1. Propósito e Escopo
Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para um Agente de IA de Previsão de Demanda de Leitos de Observação. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.
O objetivo principal é antecipar a demanda por leitos de observação a partir da análise de tendências sazonais e eventos locais, auxiliando no planejamento de capacidade hospitalar.
2. Contexto e Problema
Cenário Atual
O planejamento de capacidade hospitalar enfrenta desafios significativos devido à incapacidade de prever picos de demanda por leitos de observação. Atualmente, as previsões imprecisas resultam em planejamento inadequado de capacidade, levando a situações de sub ou superlotação.
Problemas Identificados
- Incapacidade de prever picos de demanda: A falta de previsões precisas resulta em ineficiências no uso de recursos hospitalares.
- Planejamento inadequado de capacidade: As previsões imprecisas causam sub ou superlotação, impactando negativamente a qualidade do atendimento.
3. Impactos Esperados
A implementação deste agente de IA visa alcançar os seguintes resultados:
- Melhoria na previsão de demanda com base em tendências sazonais e eventos locais.
- Planejamento de capacidade mais preciso, evitando sub ou superlotação.
- Otimização do uso de recursos hospitalares, garantindo melhor qualidade de atendimento.
4. Visão Geral da Solução
O agente de IA para previsão de demanda de leitos de observação analisa tendências sazonais e eventos locais para prever a demanda futura, ajustando previsões com base em dados em tempo real e variáveis externas. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo na previsão de demanda hospitalar.
A solução consiste em um fluxo de automação composto por 3 agentes de IA. O processo inicia com a análise de tendências sazonais e termina com ajustes em tempo real das previsões.
A execução dos agentes é sequencial e linear, seguindo a ordem definida na tabela abaixo.
| Agentes | Função Principal |
|---|---|
Agente de Análise de Tendências Sazonais (RF 1)
| Produzir previsão-base de demanda de leitos de observação a partir de séries históricas e calendário de eventos locais. |
Agente de Modelagem de Cenários de Demanda (RF 2)
| Transformar a previsão-base em cenários de capacidade acionáveis com recomendações de leitos e alertas de risco. |
Agente de Ajuste de Previsões em Tempo Real (RF 3)
| Ajustar e reemitir previsões e cenários com base em desvios de curto prazo e variáveis externas. |
5. Protótipos
Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que o hospital receberá. Explore os links abaixo para entender melhor a solução em ação.
6. Requisitos Funcionais
RF 1. Agente de Análise de Tendências Sazonais
1.1 Tarefa do Agente
Produzir previsão-base de demanda de leitos de observação a partir de séries históricas e calendário de eventos locais, capturando efeitos sazonais e de eventos.
1.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo dados históricos de ocupação de leitos e um calendário de eventos locais. Estes dados são essenciais para a previsão de demanda de leitos de observação.
# 2. Objetivo
Produzir uma previsão-base de demanda de leitos de observação, considerando tendências sazonais e eventos locais.
# 3. Regras que você deve seguir para gerar sua resposta
- Analise as tendências sazonais e os eventos locais para prever a demanda futura.
- Modele cenários de demanda para apoiar o planejamento de capacidade.
- Ajuste previsões com base em dados em tempo real e variáveis externas.
# 4. Exemplo de Output que você deve produzir
JSON com: {forecast_base: [{data, demanda_prevista, intervalo_confianca_p5, intervalo_confianca_p95, sazonalidade_idx, efeito_evento_pct, variacao_vs_media_28d_pct}], qualidade_dados: {faltantes: int, outliers_detectados: int, cobertura_dias_pct}, pressupostos: [string], parametros_utilizados: {janela_sazonal_dias: int, janela_tendencia_dias: int, mapeamento_categorias_evento: {categoria: uplift_pct}}} 1.3 Configurações do Agente
1.3.1 Especificação do Input
- Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de dados históricos de ocupação de leitos e calendário de eventos locais via API. Na fase de testes, os dados serão enviados para o agente diretamente por upload de um csv na interface da Prototipe AI, para acelerar o processo de validação.
- Tipo do input: O input inicial para o fluxo é um conjunto de dados estruturados em formato JSON.
-
Formatos Suportados: Esse agente deve ser capaz de receber dados nos formatos:
.json,.csv. - Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 100.000 caracteres.
1.3.2 Especificação do Output
- Formato de output: O output deve ser um arquivo no formato JSON contendo a previsão-base e a qualidade dos dados analisados.
-
Exemplo de Estrutura de Output:
{ "forecast_base": [ { "data": "2025-12-01", "demanda_prevista": 120.5, "intervalo_confianca_p5": 100, "intervalo_confianca_p95": 140, "sazonalidade_idx": 1.2, "efeito_evento_pct": 15, "variacao_vs_media_28d_pct": 10 } ], "qualidade_dados": { "faltantes": 0, "outliers_detectados": 2, "cobertura_dias_pct": 98 }, "pressupostos": ["Sem mudanças estruturais de oferta"], "parametros_utilizados": { "janela_sazonal_dias": 30, "janela_tendencia_dias": 60, "mapeamento_categorias_evento": {"evento_local": 10} } } - Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 2.000 caracteres.
1.3.3 Parâmetros de Geração
- Modelo: GPT-5
- Temperatura: 0.6
1.3.4 Ferramentas do Agente
- Documentos: Não consulta documentos externos.
- Calculadora: Não utiliza.
- Busca Online: Não utiliza.
- Sistemas Externos: Não se conecta a sistemas externos.
1.3.5 Memória
- Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
- Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Modelagem de Cenários de Demanda (RF 2).
1.3.6 Regras de Orquestração e Transição
Ao concluir sua execução, esse agente aciona o Agente de Modelagem de Cenários de Demanda (RF 2).
RF 2. Agente de Modelagem de Cenários de Demanda
2.1 Tarefa do Agente
Transformar a previsão-base em cenários de capacidade acionáveis (pessimista, base, otimista) com recomendações de leitos e alertas de risco.
2.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo a previsão-base de demanda de leitos de observação e metadados associados. Estes dados são essenciais para modelagem de cenários de capacidade.
# 2. Objetivo
Transformar a previsão-base em cenários de capacidade acionáveis com recomendações de leitos e alertas de risco.
# 3. Regras que você deve seguir para gerar sua resposta
- Utilize a previsão-base para criar cenários pessimista, base e otimista.
- Faça recomendações de capacidade e crie alertas de risco baseados nos cenários modelados.
# 4. Exemplo de Output que você deve produzir
JSON com: {cenarios: {pessimista:[{data, demanda_prevista, leitos_recomendados, risco_overflow_pct}], base:[...], otimista:[...]}, recomendacoes_capacidade: [{data, acao: (ativar|desativar|manter), quantidade_leitos:int, justificativa:string}], alertas:[{data, tipo:(risco_overflow|pico_sazonal|evento_local), severidade:(baixa|media|alta), mensagem:string}], parametros_utilizados:{uplift_risco_pessimista_pct:int, reducao_risco_otimista_pct:int, ocupacao_max_pct:number}} 2.3 Configurações do Agente
2.3.1 Especificação do Input
- Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 1).
- Tipo do input: Este agente deve ser apto a receber como input um arquivo JSON, que corresponde à previsão-base gerada pelo agente anterior.
-
Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato:
.json. - Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 5.000 caracteres.
2.3.2 Especificação do Output
- Formato de output: O output deve ser um arquivo no formato JSON contendo os cenários de capacidade e as recomendações de leitos.
-
Exemplo de Estrutura de Output:
{ "cenarios": { "pessimista": [ { "data": "2025-12-01", "demanda_prevista": 140, "leitos_recomendados": 150, "risco_overflow_pct": 20 } ], "base": [...], "otimista": [...] }, "recomendacoes_capacidade": [ { "data": "2025-12-01", "acao": "ativar", "quantidade_leitos": 10, "justificativa": "Previsão de alta demanda devido a evento local" } ], "alertas": [ { "data": "2025-12-01", "tipo": "risco_overflow", "severidade": "alta", "mensagem": "Risco de superlotação devido a alta demanda prevista" } ], "parametros_utilizados": { "uplift_risco_pessimista_pct": 25, "reducao_risco_otimista_pct": 15, "ocupacao_max_pct": 90 } } - Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 3.000 caracteres.
2.3.3 Parâmetros de Geração
- Modelo: GPT-5
- Temperatura: 0.6
2.3.4 Ferramentas do Agente
- Documentos: Não consulta.
- Calculadora: Não utiliza.
- Busca Online: Não utiliza.
- Sistemas Externos: Não utiliza.
2.3.5 Memória
- Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
- Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Ajuste de Previsões em Tempo Real (RF 3).
2.3.6 Regras de Orquestração e Transição
Ao concluir sua execução, esse agente aciona o Agente de Ajuste de Previsões em Tempo Real (RF 3).
RF 3. Agente de Ajuste de Previsões em Tempo Real
3.1 Tarefa do Agente
Ajustar e reemitir previsões e cenários com base em desvios de curto prazo e variáveis externas em tempo quase real.
3.2 Prompt ou Instruções do Agente
# 1. Contexto e explicações sobre inputs iniciais
Você está recebendo previsões e cenários de demanda de leitos de observação, além de sinais reais e variáveis externas que podem impactar essas previsões.
# 2. Objetivo
Ajustar e reemitir previsões e cenários com base em desvios de curto prazo e variáveis externas.
# 3. Regras que você deve seguir para gerar sua resposta
- Calcule desvios de curto prazo e ajuste as previsões de acordo.
- Considere variáveis externas como clima e surtos para ajustar as previsões.
- Reemita previsões e cenários ajustados com base nas novas informações.
# 4. Exemplo de Output que você deve produzir
JSON com: {previsao_ajustada:[{data, demanda_ajustada, intervalo_confianca_p5, intervalo_confianca_p95}], cenarios_ajustados:{pessimista, base, otimista}, alertas_realtime:[{timestamp, tipo, severidade, mensagem}], rationale_ajuste:[string]} 3.3 Configurações do Agente
3.3.1 Especificação do Input
- Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão bem-sucedida do agente anterior (RF 2).
- Tipo do input: Este agente deve ser apto a receber dois artefatos como input: o JSON com previsões e cenários de demanda e dados de sinais reais e variáveis externas.
-
Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato:
.json. - Número de caracteres esperado: Este agente deve ter capacidade para processar um input combinado de até 7.000 caracteres.
3.3.2 Especificação do Output
- Formato de output: O output deve ser um arquivo no formato JSON contendo as previsões ajustadas e os cenários de capacidade revisados.
-
Exemplo de Estrutura de Output:
{ "previsao_ajustada": [ { "data": "2025-12-01", "demanda_ajustada": 130, "intervalo_confianca_p5": 110, "intervalo_confianca_p95": 150 } ], "cenarios_ajustados": { "pessimista": [...], "base": [...], "otimista": [...] }, "alertas_realtime": [ { "timestamp": "2025-12-01T10:00:00", "tipo": "ocupacao_alta", "severidade": "media", "mensagem": "Ocupação acima do esperado devido a fatores climáticos" } ], "rationale_ajuste": ["Ajuste realizado com base em desvio de curto prazo e alerta de clima"] } - Número de caracteres esperado: O JSON gerado terá um tamanho aproximado de 3.500 caracteres.
3.3.3 Parâmetros de Geração
- Modelo: GPT-5
- Temperatura: 0.6
3.3.4 Ferramentas do Agente
- Documentos: Não consulta.
- Calculadora: Não utiliza.
- Busca Online: Não utiliza.
- Sistemas Externos: Não utiliza.
3.3.5 Memória
- Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
- Visibilidade da Resposta: A resposta (JSON ajustado) é o entregável final e não é passada para outros agentes internos.
3.3.6 Regras de Orquestração e Transição
A execução deste agente finaliza o fluxo. A previsão ajustada é o resultado que deve ser disponibilizado ao usuário.