O grande volume de informações nos bancos de dados atuais torna difícil a análise dos dados. Essa quantidade de informação pode esconder relações significativas somente sendo encontradas por técnicas inteligentes apropriadas. Dessa forma, o processo de Descoberta de Conhecimento em Bases de Dados (DCBD) reúne tarefas e métodos para a extração de conhecimento relevante dessas bases, por meio de sua etapa principal, a de mineração de dados, que pode ser realizada de diversas maneiras, destacando-se a fundamentada em redes bayesianas. Na realização desta pesquisa foram analisadas as Application Programming Interfaces (API) das shells de mineração de dados em redes bayesianas, denominadas Hugin Lite, UnBBayes e BNPC, para que uma delas fosse integrada a um ambiente de desenvolvimento, a fim de construir um protótipo com os seus recursos de aprendizagem a partir de bases de dados e, assim, facilitar a aquisição de conhecimento em sistemas especialistas probabilísticos. Após o estudo, foi escolhida a API do BNPC para realizar a integração com o ambiente de desenvolvimento Visual Basic, bem como foi construído o protótipo VisionBayes com uma interface gráfica intuitiva, que utilizou os recursos dessa API para aprendizagem automatizada de redes bayesianas. Nos testes realizados no VisionBayes com uma base de dados médica a respeito da prevalência do Diabetes Mellitus tipo dois em sete bairros da cidade de Criciúma, gerou-se uma rede bayesiana, que apresentou resultados adequados, refletindo o comportamento da população estudada.