR com rank_country_changes, e devolve um parágrafo nomeando os líderes e retardatários junto com um CSV pronto para colar em um gráfico. O pesquisador não escreve código. Os números mostrados são os números que existem na base de dados, com avisos sobre anos mistos sinalizados quando relevante.
Uma pequena decisão com consequências regionais
Ambos os servidores incluem um conjunto curado de agrupamentos de países além do que a OMS e o Banco Mundial publicam como dimensões integradas. O mais consequente desses é LAC — 33 Estados soberanos da América Latina e do Caribe, a convenção da OPAS/Decilion. A região de ALC do Banco Mundial é de 42 economias, o que inclui territórios como Aruba, as Ilhas Cayman, Curaçao e Porto Rico que a maior parte do trabalho comparativo em ALC trata separadamente. Por padrão, nosso grupo LAC é o de 33 estados. A versão de 42 economias também está disponível, como LAC_TERRITORIES. Também estão OECD, LDC, SSA, MENA e vários outros.
Esta é uma decisão pequena, mas deliberada. Os agregados regionais moldam todo argumento comparativo de sistemas de saúde, e quais países estão dentro do colchete importa. Os pesquisadores que querem uma ou outra definição podem escolher. Os pesquisadores que não sabem que há uma escolha ainda obtêm o padrão mais defensável analiticamente.
Instalação e o que vem a seguir
Ambos os servidores são licenciados sob MIT e vivem no GitHub:
A instalação é um percurso curto se você já tem Python 3.11 — clonar, criar um virtualenv, pip install -e ., e registrar o servidor com seu cliente MCP (Claude Code, Claude Desktop, Codex, Cursor, Cline, Continue). Ambos os READMEs incluem os comandos exatos.
Os servidores ainda não estão listados em nenhum registro de MCPs; isso virá quando a superfície estiver estável. O que ajuda neste momento é o feedback — abra um issue se a assinatura de uma ferramenta parecer errada, se um agrupamento curado precisar de um membro adicionado, ou se houver uma pergunta comparativa que nenhum dos servidores consiga responder com clareza. As listas de países são versionadas e atualizadas anualmente; Bangladesh, Lao PDR e Nepal vão se formar do status de LDC em 24 de novembro de 2026, e o arquivo sabe disso.
A WHA se reúne na próxima semana. Até lá, nossa esperança é que algumas dezenas de pesquisadores, equipes de ministérios e jornalistas estejam olhando para a mesma evidência que a sala olha, sobre suas próprias perguntas, em seus próprios idiomas. É para isso que estas ferramentas foram construídas.
