Agente de IA para Previsão de Demanda de Leitos de Observação

06 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que antecipa a demanda por leitos de observação com base em tendências sazonais e eventos locais.

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.

© 2025 prototipe.ai. Todos os direitos reservados.