LAB · 04 / 09

Genéricos em dados

Preço do genérico contra o original, quem compete, antibióticos no inverno e uma triagem de oportunidades de portfólio. Anvisa · CMED · SNGPC

Visual Leve Como funciona ↓

Como funciona

Modo Visual: sombras, oclusão de ambiente, profundidade de campo e qualidade que se ajusta ao seu aparelho. Modo Leve: sem sombras nem pós-processamento. Cada barra é uma célula dos dados; a análise completa está logo abaixo.

Ficha de cada análise

Objetivo, por quê, variável alvo, variáveis preditoras, método, métrica, validação e se o objetivo foi atingido.

Quanto o genérico custa a menos

Objetivo: Medir o desconto real de tabela do genérico sobre o original.
Por quê: Preço de entrada define margem de todo o portfólio de genéricos; saber onde ele se concentra mostra quanto a regulação decide e quanto sobra para estratégia.
Variável alvo: Desconto = 1 − preço do genérico ÷ preço do original.
Variáveis preditoras / explicativas: Substância, apresentação idêntica, categoria (genérico × novo).
Método: Pareamento exato por substância e apresentação; distribuição dos descontos.
Métrica: Desconto mediano; % de pares abaixo de 35 %.
Validação: Pico em 35 % bate com a regra da CMED, o que confirma o pareamento.
Objetivo atingido?: Sim: mediana de 35 %, o desconto é regulatório.

Mais concorrentes, preço de tabela menor?

Objetivo: Testar se mais concorrentes baixam o preço de tabela.
Por quê: Se o preço de tabela refletisse concorrência, daria para usá-lo em modelos de preço; se não reflete, é preciso outro dado. Testar antes evita um modelo errado.
Variável alvo: Desconto mediano por apresentação.
Variáveis preditoras / explicativas: Número de laboratórios com o mesmo genérico (log).
Método: Regressão linear sobre log(concorrentes) e medianas por faixa.
Métrica: R².
Validação: Faixas com menos de 5 casos excluídas do gráfico.
Objetivo atingido?: Sim, com hipótese rejeitada (R² = 0,9 %): o teto regulado esconde a concorrência.

Quem disputa o mercado de genéricos

Objetivo: Mapear quem disputa o mercado de genéricos.
Por quê: Concorrência por molécula define quantos rivais um lançamento vai encontrar.
Variável alvo: Registros ativos de genéricos por empresa.
Variáveis preditoras / explicativas: Empresa detentora, categoria, situação.
Método: Contagem e HHI sobre registros.
Métrica: Fatia das 10 maiores; HHI.
Validação: Só registros ativos.
Objetivo atingido?: Sim: 121 empresas, HHI 403, mercado pouco concentrado.

Antibióticos no inverno

Objetivo: Medir o efeito do inverno na venda de antibióticos.
Por quê: Produção de antibiótico precisa estar pronta antes do pico; errar o tamanho do pico vira falta na farmácia ou estoque vencendo.
Variável alvo: Variação de unidades jan → jul por antibiótico, ajustada pela cobertura.
Variáveis preditoras / explicativas: Princípio ativo, mês, tipo de receita; controlados como referência de cobertura.
Método: Razão jul/jan dividida pela razão dos controlados; GLP-1 separados.
Métrica: Variação % ajustada.
Validação: Antibióticos não respiratórios (cefalexina, nitrofurantoína) caem, como esperado.
Objetivo atingido?: Sim: azitromicina +174 %, amoxicilina + clavulanato +46 %; ciprofloxacino marcado para checagem.

Triagem: demanda alta, poucos genéricos

Objetivo: Listar moléculas com demanda e quase sem genérico.
Por quê: A próxima molécula é a maior decisão de um fabricante de genéricos; começar por demanda comprovada reduz o risco de lançar o que ninguém compra.
Variável alvo: Pontuação = log(unidades) × log(preço) ÷ (1 + genéricos).
Variáveis preditoras / explicativas: Unidades SNGPC, preço do original (CMED), empresas com genérico registrado.
Método: Junção exata por nome; triagem por pontuação.
Métrica: Ranking de pontuação.
Validação: Versão por prefixo descartada por misturar moléculas; mínimo de 5 mil unidades.
Objetivo atingido?: Parcial: triagem pronta; falta checar patente e bioequivalência.

Sub-lab · Canetas GLP-1

Objetivo: Explicar a baixa adesão da liraglutida nacional e definir a condição de preço para a semaglutida nacional.
Por quê: Lançamento sem vantagem de preço nem de posologia queima investimento e espaço de prateleira; entender por que a primeira caneta não pegou é o jeito mais barato de acertar a segunda. Custo por mês de tratamento é a conta que médico e paciente fazem, por isso comparei nessa unidade, não por caixa.
Variável alvo: Participação de cada molécula nas unidades de GLP-1 vendidas; custo mensal de tratamento (R$).
Variáveis preditoras / explicativas: Molécula, mês, preço-teto por mg, dose de manutenção, frequência de aplicação.
Método: Agregação do SNGPC; cálculo de custo por mês a partir da concentração e do volume de cada apresentação.
Métrica: Participação (%) e R$/mês.
Validação: Conferência manual das apresentações lidas da CMED; comparação jan × jul.
Objetivo atingido?: Sim: a diferença de adesão é explicada por preço igual ao original e posologia diária; a condição de preço da semaglutida ficou quantificada.

Sub-lab · Compra da Medley

Objetivo: Mapear concentração e sobreposição da compra antes da decisão do CADE.
Por quê: Se o CADE exigir venda de registros, quem já tem a lista pronta negocia melhor e mais rápido. O HHI é a medida que os órgãos de concorrência usam, então falar a mesma língua deles antecipa o resultado.
Variável alvo: Variação do HHI por molécula (ΔHHI) e HHI depois da compra.
Variáveis preditoras / explicativas: Registros ativos por empresa e molécula; empresas do grupo comprador; registros da Medley.
Método: Índice Herfindahl-Hirschman sobre fatias de registros; ΔHHI = 2 · s_grupo · s_Medley · 10.000.
Métrica: Moléculas com HHI > 2.500 e ΔHHI > 200; moléculas novas × sobrepostas.
Validação: Lista de empresas do grupo conferida na notícia de reestruturação; limite assumido: registro não é venda.
Objetivo atingido?: Sim, como triagem: 18 moléculas para olhar primeiro e 82 sobreposições para a integração.

Sub-lab · Uniformidade de conteúdo

Objetivo: Quantificar o risco de um lote fora de especificação ser aprovado e definir a variação máxima do processo.
Por quê: Recolhimento custa lote, frete reverso, multa e reputação, e acontece depois do dano. A simulação mostra que o teste de liberação sozinho não protege quando a variação do processo é alta; então o controle tem de ficar antes, na máquina.
Variável alvo: Probabilidade de aprovação do lote no teste de uniformidade.
Variáveis preditoras / explicativas: Média do teor (% do rotulado) e coeficiente de variação entre unidades.
Método: Simulação de Monte Carlo do teste de dois estágios (4.000 lotes por célula).
Métrica: P(aprovação); fração de unidades fora de 85–115 %.
Validação: Casos-limite conferidos: média 100 % e CV baixo dá aprovação ≈ 1; média 90 % dá aprovação ≈ 0.
Objetivo atingido?: Sim: meta de CV ≤ 6 % e o intervalo em que o teste deixa passar lote ruim.

Sub-lab · Biológicos e biossimilares

Objetivo: Priorizar moléculas biológicas para biossimilar pelo espaço competitivo.
Por quê: Um biossimilar leva anos e centenas de milhões até chegar ao mercado; o maior risco é escolher a molécula errada e chegar com dez concorrentes. Preço sem concorrência é onde o retorno ainda paga esse investimento.
Variável alvo: Número de empresas com registro e preço mediano por molécula.
Variáveis preditoras / explicativas: Molécula, preço-fábrica (CMED), registros biológicos ativos (Anvisa).
Método: Junção CMED × registros por nome da substância; agrupamento por número de empresas.
Métrica: Moléculas com 1 empresa; preço mediano por faixa de concorrência.
Validação: Moléculas conhecidamente disputadas (infliximabe, trastuzumabe, rituximabe) aparecem com 6 a 10 empresas, como esperado.
Objetivo atingido?: Parcial: a triagem está pronta; falta a data de patente (INPI) para fechar a lista.

Sub-lab · Antibióticos infantis

Objetivo: Identificar as moléculas em que a forma pediátrica é crítica.
Por quê: Falta de antibiótico infantil no inverno é o problema mais visível que um fabricante pode ter. Saber quais moléculas dependem de crianças diz onde estoque de segurança e qualidade valem mais.
Variável alvo: Parte das unidades vendidas para pacientes de 0–14 e 0–4 anos.
Variáveis preditoras / explicativas: Princípio ativo, faixa etária, sexo.
Método: Agregação do SNGPC por molécula e faixa etária (arquivo de 1,3 GB lido em blocos).
Métrica: % das unidades para crianças.
Validação: Idade preenchida em 97 % das unidades de antimicrobianos.
Objetivo atingido?: Sim: ranking pediátrico pronto para planejamento de suspensões.

Sub-lab · Qualidade do dado

Objetivo: Verificar se o SNGPC permite comparar estados e propor uma correção.
Por quê: Toda previsão regional herda os vieses do dado. Medir a cobertura antes de modelar evita mandar produto para onde o sistema transmite mais, e não para onde há mais pacientes.
Variável alvo: Unidades por mil habitantes; razão antimicrobianos ÷ controlados.
Variáveis preditoras / explicativas: UF, classe (controlado, antimicrobiano), população IBGE 2025.
Método: Normalização per capita e por classe de referência.
Métrica: Razão entre o maior e o menor estado; dispersão da razão corrigida.
Validação: A variação de janeiro para julho dos controlados (+27 %) confirma que a cobertura muda no tempo também.
Objetivo atingido?: Sim: a limitação ficou medida e corrigida antes de virar decisão.

01
Três bases da Anvisa
Lista de preços da CMED (26 mil apresentações), cadastro de registros e vendas de controlados e antimicrobianos nas farmácias (SNGPC, janeiro e julho de 2026).
02
Correções antes de concluir
Pares só com apresentação idêntica, variação dividida pela mudança de cobertura do SNGPC e GLP-1 separados dos antibióticos, porque passaram a usar a mesma receita retida.

Genéricos em dados

Três bases públicas da Anvisa contam a história de um laboratório de genéricos: a lista de preços máximos da CMED, o cadastro de registros (quem pode vender o quê) e as vendas de controlados e antimicrobianos nas farmácias (SNGPC). Juntas, elas respondem quanto o genérico custa, quem compete e onde há demanda sem concorrência.

Aplicação real

Planejamento de portfólio e de produção: escolher o próximo genérico a registrar e ajustar a produção de antibióticos ao inverno, quando a procura muda.

26.635apresentações com preço na CMED
31.063registros de genéricos ativos
35,1 miunidades vendidas em jan/2026 (SNGPC)
121empresas com genéricos registrados

Quanto o genérico custa a menos

PerguntaQual é a diferença de preço entre o genérico e o medicamento original?

Decisão e porquêA CMED não marca qual produto é o de referência, então comparei o genérico com o produto da categoria "Novo" (o original de marca) da mesma substância e da mesma apresentação, pelo preço-fábrica sem impostos. Só entram pares com apresentação idêntica: 500 mg × 21 comprimidos com 500 mg × 21 comprimidos.

ResultadoEm 1.004 pares, o desconto mediano é de 35 %, com um pico forte entre 30 % e 40 %: é a marca da regra da CMED, que limita o preço de entrada do genérico a 65 % do preço do original. 32 % dos pares ficam abaixo de 35 % de desconto: o original pode ter baixado de preço depois, ou o produto "Novo" do par não é o mesmo usado como referência no registro.

Fonte: CMED/Anvisa · lista de preços PMC, 09/10/2026

Ficha técnica da análise

Objetivo: Medir o desconto real de tabela do genérico sobre o original.
Por quê: Preço de entrada define margem de todo o portfólio de genéricos; saber onde ele se concentra mostra quanto a regulação decide e quanto sobra para estratégia.
Variável alvo: Desconto = 1 − preço do genérico ÷ preço do original.
Variáveis preditoras / explicativas: Substância, apresentação idêntica, categoria (genérico × novo).
Método: Pareamento exato por substância e apresentação; distribuição dos descontos.
Métrica: Desconto mediano; % de pares abaixo de 35 %.
Validação: Pico em 35 % bate com a regra da CMED, o que confirma o pareamento.
Objetivo atingido?: Sim: mediana de 35 %, o desconto é regulatório.

Desconto do genérico sobre o original (preço-fábrica)

Mais concorrentes, preço de tabela menor?

PerguntaQuando mais laboratórios vendem o mesmo genérico, o preço de tabela cai?

Decisão e porquêContei quantos laboratórios têm o mesmo genérico na mesma apresentação e ajustei o desconto contra o logaritmo desse número. Era a hipótese econômica natural: mais oferta, mais desconto.

ResultadoA hipótese não se confirmou no preço de tabela: o desconto mediano fica em torno de 35 % com 1, 3 ou 8 concorrentes, e o ajuste explica 0,9 % da variação. O preço da CMED é um teto regulado. A concorrência acontece abaixo dele, nos descontos à farmácia, que não estão em base pública. Resultado útil: para estudar preço de verdade, o dado de tabela não serve.

Fonte: CMED/Anvisa · analises/farma.py

Ficha técnica da análise

Objetivo: Testar se mais concorrentes baixam o preço de tabela.
Por quê: Se o preço de tabela refletisse concorrência, daria para usá-lo em modelos de preço; se não reflete, é preciso outro dado. Testar antes evita um modelo errado.
Variável alvo: Desconto mediano por apresentação.
Variáveis preditoras / explicativas: Número de laboratórios com o mesmo genérico (log).
Método: Regressão linear sobre log(concorrentes) e medianas por faixa.
Métrica: R².
Validação: Faixas com menos de 5 casos excluídas do gráfico.
Objetivo atingido?: Sim, com hipótese rejeitada (R² = 0,9 %): o teto regulado esconde a concorrência.

Desconto mediano por número de laboratórios concorrentes

Quem disputa o mercado de genéricos

PerguntaO mercado de genéricos é concentrado?

Decisão e porquêContei os registros ativos da categoria genérico por empresa detentora no cadastro da Anvisa. Registro não é venda, mas mostra a amplitude do portfólio de cada laboratório.

Resultado121 empresas têm genéricos ativos. As 10 maiores detêm 56 % dos registros, e o HHI é 403, mercado pouco concentrado. Portfólio amplo é a regra entre os líderes, e o diferencial passa a ser chegar primeiro às moléculas novas.

Fonte: Anvisa · DADOS_ABERTOS_MEDICAMENTOS.csv

Ficha técnica da análise

Objetivo: Mapear quem disputa o mercado de genéricos.
Por quê: Concorrência por molécula define quantos rivais um lançamento vai encontrar.
Variável alvo: Registros ativos de genéricos por empresa.
Variáveis preditoras / explicativas: Empresa detentora, categoria, situação.
Método: Contagem e HHI sobre registros.
Métrica: Fatia das 10 maiores; HHI.
Validação: Só registros ativos.
Objetivo atingido?: Sim: 121 empresas, HHI 403, mercado pouco concentrado.

Registros de genéricos ativos por empresa (10 maiores)

Antibióticos no inverno

PerguntaA procura por antibióticos muda entre o verão e o inverno a ponto de mudar o plano de produção?

Decisão e porquêComparei janeiro e julho de 2026 no SNGPC. Dois cuidados: (1) desde 2025 os agonistas de GLP-1 (semaglutida, tirzepatida) usam a mesma receita retida dos antimicrobianos, então separei esses remédios; (2) o volume informado muda de um mês para o outro, então dividi a variação pela dos controlados, que não são sazonais.

ResultadoOs controlados subiram 27 % de janeiro a julho só por cobertura e tendência. Já descontado isso, a azitromicina sobe 174 % e a amoxicilina com clavulanato 46 %, antibióticos de infecção respiratória. A cefalexina, de pele e urina, cai 18 %. O salto do ciprofloxacino (206 %) é grande demais para sazonalidade e pede checagem de cadastro antes de virar plano.

Fonte: Anvisa · SNGPC, EDA_Industrializados_202601 e 202607

Ficha técnica da análise

Objetivo: Medir o efeito do inverno na venda de antibióticos.
Por quê: Produção de antibiótico precisa estar pronta antes do pico; errar o tamanho do pico vira falta na farmácia ou estoque vencendo.
Variável alvo: Variação de unidades jan → jul por antibiótico, ajustada pela cobertura.
Variáveis preditoras / explicativas: Princípio ativo, mês, tipo de receita; controlados como referência de cobertura.
Método: Razão jul/jan dividida pela razão dos controlados; GLP-1 separados.
Métrica: Variação % ajustada.
Validação: Antibióticos não respiratórios (cefalexina, nitrofurantoína) caem, como esperado.
Objetivo atingido?: Sim: azitromicina +174 %, amoxicilina + clavulanato +46 %; ciprofloxacino marcado para checagem.

Variação jan → jul, ajustada pela cobertura

Barras à esquerda da linha (em laranja) são quedas.

Triagem: demanda alta, poucos genéricos

PerguntaQuais substâncias vendem bem, têm preço alto e quase nenhum genérico registrado?

Decisão e porquêCruzei as vendas de janeiro (mínimo de 5 mil unidades no mês) com o preço do original na CMED e o número de empresas com genérico registrado. Pontuação = log(unidades) × log(preço) ÷ (1 + genéricos). Usei correspondência exata de nome: a primeira versão, por prefixo, misturava moléculas diferentes.

ResultadoA lista mistura dois tipos: moléculas recentes de alto valor (tirzepatida, brexpiprazol), em que a patente provavelmente ainda impede o genérico, e moléculas antigas sem genérico registrado (primidona, clobazam, decanoato de haloperidol, axetilcefuroxima), em que a demanda já existe e o obstáculo tende a ser industrial ou regulatório. É uma triagem: cada nome ainda precisa de checagem de patente (INPI), de bioequivalência e de capacidade fabril.

Fonte: SNGPC jan/2026 × CMED × registros Anvisa · analises/farma.py

Ficha técnica da análise

Objetivo: Listar moléculas com demanda e quase sem genérico.
Por quê: A próxima molécula é a maior decisão de um fabricante de genéricos; começar por demanda comprovada reduz o risco de lançar o que ninguém compra.
Variável alvo: Pontuação = log(unidades) × log(preço) ÷ (1 + genéricos).
Variáveis preditoras / explicativas: Unidades SNGPC, preço do original (CMED), empresas com genérico registrado.
Método: Junção exata por nome; triagem por pontuação.
Métrica: Ranking de pontuação.
Validação: Versão por prefixo descartada por misturar moléculas; mínimo de 5 mil unidades.
Objetivo atingido?: Parcial: triagem pronta; falta checar patente e bioequivalência.

substância	unidades (jan)	genéricos	preço do original
Tirzepatida	369.154	0	R$ 1.593,93
Brexpiprazol	32.266	0	R$ 459,82
Axetil Cefuroxima	35.812	0	R$ 155,20
Cloridrato De Tapentadol	11.297	0	R$ 147,65
Cloridrato De Dapoxetina	11.720	0	R$ 140,31
Modafinila	7.587	0	R$ 154,56
Decanoato De Haloperidol	5.506	0	R$ 118,10
Primidona	21.991	0	R$ 45,09
Sulfato De Morfina Pentaidratado	23.244	1	R$ 1.613,42
Clobazam	114.014	0	R$ 17,93

Preço-fábrica mediano das apresentações do original, sem impostos.

O que cada dado contribuiu

Lista CMED: mediu o desconto real de tabela e mostrou o efeito da regulação no preço de entrada.
Teste de concorrência: rejeitou uma hipótese natural e evitou usar o dado errado para estudar preço.
Cadastro de registros: deu o mapa de quem compete em cada molécula.
SNGPC: trouxe demanda real por molécula e o efeito do inverno nos antibióticos, depois de corrigir cobertura e a mudança de regra dos GLP-1.

Limites desta análise

O SNGPC cobre só controlados e antimicrobianos vendidos em farmácias privadas, não o mercado inteiro.
Dois meses não fazem uma série: a sazonalidade aqui é um indício. Os arquivos de 2021-11 a 2025-12 não estão publicados.
Preço de tabela é teto. Preço praticado e participação de mercado em valor não são públicos.

Código da análise: analises/farma.py

Sub-labs: estratégia de um laboratório de genéricos

Seis análises curtas, cada uma a partir de um fato público recente do setor: um lançamento que não decolou, uma compra em análise no CADE, uma falha de qualidade, um biossimilar atrasado, um recolhimento de antibiótico infantil e um problema de dado. Em cada uma: o objetivo, por que importa, como medi e se cheguei lá.

Contexto público

As primeiras canetas nacionais de liraglutida chegaram às farmácias em 2025. A propaganda delas foi suspensa pela Anvisa em abril de 2026 e uma ação publicitária foi suspensa pelo Conar em setembro. Com o fim da patente da semaglutida no Brasil em 2026, laboratórios nacionais registraram versões próprias, com a promessa de custar cerca de 30 % menos que o original.

PerguntaPor que a liraglutida nacional não ganhou o mercado, e o que a semaglutida nacional precisa para não repetir isso?

Como mediMedi a demanda pelas vendas com receita retida no SNGPC (janeiro e julho de 2026) e o custo de um mês de tratamento pelo preço-teto da CMED por miligrama vezes a dose de manutenção da bula (liraglutida 3 mg/dia; semaglutida 2,4 mg/semana; tirzepatida 15 mg/semana).

ResultadoEm julho, a liraglutida vendeu 23.743 unidades, 2,1 % dos GLP-1, contra 603.433 da semaglutida e 486.516 da tirzepatida. No preço-teto, a nacional custa R$ 961 por mês, praticamente o mesmo do original (R$ 986): sem vantagem de preço e com aplicação diária contra semanal. Na semaglutida, o teto das versões nacionais (R$ 1.860/mês) fica acima da apresentação mais barata do original (R$ 1.501). Os 30 % prometidos levariam a R$ 1.302, abaixo do original: o desconto precisa ser real na farmácia, não só na tabela.

Onde isso ajudaUm painel mensal do SNGPC por UF e molécula mede a participação logo depois do lançamento, e um modelo de custo por mês de tratamento define o preço mínimo competitivo antes de lançar, em vez de depois.

Ficha técnica da análise

Objetivo: Explicar a baixa adesão da liraglutida nacional e definir a condição de preço para a semaglutida nacional.
Por quê: Lançamento sem vantagem de preço nem de posologia queima investimento e espaço de prateleira; entender por que a primeira caneta não pegou é o jeito mais barato de acertar a segunda. Custo por mês de tratamento é a conta que médico e paciente fazem, por isso comparei nessa unidade, não por caixa.
Variável alvo: Participação de cada molécula nas unidades de GLP-1 vendidas; custo mensal de tratamento (R$).
Variáveis preditoras / explicativas: Molécula, mês, preço-teto por mg, dose de manutenção, frequência de aplicação.
Método: Agregação do SNGPC; cálculo de custo por mês a partir da concentração e do volume de cada apresentação.
Métrica: Participação (%) e R$/mês.
Validação: Conferência manual das apresentações lidas da CMED; comparação jan × jul.
Objetivo atingido?: Sim: a diferença de adesão é explicada por preço igual ao original e posologia diária; a condição de preço da semaglutida ficou quantificada.

Fontes: Futuro da Saúde · Meio & Mensagem (Conar) · Atlas Público (Anvisa RE 1.809) · SNGPC + CMED · analises/farma_estrategia.py

Unidades vendidas de GLP-1, janeiro × julho de 2026

Arraste para girar · passe o cursor numa barra

2,1 %liraglutida nas unidades de GLP-1 (jul)

R$ 1.302semaglutida/mês com 30 % de desconto

Contexto público

Em março de 2026 foi anunciada a compra da Medley, da Sanofi, ainda dependente de aprovação do CADE, com expectativa de levar o grupo comprador a cerca de 30 % do mercado de genéricos.

PerguntaEm quais moléculas a compra concentra o mercado, e o que ela realmente acrescenta ao portfólio?

Como mediUsei os registros ativos de genéricos e similares (cópias intercambiáveis) por molécula como aproximação da fatia de cada empresa. Somei as empresas do grupo comprador e calculei o HHI antes e depois de juntar a Medley. Sinal de alerta com o critério clássico de guias de concentração horizontal: HHI depois > 2.500 e aumento > 200.

ResultadoA Medley tem cópias em 96 moléculas, mas 82 delas o grupo já vende: só 14 seriam novas. Em 18 moléculas a soma passa do critério de concentração, por exemplo Lansoprazol, Genfibrozila, Acido Mefenamico, Bimatoprosta. Em número de registros a Medley é 1,2 % das cópias, bem abaixo do peso em vendas: o valor do negócio está em marca e receita, não em amplitude de portfólio.

Onde isso ajudaA lista de moléculas em alerta antecipa o que o CADE pode pedir (venda de registros ou compromissos) e a sobreposição mostra onde a integração precisa decidir qual marca fica, evitando que as duas disputem o mesmo balcão.

Ficha técnica da análise

Objetivo: Mapear concentração e sobreposição da compra antes da decisão do CADE.
Por quê: Se o CADE exigir venda de registros, quem já tem a lista pronta negocia melhor e mais rápido. O HHI é a medida que os órgãos de concorrência usam, então falar a mesma língua deles antecipa o resultado.
Variável alvo: Variação do HHI por molécula (ΔHHI) e HHI depois da compra.
Variáveis preditoras / explicativas: Registros ativos por empresa e molécula; empresas do grupo comprador; registros da Medley.
Método: Índice Herfindahl-Hirschman sobre fatias de registros; ΔHHI = 2 · s_grupo · s_Medley · 10.000.
Métrica: Moléculas com HHI > 2.500 e ΔHHI > 200; moléculas novas × sobrepostas.
Validação: Lista de empresas do grupo conferida na notícia de reestruturação; limite assumido: registro não é venda.
Objetivo atingido?: Sim, como triagem: 18 moléculas para olhar primeiro e 82 sobreposições para a integração.

Fontes: Poder360 · Brazil Journal · Nova estrutura do grupo · Anvisa · registros · analises/farma_estrategia.py

HHI antes e depois, moléculas em alerta

Arraste para girar · passe o cursor numa barra

14moléculas novas para o grupo

18moléculas acima do critério de concentração

Proxy por registros, não por vendas.

Contexto público

Um lote de diazepam 5 mg foi suspenso por falta de uniformidade de conteúdo: comprimidos com quantidade de princípio ativo acima ou abaixo do limite. A suspensão nacional saiu em setembro de 2025, com o lote perto do vencimento.

PerguntaCom que variação de processo um lote ruim ainda passa no teste de uniformidade da farmacopeia?

Como mediSimulei 4.000 lotes para cada combinação de média (90 % a 110 % do rotulado) e coeficiente de variação entre comprimidos (0,5 % a 12 %), aplicando o teste de dois estágios do valor de aceitação: 10 unidades com k = 2,4; se falhar, 30 unidades com k = 2,0, limite L1 = 15 e nenhuma unidade fora de 75–125 %.

ResultadoPara um lote passar 95 % das vezes com média correta, o processo precisa de CV até 6,0 %. Com CV de 7,5 %, o lote ainda passa em 55 % das vezes, embora cerca de 4,6 % dos comprimidos estejam fora de 85–115 %. O teste é um filtro de amostra, não uma garantia: com variação alta, a aprovação vira sorte.

Onde isso ajudaControle estatístico de processo na compressão (cartas de controle de peso e dureza em tempo real e meta de capacidade Cpk) pega o desvio antes do teste de liberação, quando ainda dá para corrigir a máquina em vez de recolher o lote.

Ficha técnica da análise

Objetivo: Quantificar o risco de um lote fora de especificação ser aprovado e definir a variação máxima do processo.
Por quê: Recolhimento custa lote, frete reverso, multa e reputação, e acontece depois do dano. A simulação mostra que o teste de liberação sozinho não protege quando a variação do processo é alta; então o controle tem de ficar antes, na máquina.
Variável alvo: Probabilidade de aprovação do lote no teste de uniformidade.
Variáveis preditoras / explicativas: Média do teor (% do rotulado) e coeficiente de variação entre unidades.
Método: Simulação de Monte Carlo do teste de dois estágios (4.000 lotes por célula).
Métrica: P(aprovação); fração de unidades fora de 85–115 %.
Validação: Casos-limite conferidos: média 100 % e CV baixo dá aprovação ≈ 1; média 90 % dá aprovação ≈ 0.
Objetivo atingido?: Sim: meta de CV ≤ 6 % e o intervalo em que o teste deixa passar lote ruim.

Fontes: Revista Oeste · ICTQ (metformina) · Simulação própria · analises/farma_estrategia.py

Probabilidade de aprovação × média × variação

média (% do rotulado) × CV entre comprimidos (%) → P(aprovação)

CV ≤ 6,0 %para 95 % de aprovação

55 %aprovação com CV 7,5 %

Azul: aprova quase sempre. Laranja: reprova quase sempre.

Contexto público

A Bionovis foi criada em 2012 por quatro laboratórios nacionais para produzir biológicos no país. O primeiro biossimilar fabricado inteiramente no Brasil, o infliximabe, estava previsto para 2024, e a fabricação do insumo só foi autorizada depois.

PerguntaOnde ainda há espaço para um biossimilar nacional: em moléculas já disputadas ou nas caras com um só fabricante?

Como mediCruzei o preço-fábrica mediano dos produtos biológicos na CMED com o número de empresas que têm registro biológico da mesma molécula.

ResultadoDe 326 moléculas biológicas com preço, 242 têm uma única empresa registrada, com preço mediano de R$ 4.373, contra R$ 2.013 quando há duas. O infliximabe já tem 6 empresas, e trastuzumabe e ustequinumabe também já são disputados: chegar atrasado numa molécula com 6 a 10 concorrentes reduz o retorno do investimento. As moléculas caras de um só fabricante são o alvo, desde que a patente já tenha vencido.

Onde isso ajudaUma fila de prioridade de biossimilares por preço × concorrência × data de patente, atualizada a cada lista da CMED, evita investir anos numa molécula que vai chegar lotada.

Ficha técnica da análise

Objetivo: Priorizar moléculas biológicas para biossimilar pelo espaço competitivo.
Por quê: Um biossimilar leva anos e centenas de milhões até chegar ao mercado; o maior risco é escolher a molécula errada e chegar com dez concorrentes. Preço sem concorrência é onde o retorno ainda paga esse investimento.
Variável alvo: Número de empresas com registro e preço mediano por molécula.
Variáveis preditoras / explicativas: Molécula, preço-fábrica (CMED), registros biológicos ativos (Anvisa).
Método: Junção CMED × registros por nome da substância; agrupamento por número de empresas.
Métrica: Moléculas com 1 empresa; preço mediano por faixa de concorrência.
Validação: Moléculas conhecidamente disputadas (infliximabe, trastuzumabe, rituximabe) aparecem com 6 a 10 empresas, como esperado.
Objetivo atingido?: Parcial: a triagem está pronta; falta a data de patente (INPI) para fechar a lista.

Fontes: ICTQ · Diario de Pernambuco · CMED + registros · analises/farma_estrategia.py

Empresas registradas por biológico já disputado

Arraste para girar · passe o cursor numa barra

242/326biológicos com uma só empresa

R$ 4.373preço mediano sem concorrente

Contexto público

Em 2015, todos os lotes de uma suspensão oral de amoxicilina com clavulanato fabricados desde 2013 foram suspensos por uso de excipiente e rota de síntese não aprovados. Suspensão oral é a forma de dar antibiótico a crianças pequenas.

PerguntaQuais antibióticos dependem de crianças, e portanto de suspensão oral, e quanto pesa uma falha nessa linha?

Como mediNo SNGPC de julho de 2026, a idade do paciente vem preenchida em quase todas as vendas de antimicrobianos. Calculei, para os mais vendidos, a parte das unidades para crianças de 0 a 14 anos e de 0 a 4 anos.

ResultadoAmoxicilina + Clavulanato (25 %), Amoxicilina + Clavulanato (22 %) e Amoxicilina (21 %) têm cerca de um quinto das unidades indo para crianças, metade delas com até 4 anos. Quinolonas como o ciprofloxacino ficam abaixo de 1 %. Uma falha na suspensão de amoxicilina com clavulanato atinge justamente a linha mais pediátrica e mais sazonal do portfólio, no inverno.

Onde isso ajudaPriorizar estoque de segurança e qualidade nas suspensões das moléculas com maior parte infantil, cruzando com o pico de inverno medido na página principal.

Ficha técnica da análise

Objetivo: Identificar as moléculas em que a forma pediátrica é crítica.
Por quê: Falta de antibiótico infantil no inverno é o problema mais visível que um fabricante pode ter. Saber quais moléculas dependem de crianças diz onde estoque de segurança e qualidade valem mais.
Variável alvo: Parte das unidades vendidas para pacientes de 0–14 e 0–4 anos.
Variáveis preditoras / explicativas: Princípio ativo, faixa etária, sexo.
Método: Agregação do SNGPC por molécula e faixa etária (arquivo de 1,3 GB lido em blocos).
Métrica: % das unidades para crianças.
Validação: Idade preenchida em 97 % das unidades de antimicrobianos.
Objetivo atingido?: Sim: ranking pediátrico pronto para planejamento de suspensões.

Fontes: Vigilância em Foco (2015) · SNGPC jul/2026 · analises/farma_sublabs.py

Parte das unidades para crianças, por antibiótico

Arraste para girar · passe o cursor numa barra

Contexto público

O SNGPC depende de cada farmácia transmitir as vendas, e a cobertura muda entre estados e meses. Comparar regiões sem medir isso leva a conclusões erradas sobre consumo.

PerguntaDá para comparar o consumo de medicamentos entre estados direto pelo SNGPC?

Como mediCalculei unidades de controlados por mil habitantes em cada UF (população estimada do IBGE para 2025). Controlados são de uso crônico e estável, então diferenças muito grandes indicam cobertura, não consumo. Para comparar antimicrobianos, usei a razão antimicrobianos ÷ controlados, que cancela a cobertura.

ResultadoOs controlados por mil habitantes variam 15 vezes entre estados (MS: 400; AM: 27), o que nenhuma diferença de saúde explica. Sem correção, qualquer mapa de "consumo" do SNGPC é um mapa de cobertura. A razão por classe resolve a comparação e marca estados com padrão estranho para checar antes de usar.

Onde isso ajudaUma etapa de qualidade de dado antes de qualquer previsão de demanda regional: sem ela, o plano de distribuição seguiria a cobertura do sistema, não os pacientes.

Ficha técnica da análise

Objetivo: Verificar se o SNGPC permite comparar estados e propor uma correção.
Por quê: Toda previsão regional herda os vieses do dado. Medir a cobertura antes de modelar evita mandar produto para onde o sistema transmite mais, e não para onde há mais pacientes.
Variável alvo: Unidades por mil habitantes; razão antimicrobianos ÷ controlados.
Variáveis preditoras / explicativas: UF, classe (controlado, antimicrobiano), população IBGE 2025.
Método: Normalização per capita e por classe de referência.
Métrica: Razão entre o maior e o menor estado; dispersão da razão corrigida.
Validação: A variação de janeiro para julho dos controlados (+27 %) confirma que a cobertura muda no tempo também.
Objetivo atingido?: Sim: a limitação ficou medida e corrigida antes de virar decisão.

Fontes: SNGPC jul/2026 + IBGE 2025 · analises/farma_sublabs.py

Controlados por mil habitantes, por UF (julho de 2026)

Arraste para girar · passe o cursor numa barra

Cada bloco é um estado, na posição aproximada do mapa.

Genéricos em dados

Como funciona

Ficha de cada análise

Três bases da Anvisa

Correções antes de concluir

Genéricos em dados

O que cada dado contribuiu

Limites desta análise

Sub-labs: estratégia de um laboratório de genéricos