Solucionado (ver solução)
Solucionado
(ver solução)
3
respostas

Benefícios do Copilot Studio na Prática Médica

Por Ricardo Costa Val do Rosário e Microsoft Copilot

Introdução

1. O Serviço de Agente de Saúde no Copilot Studio foi desenvolvido especificamente para a saúde. 
2. Além do alinhamento aos regulamentos semelhantes da HIPAA, tornou-se ferramenta valiosa para as 
práticas médicas modernas.

São caractertícas em destaque:

1. Oferecer inteligência de saúde reutilizável e pré-construída, 
2. Manuseio seguro de dados,
3. Fluxos de trabalho personalizáveis 
4. Maior envolvimento do paciente.
5. Processos administrativos simplificados.

Agendamento de consultas e triagem de pacientes

Modelos especializados na área de saúde permitem criar agentes que:
1.  Automatizam o agendamento de consultas e enviem lembretes,
2.  Realizem a triagem de pacientes antes das consultas médicas.  

Segurança e Confidencialidade

As proteções de visualização privada:
1. identificam fabricações, 
2. Conectam-se ao contexto clínico, 
3. Verificam a codificação,
4. Rastreiam as informações até os dados originais, 
5. Garantem a segurança do paciente e a conformidade regulatória.

IA generativa com proteções clínicas

Agentes podem:
1. Analisar os registros dos pacientes com base nos critérios de estudos clínicos,
2. Identificar estudos adequados,
3. Oferecer recomendações fundamentadas em evidências científicas,
4. Aumentar a eficiência dos fluxos de trabalho e de pesquisa.

Carga administrativa reduzida

Agentes podem se encarregar das cobranças, de todos os tipos de relatórios (pré-autorizações,
de seguro etc.) e das comunicações com pacientes. São efeitos disso:
1. Médicos se concentrem no atendimento, 
2. Redução do esgotamento e dos erros na prática clínica, 
3. Aprimoramento da qualidade assistencial,
4. Redução dos custos do atendimento. 

Insights baseados em dados

A análise integrada permite:
1. Identificar resultados laboratoriais anormais,
2. Recomendar testes de acompanhamento,
3. Destacar fatores de risco do paciente com o uso de modelos preditivos,
4. Auxiliar na eficácia e eficiência das decisões clínicas, que tornaram mais assertivas.

Exemplos de Python que podem ser adaptados aos fluxos de trabalho

de Data Science/IA nos projetos da Alura.

Estes códigos em Python mostrarão como:
1. Autenticar com o Azure
2. Criar um tópico "Avaliação de desempenho"
3. Iniciar uma sessão de bate-papo e envie uma mensagem
4. Lidar com comportamento condicional (simula dois perfis de funcionários)

1. Pré-requisitos

1. Assinatura do Azure com o Copilot Studio habilitado
2. Entidade de serviço ou identidade gerenciada com direitos para o recurso do Copilot Studio
3. Instalação destes pacotes Python:
pip install azure-identity requests

2. Autenticação

from azure.identity import DefaultAzureCredential

Isso pegará AZURE_CLIENT_ID, AZURE_TENANT_ID, AZURE_CLIENT_SECRET de env vars
credencial = DefaultAzureCredential()

Adquira um token para o recurso do Copilot Studio

escopo = "https://management.azure.com/.default"
token = credential.get_token(escopo).token

Cabeçalhos comuns para todas as chamadas REST

cabeçalhos = {
    "Autorização": f"Portador {token}",
    "Tipo de conteúdo": "aplicativo / json"
}

3. Defina seu projeto e URL base

Substitua pelos detalhes reais do recurso

subscription_id = "YOUR_SUBSCRIPTION_ID"
resource_group = "YOUR_RESOURCE_GROUP"
studio_name = "YOUR_COPILOT_STUDIO_NAME"

base_url = (
    f"https://management.azure.com/subscriptions/{subscription_id}"
    f"/resourceGroups/{resource_group}"
    f"/providers/Microsoft.CopilotStudio/studios/{studio_name}"
)
api_version = "2024-01-01-preview"

4. Crie um tópico de "Avaliação de desempenho"

Solicitações de importação

importar json

topic_id = "avaliação de desempenho"
url = (
    f"{base_url}/topics/{topic_id}"
    f"?api-version={api_version}"
)

carga = {
  "propriedades": {
    "displayName": "Assistente de Avaliação de Desempenho",
    "gatilhos": [
      {
        "triggerType": "Frase",
        "phrases": ["avaliar desempenho", "feedback de funcionário"]
      }
    ],
    "ações": [
      {
        "@type": "Microsoft.SendActivity",
        "atividade": {
          "tipo": "mensagem",
          "text": "Olá! Qual funcionário você deseja avaliar hoje?"
        }
      }
    ]
  }
}

resposta = requests.put(url, cabeçalhos=cabeçalhos, json=carga útil)
print("Criar status do tópico:", response.status_code, response.text)

5. Inicie uma sessão de bate-papo e envie uma mensagem

5.1 Crie uma sessão

sess_url = (
    f"{base_url}/sessions?api-version={api_version}"
)
sess_resp = requests.post(sess_url, cabeçalhos=cabeçalhos)
session_id = sess_resp.json()["properties"]["sessionId"]
3 respostas
solução!

5.2 Enviar uma mensagem ao usuário

msg_url = (
    f"{base_url}/sessões/{session_id}/mensagens"
    f"?api-version={api_version}"
)
user_payload = {
  "role": "usuário",
  "content": "Quero orientações para dar um feedback construtivo."
}

bot_resp = requests.post(msg_url, cabeçalhos=cabeçalhos, json=user_payload)
print("Resposta do agente:", bot_resp.json()["conteúdo"])
  1. Lógica condicional: simulando perfis
    Você pode estender seu tópico com uma ação IfCondition para ramificar em uma
    variável "employeeProfile". Por exemplo:
Corrija o tópico para adicionar um acompanhamento condicional

conditional_payload = {
  "propriedades": {
    "ações": [
      {
        "@type": "Microsoft.IfCondition",
        "condition": "${employeeProfile} == 'resistente'",
        "ações": [
          {
            "@type": "Microsoft.SendActivity",
            "atividade": {
              "tipo": "mensagem",
              "text": "Entendo que este funcionário pode reagir defensivamente. Sugiro usar afirmações de reconhecimento primeiro."
            }
          }
        ],
        "elseActions": [
          {
            "@type": "Microsoft.SendActivity",
            "atividade": {
              "tipo": "mensagem",
              "text": "Ótimo, você pode ir direto ao ponto e propor metas claras para o próximo ciclo."
            }
          }
        ]
      }
    ]
  }
}

cond_url = (
    f"{base_url}/topics/{topic_id}"
    f"?api-version={api_version}"
)
resp = requests.patch(cond_url, headers=headers, json=conditional_payload)
print("Tópico corrigido para lógica condicional:", resp.status_code)

Antes de invocar, defina a variável em sua sessão:

Atribua a variável na sessão em andamento

var_url = (
  f"{base_url}/sessões/{session_id}/variáveis"
  f"?api-version={api_version}"
)
var_payload = {"employeeProfile": "resistente"}
requests.post(var_url, cabeçalhos=cabeçalhos, json=var_payload)
Reenvie a mensagem do usuário e você verá o fogo da filial "resistente".
  1. Próximos passos e recursos adicionais

1. Revise o Guia de implementação do Copilot Studio da Microsoft para fazer o layout da revisão do seu projeto: 

aka.ms/CopilotStudioImplementationGuide

2. Explore as práticas recomendadas de criação de tópicos para refinar seu design de conversação: 

learn.microsoft.com/microsoft-copilot-studio/guidance/topic-authoring-best-practices

3. Experimente um modelo de saúde no Copilot Studio e pilote um agente simples de triagem ou agendamento em 
sua clínica se for possível.

Oi, Ricardo! Como vai?

Agradeço por compartilhar suas reflexões e aprendizados com a comunidade Alura.

Sua explicação mostra um ótimo entendimento das aplicações do Copilot Studio na área da saúde. Gostei da forma como você organizou os benefícios, desde o agendamento de consultas até o uso de IA generativa com foco em segurança e eficiência.

Continue se aprofundando nesse tema. É uma área em constante evolução, e seu interesse faz diferença.

Dica: experimente testar pequenos fluxos personalizados no Copilot Studio com dados fictícios, isso ajuda a entender melhor o comportamento dos agentes antes de aplicar em contextos reais.

Conte com o apoio do Fórum na sua jornada. Abraços e bons estudos!

Alura Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!

Olá, Monalisa,
Eu não conhecia a ferramenta, mas adorei o que aprendi e com certeza continuarei explorando-a.
Muito obrigado!