Pipeline editorial com IA e revisão médica

Pipeline em três camadas com Claude + DeepSeek e revisão médica integrada ao WordPress. De 6h para 35min por artigo, 70% de preferência em teste cego.

Cliente
Plataforma de educação médica B2C, #1 no Brasil
Setor
EdTech médica
Papel
Arquiteto do pipeline
Duração
2025 (em produção)
Stack
PHP 8.2WordPressClaude APIDeepSeek APICustom CPTREST endpoints
S01

Contexto

O que é: um pipeline editorial em WordPress que gera artigos médicos com Claude e DeepSeek APIs e obriga revisão humana por profissional de saúde antes de publicar. Reduziu o tempo de produção de 6h para ~35min por artigo e passou em teste cego contra editorial humano.

Contexto: time editorial limitado, demanda crescente por conteúdo médico indexável e revisado. A questão não era "gerar mais conteúdo", era "gerar mais sem perder qualidade médica e sem inflar custo de revisão".

S02

Problema

Produção editorial manual levava em média 6 horas por artigo entre briefing, redação e revisão médica. Impossível escalar sem comprometer qualidade ou explodir headcount.

Baseline 6h por artigo, 1 médico revisor dedicado.
S03

Abordagem

Pipeline em três camadas: (1) briefing estruturado com parâmetros SEO populado automaticamente em um banco Notion, (2) geração com Claude + DeepSeek em roles diferentes (draft vs revisão adversarial), (3) fila de revisão médica no próprio WP via CPT e post status custom. A física médica revisora aprova antes da publicação.

Database Notion Radar de notícias com mais de 20 briefings editoriais gerados pela IA, com colunas de curso, ângulo editorial, contexto e score.
Radar editorial no Notion, cada linha é um briefing gerado automaticamente a partir de fontes médicas monitoradas.
S04

Execução

Integração direta com a API da Anthropic via wp_remote_post, sem dependências externas. Cada artigo nasce como CPT medical_draft e transita por status custom até virar post publicado. O engine é open source e está publicado em github.com/sergiopatrick/motor-sanarmed-ai-vercel.

Página detalhe no Notion de um briefing sobre Manejo integral da Doença de Parkinson, com campos Ângulo Editorial, Buzz, Fit, Fonte Principal, Relevância, Score e Tags.
Cada briefing vira uma página no Notion com metadata rica, score, fit, relevância, tags de especialidade, pronto para o revisor médico avaliar.
phpinc/radar/class-content-generator.php
public function generate_draft( array $brief ): array {
    $response = wp_remote_post( self::CLAUDE_ENDPOINT, [
        'timeout' => 120,
        'headers' => [
            'Content-Type'      => 'application/json',
            'x-api-key'         => $this->api_key,
            'anthropic-version' => '2023-06-01',
        ],
        'body' => wp_json_encode( [
            'model'      => 'claude-opus-4-7',
            'max_tokens' => 4096,
            'system'     => $this->load_system_prompt( 'medical-editorial' ),
            'messages'   => [[
                'role'    => 'user',
                'content' => $this->render_brief( $brief ),
            ]],
        ] ),
    ] );

    if ( is_wp_error( $response ) ) {
        return [ 'error' => $response->get_error_message() ];
    }

    $body = json_decode( wp_remote_retrieve_body( $response ), true );
    return $this->parse_completion( $body['content'][0]['text'] ?? '' );
}
Chamada direta à Claude API via wp_remote_post, sem SDK externo.
S05

Resultados

Artigos em produção no Sanar Medicina, todos gerados pelo pipeline e aprovados por revisão médica antes da publicação:

Recorte aproximado de dois briefings editoriais no Notion mostrando Tema, Curso, Fontes, Angulo Editorial e Justificativa.
Recorte do Notion: tema + curso + fontes + ângulo editorial + justificativa, tudo populado automaticamente.
90%
Redução de tempo de produção
De 6h para ~35min por artigo
70%
Preferência em teste cego
Vs baseline editorial humano
1.000
Cliques projetados em 15 dias
Ramp-up pós-lançamento
S06

Output reutilizável

PRD completo do pipeline, mega prompt versionado (sistema de prompts por tipo de conteúdo), documento de fluxo de revisão médica. Engine open source em github.com/sergiopatrick/motor-sanarmed-ai-vercel, reaproveitável em qualquer vertical de conteúdo.

Cada artigo gerado por este pipeline entra no grafo semântico descrito no case 7, linkagem por embeddings, conectando-se automaticamente ao CID, ao exame e ao curso relacionado.