Os hospitais são estabelecimentos de saúde altamente complexos que lidam com grande diversidade de recursos humanos, especialidades médicas, volume de materiais e medicamentos. Enfrentam um enorme desafio para gerenciar suas atividades, com recursos cada vez mais escassos, em meio ao aumento crescente na demanda de seus serviços. No Brasil, os gastos federais com SUS são enormes, e a atenção hospitalar é responsável por consumir boa parte desses recursos. O Tribunal de Contas da União, como órgão de Controle Externo do governo federal, é responsável por avaliar a eficiência e qualidade dos serviços públicos prestados pelo governo federal, entre eles, a eficiência na atenção hospitalar. Mas como realizar esse diagnóstico tendo em vista o grande volume de dados existente sobre esse assunto? É possível o emprego de recursos de TI para tornar mais fácil o alcance dessa missão? É possível o uso de ferramentas de ciência de dados para ajudar de alguma forma essa tarefa? O presente trabalho se enquadra nesse contexto. Ele propõe o uso de técnicas de aprendizagem de máquina na tentativa de selecionar, dentre os hospitais cadastrados no Sistema CNES, aqueles com perfis de atendimento mais similares. A metodologia utilizada durante a realização do trabalho foi a CRISP-DM, e os algoritmos de mineração aplicados se enquadram na categoria dos não supervisionados de clusterização. Os resultados obtidos foram analisados e comparados de modo a constatar sua eficácia no reconhecimento de padrões por vias computacionais, distinguindo perfis de hospitais por tipo de atendimento prestado.