Desenvolvimento e validação de chatbot para abordagem de lesões da hanseníaseResumo
Objetivou-se desenvolver, validar e testar a usabilidade de um chatbot como ferramenta de suporte aos profissionais de saúde na abordagem de lesões da hanseníase. Trata-se de um estudo metodológico que teve o conteúdo e aparência validados por dez profissionais da área da saúde e sete Técnicos em Informática e Comunicação/Computação (TIC), respectivamente. O estudo seguiu as recomendações do Standards for Quality Improvement Reporting Excellence (SQUIRE2.0), além dos pressupostos do referencial Object-Oriented Hypermedia Design Method (OHDM), passando pelas fases de elaboração do corpus textual (modelagem), condução da estrutura e funcionamento do chatbot (projeto navegacional/ e interface abstrata) e realização das validações e teste de usabilidade (implementação). O chatbot ChatLinoHans obteve resultados satisfatórios nas avaliações de validações. A avaliação dos especialistas conferiu IVC de 0,98 garantindo credibilidade e legitimidade ao chatbot. A validação de aparência realizada pelos juízes técnicos, obteve uma avaliação de 85,7 a 100%, caracterizando como válida no quesito aparência. O teste de usabilidade obteve pontuação de 77,5 a 100, adquirindo resultado acima da média.
Palavras-chave:
Hanseníase; Tecnologia; Inteligência artificial
Abstract
The objective was to develop, validate, and test the usability of a chatbot as a support tool for healthcare professionals in the management of leprosy lesions. This methodological study involved content and appearance validation conducted by ten healthcare professionals and seven Information and Communication Technology (ICT) specialists, respectively. The study followed the recommendations of the Standards for Quality Improvement Reporting Excellence (SQUIRE 2.0) and the principles of the Object-Oriented Hypermedia Design Method (OHDM), encompassing the phases of textual corpus development (modeling), design of the chatbot’s structure and operation (navigational design and abstract interface), and implementation, including validation procedures and usability testing. The ChatLinoHans chatbot achieved satisfactory results across all validation assessments. Expert evaluation yielded a Content Validity Index (CVI) of 0.98, ensuring the credibility and legitimacy of the chatbot. Appearance validation performed by technical judges resulted in agreement rates ranging from 85.7% to 100%, confirming its adequacy in terms of appearance. Usability testing scores ranged from 77.5 to 100, indicating above-average performance.
Key words:
Leprosy; Technology; Artificial intelligence
Resumen
El objetivo fue desarrollar, validar y evaluar la usabilidad de un chatbot como herramienta de apoyo para profesionales de la salud en el abordaje de lesiones de la lepra. Se trata de un estudio metodológico en el que la validación del contenido y de la apariencia fue realizada por diez profesionales del área de la salud y siete especialistas en Tecnologías de la Información y la Comunicación (TIC), respectivamente. El estudio siguió las recomendaciones de los Standards for Quality Improvement Reporting Excellence (SQUIRE 2.0), así como los principios del Object-Oriented Hypermedia Design Method (OHDM), abarcando las fases de elaboración del corpus textual (modelado), diseño de la estructura y funcionamiento del chatbot (diseño navegacional e interfaz abstracta) e implementación, incluyendo los procesos de validación y la prueba de usabilidad. El chatbot ChatLinoHans obtuvo resultados satisfactorios en las evaluaciones realizadas. La evaluación por expertos alcanzó un Índice de Validez de Contenido (IVC) de 0,98, lo que garantiza la credibilidad y legitimidad del chatbot. La validación de la apariencia realizada por los evaluadores técnicos obtuvo porcentajes de concordancia entre 85,7% y 100%, confirmando su adecuación en términos de apariencia. La prueba de usabilidad presentó puntuaciones entre 77,5 y 100, lo que indica un desempeño superior a la media.
Palabras clave:
Lepra; Tecnología; Inteligencia artificial
Introdução
A hanseníase é uma doença infecciosa crônica, tropical negligenciada1, causada predominantemente pela bactéria Mycobacterium leprae (ML)2, que acomete principalmente pele, nervos periféricos da face e membros inferiores e superiores3. Na pele, seus sinais e sintomas abrangem manchas esbranquiçadas, avermelhadas ou acastanhadas4, com alterações de sensibilidade, em alguns casos anestesia ou hipoanestesia2. Nos membros, a ação do bacilo sobre as fibras nervosas pode ocasionar dormência, formigamento e perda de força muscular, desencadeando incapacidades e deformidades5.
Sendo frequentemente associada à subnotificação, estigmatização e discriminação, é capaz de produzir impactos biopsicossociais significativos, sustentando a transmissibilidade em função de diagnósticos tardios e dificuldades no manejo clínico6. De forma que essa doença afeta expressivamente populações em todo o mundo, sobretudo em países em desenvolvimento7.
Em 2023 foram notificados 172.717 novos casos de hanseníase globalmente, concentrando-se principalmente na Índia, no Brasil e na Indonésia7. No contexto brasileiro observa-se a maior prevalência da hanseníase nas Américas, respondendo por cerca de 90% dos casos identificados no continente8, tendo registrado, no período de 2013 a 2022, 316.182 novos casos9. Após redução observada em anos anteriores, nota-se novo crescimento a partir de 2020, com aumento de 18.318 casos em 2020 para 22.773 em 2023. Destacando-se a forma dimorfa e o grau 2 de incapacidade como os mais prevalentes, acometendo principalmente indivíduos do sexo masculino, na faixa etária de 30 a 59 anos9.
Diante desse cenário, a Estratégia Global para a Hanseníase (2021-2030) estabelece prioridades para o controle da doença, incluindo o fortalecimento dos serviços de saúde, a prevenção de incapacidades, o combate ao estigma e a qualificação permanente dos profissionais10. Uma compreensão que enseja a necessidade de alternativas efetivas que auxiliem a prática profissional e o raciocínio clínico diante desse agravo.
Ademais, a Inteligência Artificial (IA) constitui uma tecnologia que tem se tornado cada vez mais comum na saúde, tendo sido associada a maior precisão diagnóstica11, redução de erros humanos12 e potencial redução de custos13, constituindo uma área que se estende desde sistemas baseados em regras, que atuam organizando e apresentando informações a partir de regras, fluxos e conteúdos14,15, até o aprendizado automático e a geração de conteúdo, que representam um grau maior de adaptação e autonomia desses softwares16, aprendendo novos padrões a partir de dados e adaptando continuamente o seu comportamento17.
No contexto clínico da hanseníase, a IA pode ser empregada desde a detecção precoce18, até o apoio ao diagnóstico19,20 e o manejo clínico21, de modo que as suas aplicações recentes têm se concentrado principalmente no apoio ao diagnóstico19, sobretudo a partir da identificação de sintomas por meio de classificação baseada em imagens, amparadas por técnicas como redes neurais, redes neurais convolucionais e máquinas de vetores de suporte22.
Logo, em que pese os avanços observados no uso de técnicas de machine learning na hanseníase, essas abordagens podem apresentar limitações na prática clínica cotidiana, como dependência de grandes bases de dados23, baixa interpretabilidade24 e foco predominante na etapa diagnóstica, com menor atenção ao suporte à tomada de decisão e ao manejo clínico25.
Dessa maneira, à medida que essas abordagens se centralizam majoritariamente na etapa diagnóstica, identificam-se lacunas no que tange à aspectos como o suporte à tomada de decisão e ao manejo das lesões na prática clínica cotidiana19,26. Assim, frente à lacuna evidenciada e à necessidade de apoio na abordagem de lesões da hanseníase, esse estudo tem como objetivo desenvolver e validar um chatbot como ferramenta de suporte aos profissionais de saúde na abordagem de lesões da hanseníase.
Métodos
Trata-se de um estudo metodológico que relata a construção, validação e teste de usabilidade de um chatbot, seguindo as recomendações do guia Standards for Quality Improvement Reporting Excellence (SQUIRE2.0)27, voltado para estudos de sistemas de inteligência artificial aplicados ao suporte à decisão em saúde, adotando-se o Object-Oriented Hypermedia Design Method (OHDM) como norteador metodológico das quatro fases sistemáticas adotadas: modelagem, projeto navegacional, projeto da interface abstrata e implementação28. Este estudo encontra-se depositado no repositório www.scielo.org.
O chatbot foi desenvolvido a partir de uma arquitetura híbrida, combinando um sistema baseado em regras clínicas explícitas, que determinam o fluxo da interação, o conteúdo e os limites da resposta, com o uso do modelo GPT-4 para geração de respostas em linguagem natural.
A modelagem do chatbot baseou-se na construção de um banco de conhecimento a partir de uma revisão narrativa sobre lesões da hanseníase, utilizando artigos científicos disponíveis na Biblioteca Virtual em Saúde - Hanseníase e Ministério da Saúde-Hanseníase29. O corpus textual obtido foi organizado e lapidado a partir do software Interface de R pour les Analyses Multidimensionnelles de Textes et de Questionnaires (IRaMuTeQ), por meio de análises de estatística lexical clássica, lexicografia básica e análise de similitude, assegurando coerência temática e consistência terminológica30.
O banco de conhecimento foi estruturado a partir da descrição das quatro formas da hanseníase e principalmente das características das lesões específicas a cada condição clínica, além de um conjunto de possíveis questionamentos e possíveis respostas, de maneira que ele foi empregado exclusivamente como base informacional e contextual para a geração das respostas, não sendo utilizado para treinamento, retreinamento ou ajuste fino de modelos de inteligência artificial.
Na etapa do projeto navegacional, definiu-se que o funcionamento do sistema se inicia com a identificação da entrada em linguagem natural, ocorrendo o processamento da informação e o acionamento de regras previamente estabelecidas identificando-se palavras-chave e padrões semânticos relacionados aos quatro grupos de lesões da hanseníase. Assim, o sistema recupera os conteúdos pertinentes do banco de conhecimento e constrói um prompt estruturado, que é enviado ao modelo GPT-4 para a geração da resposta em linguagem natural, a ser apresentada ao usuário, sendo que, para cada fluxo, foram elaboradas respostas previamente estruturadas, com diferentes formas de apresentação da informação e variações linguísticas, mantendo-se a coerência clínica e o alinhamento ao escopo informacional definido, conforme exemplificado no Quadro 1.
Na fase de projeto da interface abstrata definiu-se os campos para inserção de perguntas em linguagem natural, opções de resposta pré-definidas e mensagens orientadoras, com o objetivo de facilitar a navegação e a compreensão das informações fornecidas, priorizando-se clareza, objetividade e baixa carga cognitiva, definindo-se também os mecanismos de feedback ao usuário, permitindo a continuidade da interação, o redirecionamento para novos fluxos ou o encerramento da conversa.
A fase de implementação consistiu na integração de todos os componentes previamente definidos, resultando em um chatbot funcional, incorporando-se o modelo de linguagem GPT-4, o banco de conhecimento, as regras de navegação e os prompts previamente definidos. Assim, os autores realizaram testes iterativos de funcionamento a fim de identificar e corrigir inconsistências técnicas, falhas nos fluxos conversacionais e possíveis respostas fora do escopo previamente definido, refinando-se as regras de navegação, os prompts e a estrutura de apresentação das respostas.
A validação do chatbot foi conduzida entre dezembro de 2024 e janeiro de 2025 com dez especialistas da área da saúde e sete Técnicos em Informática e Comunicação/Computação (TIC), de modo que, após a fase de ajustes iniciais, o chatbot permaneceu estável, sem modificações estruturais ou de conteúdo, durante todo o período de validação e teste de usabilidade.
Os juízes foram selecionados através de amostragem não probabilística de conveniência, em rede (ou bola de neve)31, conforme critérios de elegibilidade de Jasper32, buscando-se alcançar o número de seis a 20 especialistas33,34, sendo esse quantitativo suficiente para garantir a estabilidade dos índices de validade de conteúdo35,36. Adotando-se como critérios de elegibilidade: dissertação ou tese na área temática, experiência docente ou assistencial na área, possuir produção científica, participação em bancas avaliadoras ou o recebimento de homenagens ou prêmios em eventos científicos de relevância32, precisando, os juízes, alcançarem pelo menos dois desses.
Assim, os juízes da área da saúde validaram o chatbot quanto ao conteúdo, relevância, compreensão, adequação e clareza, testando as respostas do sistema a partir do questionamento ao chatbot sobre lesões características das quatro formas da hanseníase: indeterminada, tuberculoide, dimorfa e virchowiana, a partir de interações diretas com o chatbot, simulando, de forma livre, questionamentos clínicos relacionados às quatro formas da hanseníase.
A partir disso, estes responderam seis questionamentos, sendo eles: “este conteúdo lhe parece claro e compreensivo para o público-alvo do chatbot?”, “a forma como o conteúdo foi abordado no chatbot está adequada?”, “o conteúdo que foi acionado é relevante para o chatbot?”, “o conteúdo do chatbot corrobora para o fechamento do diagnóstico da hanseníase?”, “este chatbot é pertinente para profissionais de saúde?” e “o conteúdo do chatbot é relevante?”, a partir de uma escala do tipo Likert adaptada de Mota et al.37, possuindo como respostas: “concordo”, “concordo fortemente”, “discordo”, “discordo fortemente” e “não se aplica”.
A validade de conteúdo foi avaliada por meio do Índice de Validade de Conteúdo (IVC), de modo que para os itens individuais foi utilizado o I-CVI, obtido pela proporção de avaliadores que atribuíram escores 3 ou 4 a cada elemento. A validade global do chatbot foi estimada pelos índices S-CVI/Ave, correspondente à média dos I-CVI de todos os itens, e S-CVI/UA, referente à proporção de itens que atingiram concordância universal entre os avaliadores, considerando-se adequado valor de IVC≥0,8038.
Para análise inferencial dos índices de validade de conteúdo, foi aplicado o teste binomial, adotando-se nível de significância de 5%, considerando-se como hipótese nula a concordância menor que 0,80 e hipótese alternativa a proporção acima de 0,80. As análises estatísticas foram realizadas no software R, de maneira que os resultados iguais ou superiores aos pontos de corte previamente definidos para cada método de validação foram considerados satisfatórios, indicando adequação do conteúdo, da estrutura técnica e da usabilidade do chatbot.
Ademais, o questionário dos TIC avaliou os domínios da funcionalidade, confiabilidade, usabilidade, eficiência e desempenho, a partir das respostas: “completamente apropriado”, “muito apropriado”, “moderadamente apropriado”, “um pouco apropriado” e “nem um pouco apropriado”, adaptadas de Tannure39. Ademais, empregou-se a análise de percentual, considerando-se válidos os itens que obtiveram um percentual de pelo menos 75% de concordância40.
A usabilidade do chatbot foi avaliada por sete profissionais de saúde (5 enfermeiros e 2 médicos), escolhendo-se os profissionais de uma Estratégia Saúde da Família (ESF) de cada distrito sanitário da cidade de Juazeiro do Norte que possuíam maior número de casos de hanseníase no território adscrito. Para a avaliação de usabilidade utilizou-se um questionário adaptado de Brooke41.
Para o questionário da avaliação de usabilidade, a soma dos valores obtidos das 10 perguntas foi multiplicada por 2,5. Após a pontuação, a classificação pode variar: 20, 5 (pior imaginável), 21 a 38, 5 (pobre), 39 a 52,5 (mediano), 53 a 73, 5 (bom), 74 a 85,5 (excelente) e 86 a 100 (melhor imaginável)41-43.
Assim, o estudo limitou-se à validação de conteúdo, aparência e usabilidade do chatbot, não tendo como objetivo avaliar sua eficácia clínica ou impacto na prática assistencial. Este estudo foi aprovado pelo Comitê de Ética em Pesquisa da Universidade Estadual do Ceará, com número de parecer 7.108.334.
Resultados
O chatbot “ChatLinoHans” foi hospedado em uma Landing Page, utilizando-se o Content Management System (CMS), no modo word press para gerenciamento e hospedagem, optando-se por essa versão paga por possuir uma facilidade e controle mais eficiente44, utilizando-se a OpenAI Incorporated como prestadora e o ChatGPT-4 como interface45.
O chatbot pode ser acessado de forma aberta pelo link (https://hanseniase.contratesolutions.com.br), sendo organizado a partir de quatro interfaces, sendo a primeira a apresentação à tecnologia, a segunda um QRcode para acesso, a terceira uma descrição sobre a ferramenta e a quarta o chatbot aberto para a conversa, conforme demonstra a Figura 1, de forma que as imagens de lesões disponíveis na tecnologia são de domínio público e constavam no acervo de publicações da revisão narrativa da literatura que compuseram o banco de conhecimento.
Assim, o Quadro 2 apresenta um exemplo de interação entre usuário e o chatbot, evidenciando o funcionamento operacional do sistema a partir de perguntas formuladas em linguagem natural e das respectivas respostas geradas.
A validação do conteúdo do chatbot foi realizada por dez especialistas da área da saúde, entre os meses de dezembro de 2024 e janeiro de 2025, a maioria do sexo feminino (80,0%), com idade média de 41,20 anos (DP±7,50), tempo médio de formação de 17,10 anos, havendo um predomínio de mestres (60%). Metade 50,0% possuíam experiência em hanseníase e 40% em Saúde Coletiva/Saúde Pública, sendo 40,0% docentes e 40,0% exerciam atividades na Atenção Primária à Saúde. Todos os participantes possuíam publicações e pesquisas nas áreas de interesse (doenças infecciosas/parasitárias, hanseníase, saúde pública/saúde coletiva).
Para a validação de conteúdo do chatbot pelos especialistas, foi calculado o IVC (I-CVI; e S-CVI/AVE) para os itens avaliativos do instrumento. Quanto aos aspectos conteúdo e confiabilidade das informações, atingiram-se respectivamente um I-CVI de 1,00. O IVC global, calculado com base na média de todos os itens, obteve pontuação de 0,98, como aponta o Quadro 3.
Todos os itens apresentaram valores de p que indicam uma validação estatisticamente significativa, reforçando a confiabilidade da análise realizada pelos participantes, bem como, uma taxa de 98% de concordância, refletindo uma forte concordância entre os resultados obtidos e os critérios de referência. Quanto às sugestões dos juízes, todas foram acatadas. Dentre as sugestões, têm-se: a introdução de mais imagens, organização textual, troca de terminologias e redirecionamento de respostas quanto às condições clínicas da hanseníase.
Os juízes da TIC possuíam idade que variou de 22 a 38 anos. Todos eram do sexo masculino, possuíam graduação em sistemas da informação e 100% eram especialistas. Quanto ao tempo de profissão em anos, variou entre 3 e 11 anos. Todos possuíam experiência com desenvolvimento de software. O ChatLinoHans possui validade de aparência adequada para os 26 itens avaliativos dos cinco atributos analisados, com percentual de 85,7% ou 100% de concordância37,40.
A análise de validade de aparência foi realizada por sete profissionais da TIC que analisaram os atributos: adequação funcional, confiabilidade, usabilidade, eficiência de desempenho, manutenibilidade, conforme descreve o Quadro 4.
Após a validação pelos especialistas e TIC, foi realizado o teste de usabilidade. Participaram desta etapa sete profissionais (dois médicos e cinco enfermeiros). A proposta da avaliação de usabilidade foi averiguar a eficiência, facilidade de uso, satisfação e intuitividade do chatbot. A pontuação obtida na avaliação de usabilidade variou de 77,5 a 100 pontos. Considerando as orientações de Brooke41, o ChatbotLinoHans obteve resultado acima da média e qualitativamente excelentes/melhor imaginável segundo Martins et al.42.
Discussão
Os chatbots têm se tornado cada vez mais comuns no contexto assistencial, associados à prática clínica e à promoção da educação permanente dos profissionais de saúde46, o que ocorre sobretudo em razão da capacidade desses recursos viabilizarem um processo comunicativo semelhante a uma conversa, podendo executar tarefas e levantar informações, o que, em conjunto, é capaz de apoiar o julgamento e a decisão clínica de forma significativa24.
Tais tecnologias podem se caracterizar por diferentes apresentações, configurações de domínio, finalidades e tipos de interação, de maneira que o seu uso tem se associado à otimização na gestão dos pacientes, conferindo precisão, velocidade e a capacidade de processamento de um volume expressivo de informações em pouco tempo46. Frente a isso, o uso dessas tecnologias na medicina tem crescido consideravelmente nas últimas décadas, a partir de uma contribuição que está atrelada à área psiquiátrica, cardiológica, dermatológica e diagnóstica, principalmente em análises de imagens25.
A partir do amplo processo de validação desenvolvido nesse estudo, evidencia-se a confiabilidade e aplicabilidade do chatbot ChatLinoHans no manejo clínico das lesões da hanseníase, ressaltando-se a sua conformidade com as necessidades impostas pela complexidade clínica da doença, que demanda respostas precisas e contextualizadas ao quadro apresentado pelo paciente. Tem-se, dessa maneira, uma tecnologia que, ao ser amparada pelo OHDM, foi desenvolvida em etapas precisas e bem definidas, o que lhe conferiu maior qualidade e confiabilidade.
Destaca-se que o ChatLinoHans foi desenvolvido a fim de ter uma arquitetura acessível, multiplataforma e orientada à experiência do usuário, enquanto a escolha por um chatbot se deu pela capacidade desses sistemas trabalharem com a linguagem natural, simulando uma conversa como se fosse um humano47.
Ademais, a escolha pela hospedagem em landing page se deu à maior centralidade e possibilidade de acesso à tecnologia garantidas por essa alternativa48, de forma que a orientação prévia à interação, constitui uma possibilidade de permitir a esse usuário conhecer o propósito e as limitações da tecnologia.
Em consonância, os elevados índices obtidos na validação da ferramenta constatam a concordância dos juízes especialistas quanto a clareza, relevância e adequação do conteúdo e da aparência do ChatLinoHans, um aspecto que reafirma a capacidade do chatbot auxiliar os profissionais da saúde na abordagem de lesões da hanseníase.
Outros estudos de construção e validação de tecnologias do tipo chatbot, como o desenvolvido por Ferreira et al.49 e por Cavalcanti et al.50 também observaram a usabilidade e o potencial de contribuição dessas ferramentas para o suporte à prática clínica. Dessa forma, se compreende a necessidade premente das iniciativas voltadas à integração entre a tecnologia e a APS, ressaltando-se as inúmeras contribuições constatadas em torno do emprego de recursos como a telessaúde e o prontuário eletrônico na gestão de trabalho e diminuição de barreiras entre os profissionais e pacientes49,50.
Conforme identificado na revisão sistemática conduzida por Fernandes et al.22, outras ferramentas descritas em estudos anteriores foram propostas como forma de auxílio no diagnóstico da hanseníase a partir do emprego da IA, sobretudo no que tange aos procedimentos clínicos e diagnósticos, no entanto, os autores observam a necessidade de estratégias que incorporem esses instrumentos à prática clínica.
Como limitação, destaca-se que, embora o chatbot não possua mecanismos de aprendizado automático, seu funcionamento depende da manutenção e atualização manual do banco de conhecimento, das regras clínicas e dos prompts, além do acompanhamento das atualizações das plataformas de linguagem natural, o que pode representar um desafio operacional a longo prazo22.
Além disso, o pequeno tamanho amostral e o fato de a amostra ser de conveniência também constituem limitações. Paralelamente, destaca-se também que o presente estudo não recebeu financiamento e não houve influência de organizações financiadoras no desenvolvimento ou nos resultados.
Conclusões
O chatbot ChatLinoHans demonstrou evidências de validade confiável para seu propósito de servir como suporte a profissionais na abordagem de lesões de hanseníase. Seu desenvolvimento baseou-se em referenciais teóricos prévios e seguiu o modelo metodológico OHDM, garantindo um embasamento científico desde a idealização até a validação por especialistas. Essa tecnologia inovadora, que utiliza inteligência artificial com interface de fácil acesso, tem uma relevância importante por oferecer apoio aos profissionais de saúde, contribuindo potencialmente para a melhoria do panorama epidemiológico da doença. Embora o estudo identifique a limitação da necessidade de atualizações e manuseios mais frequentes devido à natureza da inteligência artificial, sugere-se a realização de estudos posteriores de avaliação de efeitos para confirmar sua eficácia.
Referências
-
1 World Health Organization (WHO). Global leprosy (Hansen disease) update, 2022: new paradigm - control to elimination [Internet]. 2022 [cited 2025 abr 20]. Available from: https://www.who.int/publications/i/item/who-wer9837-409-430
» https://www.who.int/publications/i/item/who-wer9837-409-430 - 2 Chen KH, Lin CY, Su SB, Chen KT. Leprosy: a review of epidemiology, clinical diagnosis, and management. J Trop Med 2022; 2022:8652062.
- 3 Brasil. Ministério da Saúde (MS). Secretaria de Vigilância em Saúde. Departamento de Vigilância e Doenças Transmissíveis. Guia prático sobre a hanseníase. Brasília: MS; 2017.
- 4 Chandran SL, Tiwari A, Lustosa AA, Demir B, Bowers B, Albuquerque RGR, Prado RBR, Lambert S, Watanabe H, Haagsma J, Richardus JH. Revised estimates of leprosy disability weights for assessing the global burden of disease: a systematic review and individual patient data meta-analysis. PLoS Negl Trop Dis 2021; 15(3):e0009209.
- 5 Brasil. Ministério da Saúde (MS). Secretaria de Ciência, Tecnologia, Inovação e Insumos Estratégicos em Saúde. Protocolos clínicos e diretrizes terapêuticas da hanseníase. Brasília: MS; 2022.
- 6 Van Brakel WH, Sihombing B, Djarir H, Beise K, Kusumawardhani L, Yulihane R, Kurniasari I, Kasim M, Kesumaningsih KI, Wilder-Smith A. Disability in people affected by leprosy: the role of impairment, activity, social participation, stigma and discrimination. Glob Health Action 2012; 5:18394.
- 7 Organização Mundial da Saúde (OMS). Global leprosy (Hansen disease) update, 2023: elimination of leprosy disease is possible - time to act! Wkly Epidemiol Rec 2024; 99(37):501-521.
-
8 Organização Pan-Americana da Saúde (OPAS). Leprosy (Hansen disease) [Internet]. 2024 [cited 2025 dez 13]. Available from: https://www.paho.org/en/topics/leprosy-hansen-disease
» https://www.paho.org/en/topics/leprosy-hansen-disease -
9 Brasil. Ministério da Saúde (MS). Boletim Epidemiológico: hanseníase [Internet]. 2024 [acessado 2025 abr 23]. Disponível em: https://www.gov.br/saude/pt-br/centrais-de-conteudo/publicacoes/boletins/epidemiologicos/especiais/2024/be_hansen-2024_19jan_final.pdf/view
» https://www.gov.br/saude/pt-br/centrais-de-conteudo/publicacoes/boletins/epidemiologicos/especiais/2024/be_hansen-2024_19jan_final.pdf/view - 10 World Health Organization (WHO). Global leprosy strategy 2021-2030: towards zero leprosy. Geneva: WHO; 2021.
- 11 Teles AS, Fernandes TRS, Balhara S, Gupta N, Teixeira S. Artificial intelligence on diagnostic aid of leprosy: a systematic literature review. J Clin Med 2024; 13(1):180.
- 12 Ouanes K, Farhah N. Effectiveness of artificial intelligence (AI) in clinical decision support systems and care delivery. J Med Syst 2024; 48(1):74.
- 13 Alowais S, Alghamdi S, Alsuhebany N, Alqahtani T, Alshaya A, Almohareb S, Aldairem A, Alrashed M, Bin Saleh K, Badreldin HA, Al Yami MS, Al Harbi S, Albekairy AM. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ 2023; 23(1):689.
- 14 Ronanki R, Nguyen A. Artificial intelligence for the real world. IRJMETS 2023; 5(6):3526-3537.
- 15 Xu Y, Wang Q, An Z, Wang F, Zhang L, Wu Y, Dong F, Qiu CW, Qiu J, Hua K, Su W, Wu J, Xu H, Han Y, Fu C, Yin Z, Liu M, Roepman R, Dietmann S, Virta M, Kengara F, Zhang Z, Zhang L, Zhao T, Dai J, Yang J, Lan L, Luo M, Liu Z, An T, Zhang B, He X, Cong S, Liu X, Zhang W, Lewis JP, Tiedje JM, Wang Q, An Z, Wang F, Zhang L, Huang T, Lu C, Cai Z, Wang F, Zhang J. Artificial intelligence: a powerful paradigm for scientific research. Innovation 2021; 2(4):100179.
- 16 Banh L, Strobel G. Generative artificial intelligence. Electron Mark 2023; 33:1-17.
- 17 Kühl N, Schemmer M, Goutier M, Satzger G. Artificial intelligence and machine learning. Electron Mark 2022; 32:2235-2244.
- 18 Souza M, Lopes G, Branco A, Fairley J, Fraga L. Leprosy screening based on artificial intelligence: development of a cross-platform app. JMIR Mhealth Uhealth 2021; 9(4):e23718.
- 19 Andrade HGV, Rocha ES, Monteiro KHC, Morais CM, Santos DC, Nascimento DC, Dourado RA, Lynn T, Endo PT. On the usage of artificial intelligence in leprosy care: a systematic literature review. PLoS Comput Biol 2025; 21(6):e1012550.
- 20 Simões MMR, Lima FR, Lugão HB, Paula NA, Silva CML, Ramos AF, Frade MAC. Development and validation of a machine learning approach for screening new leprosy cases based on the leprosy suspicion questionnaire. Sci Rep 2025; 15(1):6912.
- 21 Deps P, Yotsu R, Furriel B, Oliveira B, Lima S, Loureiro R. The potential role of artificial intelligence in the clinical management of Hansen's disease (leprosy). Front Med (Lausanne) 2024; 11:1338598.
- 22 Fernandes JRN, Teles AS, Fernandes TRS, Lima LDB, Balhara S, Gupta N, Teixeira S. Artificial intelligence on diagnostic aid of leprosy: a systematic literature review. J Clin Med 2023; 13(1):180.
- 23 Elshawi R, Al-Mallah MH, Sakr S. On the interpretability of machine learning-based model for predicting hypertension. BMC Med Inform Decis Mak 2019; 19:146.
- 24 Xu L, Sanders L, Li K, Chow J. Chatbot for health care and oncology applications using artificial intelligence and machine learning: systematic review. JMIR Cancer 2021; 7(4):e27850.
- 25 Paixão GMM, Santos BC, Araújo RM, Ribeiro MH, Moraes JL, Ribeiro AL. Machine learning na medicina: revisão e aplicabilidade. Arq Bras Cardiol 2020; 118(1):95-102.
- 26 Castor ECS, Fernandes AL, Motta ACGD, Garcia RB, Lima AF. Chatbot: impactos no ambiente acadêmico de uma universidade do Rio de Janeiro. P2P Inovação 2021; 8(1):71-92.
- 27 Ogrinc G, Davies L, Goodman D, Batalden P, Davidoff F, Stevens D. Standards for Quality Improvement Reporting Excellence 2.0. J Surg Res 2016; 200(2):676-682.
- 28 Schwabe D, Rossi G. The object-oriented hypermedia design model. Commun ACM 1995; 38(8):45-46.
-
29 Brasil. Ministério da Saúde (MS). Biblioteca Virtual em Saúde - Hanseníase [Internet]. 2022 [acessado 2024 jun 10]. Disponível em: https://hansen.bvs.br/colecao-ministerio-da-saude/.
» https://hansen.bvs.br/colecao-ministerio-da-saude - 30 Camargo BV, Justo AM. Tutorial para uso do software IRAMUTEQ. Florianópolis: Universidade Federal de Santa Catarina; 2018.
- 31 Polit DF, Beck CT. Fundamentos de pesquisa em enfermagem: avaliação de evidências para a prática de enfermagem. 7ª ed. Porto Alegre: Artmed; 2011.
- 32 Jasper MA. Expert: a discussion of the implications of the concept as used in nursing. J Adv Nurs 1994; 20(4):769-776.
- 33 Pasquali L. Psicometria: teoria e aplicações. Brasília: UnB; 1997.
- 34 Vianna HM. Testes em educação. São Paulo: Ibrasa; 1982.
- 35 Alexandre NMC, Coluci MZO. Validade de conteúdo nos processos de construção e adaptação de instrumentos de medidas. Cien Saude Colet 2011; 16(7):3061-3068.
- 36 Rubio DM, Berg-Weger M, Tebb SS, Lee ES, Rauch S. Objectifying content validity. Soc Work Res 2003; 27(2):94-104.
- 37 Mota L, David R, Botelho D, Oliveira V. Pesquisa UX aplicada à transformação digital da atenção primária no Brasil. Rev Eur Saude Publica 2020; 30.
- 38 Polit DF, Beck CT. Fundamentos de pesquisa em enfermagem: avaliação de evidências para a prática de enfermagem. 7ª ed. Porto Alegre: Artmed; 2011.
- 39 Tannure MC. Construção e avaliação da aplicabilidade de um software com o processo de enfermagem em UTI [tese]. Belo Horizonte: Universidade Federal de Minas Gerais; 2012.
- 40 Felipe GF, Lima FET, Barbosa LP, Moreira TMM, Joventino ES, Freire VS, Mendonça LBA. Evaluation of user embracement software with pediatric risk classification. Rev Bras Enferm 2020; 73(3):e20180677.
-
41 Brooke J. SUS: a quick and dirty usability scale [Internet]. 1996 [acessado 2025 abr 23]. Disponível em: https://www.researchgate.net/publication/319394819_SUS_--_a_quick_and_dirty_usability_scale
» https://www.researchgate.net/publication/319394819_SUS_--_a_quick_and_dirty_usability_scale - 42 Martins AI, Rosa AF, Queirós A, Silva A, Rocha NP. European Portuguese validation of the System Usability Scale (SUS). Procedia Comput Sci 2015; 67:293-300.
- 43 Sousa LB, Sousa IM, Costa EC, Freitas APF, Santos LVF, Ferreira AGN. IST Nurse: development and validity evidence of a mobile application. Rev Latino Am Enferm 2024; 32:e4317.
-
44 WordPress. WordPress sem complicação [Internet]. 2024 [acessado 2025 abr 23]. Disponível em: https://wordpress.com/pt-br/.
» https://wordpress.com/pt-br -
45 OpenAI. Introducing ChatGPT [Internet]. 2025 [acessado 2025 abr 23]. Disponível em: https://openai.com/index/chatgpt/.
» https://openai.com/index/chatgpt - 46 Wah J. Revolutionizing e-health: the transformative role of AI-powered hybrid chatbots in healthcare solutions. Front Public Health 2025; 13:1530799.
- 47 Casheekar A, Lahiri A, Rath K, Prabhakar K, Srinivasan K. A contemporary review on chatbots and AI-powered virtual conversational agents. Comput Sci Rev 2024; 52:100632.
- 48 Santiago NO, Leite Filho CAP. O uso de chatbots como ferramenta de comunicação online em lojas de varejo brasileiras. Rev Uni RN 2019; 19(1):208-235.
- 49 Ferreira DS, Oliveira BSB, Paula RNF, Jorge MSB. Validação de um chatbot para o cuidado em saúde. Bol Conjuntura 2024; 18(53):324-346.
- 50 Cavalcanti AOR, Cavalcanti ARS, Nascimento JWA, Souza RR, Roque GSL, Queiroz SRM, Santos ICRV. Chatbot de orientações acerca do aleitamento materno. In: Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), 2021. Porto Alegre: SBC; 2021. p. 422-427.
As fontes de dados utilizados na pesquisa estão indicadas no corpo do artigo.
Fonte: Autores.