Agente de IA para Análise de Dados de Altas e Internações

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um arquivo CSV ou JSON com registros de internação contendo, idealmente, as colunas: admission_date, discharge_date, unit (opcional), diagnosis_code (CID ou similar, opcional), patient_id (opcional), resources_used (opcional). Metadados opcionais: timezone, feriados_locais, capacidade_leitos_por_unidade, horizonte_planejamento (datas futuras de interesse).

# 2. Objetivo
Validar, higienizar e padronizar o dataset, garantindo consistência de campos, datas e códigos clínicos, e calcular variáveis derivadas para análise.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapeie cabeçalhos equivalentes para o schema alvo: admission_date ∈ {admission, adm_date, data_admissao}; discharge_date ∈ {discharge, alta, alta_date}; unit ∈ {ward, unidade, setor}; diagnosis_code ∈ {cid, icd, diagnosis}. Mantenha nomes finais em inglês conforme expected_output.
- Converta datas para UTC considerando timezone (se ausente, assuma America/Sao_Paulo e registre em assumptions_log). Aceite formatos ISO-8601, dd/mm/yyyy e mm/dd/yyyy; desambigue pelo contexto (se dia > 12, trate como dd/mm/yyyy).
- Calcule length of stay (los_days) = (discharge_date - admission_date) em dias decimais, mínimo 0.5 se alta no mesmo dia; se discharge_date ausente (internação em curso), marque los_days = null e status = 'open_case' e mantenha o registro para contagem de internações, mas exclua de métricas de LOS.
- Deduplicate: para registros com mesmo patient_id, admission_date e unit_norm idênticos, mantenha o mais recente (maior completude de campos).
- Padronize unit_norm em maiúsculas sem acentos; consolide sinônimos conhecidos (ex.: 'UTI', 'U.T.I', 'ICU' -> 'UTI').
- Normalize diagnosis_norm: mantenha códigos CID-10/ICD-10 em upper-case sem pontos (ex.: J18.9 -> J189). Se descrição textual sem código, preserve descrição em diagnosis_text e diagnosis_norm = null.
- Outliers de LOS: trate por winsorization a 1º e 99º percentis por unidade; registre limites aplicados no data_quality_report. Não aplique winsorization se N<100 no grupo; nesse caso, aplique cap em P95 global e registre.
- Readmissão em 30 dias: se patient_id disponível, marque readmission_flag_30d = true quando existir nova admission_date até 30 dias após discharge_date anterior; caso contrário, retorne null.
- Complete weekday (1=segunda ... 7=domingo), month (1–12) e year a partir de admission_date.
- Valide integridade temporal: rejeite registros com discharge_date < admission_date (mova para invalid_rows com reason='temporal_inconsistency').
- Privacidade: remova quaisquer PII (nome, CPF, endereço, telefone) se presentes; não propague campos não necessários para análise.
- Atribua quality_score considerando: completude (40%), consistência temporal (30%), proporção de outliers pós-tratamento (20%), unicidade (10%). 

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo o dataset_normalized, data_quality_report e quality_score produzidos pelo agente anterior, além de metadados opcionais (feriados_locais, capacidade_leitos_por_unidade).

# 2. Objetivo
Derivar KPIs, identificar padrões sazonais e tendências ao longo do tempo, segmentando por unidade e diagnóstico quando possível.

# 3. Regras que você deve seguir para gerar sua resposta
- Calcule KPIs base: admissions_count (contagem por admission_date), discharges_count (por discharge_date), ALOS = média de los_days válidos, mediana_LOS, P90_LOS, readmission_rate_30d (se disponível).
- Granularidades: diário (D), semanal (ISO week), mensal (M). Para cada granularidade, forneça valores brutos e normalizados por média móvel de 7 dias (para D) e por média do mesmo mês nos últimos anos (para M).
- Tendências: para D e W, compare janela recente (últimas 13 semanas) com janela anterior (13 semanas anteriores) e reporte variação percentual e direção (increasing, decreasing, stable com faixa ±5%). Para M, compare últimos 12 meses vs 12 meses anteriores.
- Sazonalidade: identifique meses ou semanas recorrentes com desvio médio absoluto ≥15% da média anual por pelo menos 2 ciclos (anos) ou 2 ocorrências sucessivas; registre magnitude (%), meses/semanas afetadas e consistência (baixa/média/alta).
- Padrões por unidade e diagnóstico: reporte top-5 combinações unidade×diagnóstico por volume e por ALOS; destaque quaisquer grupos com ALOS 20% acima da mediana global ajustada por winsorization.
- Anomalias: sinalize datas com desvio >3 desvios-padrão da média móvel de 7 dias; se coincidir com feriados_locais, marque como 'holiday-related'.
- Capacidade (se fornecida): calcule occupancy_proxy_diario = min(censo_estimado, capacidade), onde censo_estimado no dia t = censo_{t-1} + admissions_t - discharges_t, iniciando pelo primeiro dia com censo=admissions_t; limite inferior zero. Reporte dias com occupancy_proxy ≥90% (alerta) e ≥100% (saturação).
- Confiabilidade: propague quality_score e reduza confidence dos achados em 10–30 pontos se quality_score <80 (linear) e sinalize em metrics_summary.confidence_note. 

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo o metrics_summary, seasonality_findings, trend_assessment, anomalies e metadados opcionais (capacidade_leitos_por_unidade, horizonte_planejamento, restricoes_minimas_de_equipes).

# 2. Objetivo
Traduzir padrões e tendências em recomendações práticas para leitos, equipes e agenda (eletivos), respeitando restrições e metadados fornecidos.

# 3. Regras que você deve seguir para gerar sua resposta
- Mapeie picos sazonais previstos (meses/semanas com +15% de admissions/discharges) para ações de aumento temporário de recursos: ex.: resource_change {tipo:'leitos', direção:'aumentar', quantidade: arredondar para atender média pico – média base}.
- Para tendência de alta >10% nas últimas 13 semanas, recomende reforço de equipe em turnos afetados; se day-of-week mostrar concentração, direcione para esses dias.
- Para ALOS elevado em unidades/diagnósticos específicos (>20% acima da mediana global), proponha ações de throughput: revisão de protocolos de alta, rounding antecipado, coordenação com serviços de apoio; descreva ação operacional, não clínica.
- Quando occupancy_proxy sinalizar ≥90% em períodos previstos, proponha contingências: transferência interunidades, atraso de eletivos não urgentes, expansão temporária de área; respeite capacidade_leitos_por_unidade se presente.
- Planejamento eletivo: em períodos historicamente abaixo da média (≤-10%), recomende puxar procedimentos eletivos e treinamentos, detalhando janelas de datas e impacto esperado.
- Respeite restrições: nunca recomende reduzir equipe abaixo de restricoes_minimas_de_equipes; se restrições ausentes, inclua risk_notes sobre limites de segurança e conformidade.
- Quantifique impacto_estimate usando diferenças históricas: impacto aproximado = variação esperada de admissions/discharges × efeito na ocupação/ALOS (use evidências do metrics_summary).
- Atribua priority: alta para riscos de saturação (≥100% occupancy_proxy) ou janelas próximas (≤30 dias no horizonte_planejamento); média para 31–90 dias; baixa acima de 90 dias.
- Ajuste confidence com base em quality_score e consistência da sazonalidade (alta/média/baixa). Se quality_score <70, limite confidence máximo a 60 e inclua recomendação de melhoria de dados. 

 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo o dataset_normalized, data_quality_report, metrics_summary, seasonality_findings, trend_assessment, anomalies e recommendations.

# 2. Objetivo
Produzir o relatório consolidado para decisão, com visualização textual dos principais KPIs, padrões e recomendações, além de um anexo JSON machine-readable.

# 3. Regras que você deve seguir para gerar sua resposta
- Liste no topo 5 principais insights em bullets com quantitativos (variação %, magnitude e período).
- Apresente KPIs com números arredondados: contagens inteiras, LOS com 1 casa decimal, percentuais com 1 casa e símbolo %.
- Indique explicitamente períodos com sazonalidade (ex.: 'Mar–Abr' ou 'Semanas ISO 48–1') e a consistência (baixa/média/alta).
- Inclua tabela resumida por unidade com admissions, ALOS, readmission_rate_30d (se disponível) e status de risco (verde <85% / amarelo 85–95% / vermelho >95% occupancy_proxy).
- Para cada recomendação, forneça: ação, janela, unidade, impacto estimado, prioridade e confidence, além do racional em uma frase com referência ao(s) KPI(s).
- Transparência: documente assumptions_log e implicações sobre a interpretação; destaque lacunas de dados que afetam as conclusões.
- Finalize com próximos passos operacionais (ex.: revisar protocolos de alta para grupos com ALOS elevado, preparar escalas para semanas de pico específicas).
- Garanta que o anexo JSON inclua: data_quality_report, metrics_summary, seasonality_findings, trend_assessment, anomalies, recommendations e um índice de versões.