Chatbots de Inteligencia Artificial como Fuentes de Información sobre Cáncer Oral: Evaluación de la Legibilidad y del Contenido DiscursivoRESUMEN
Introducción: El uso creciente de chatbots de inteligencia artificial (IA) como fuentes de información en salud exige una evaluación crítica de la legibilidad y de la adecuación comunicacional de sus respuestas, especialmente en temas sensibles como el cáncer oral.
Objetivo: Evaluar y comparar la legibilidad de las respuestas proporcionadas por diferentes chatbots de IA a preguntas básicas sobre el cáncer oral y describir el contenido discursivo generado por las plataformas.
Método: Estudio observacional y descriptivo con diez chatbots de IA que respondieron a siete preguntas estandarizadas. La legibilidad textual se analizó mediante una herramienta automatizada, con el cálculo de una media global. De forma complementaria, se aplicó la técnica del Discurso del Sujeto Colectivo para sintetizar el contenido convergente de las respuestas por pregunta.
Resultados: La media global de legibilidad fue de 12,9, un valor límite clasificado como de alta legibilidad, que indica un nivel educativo equivalente a la finalización de la educación secundaria, con variaciones entre plataformas y tipos de pregunta. Se observó convergencia de contenido en un núcleo biomédico técnicamente adecuado, asociado a una expansión recurrente del contenido más allá del alcance de las preguntas.
Conclusión: Aunque los chatbots de IA presentan potencial para ampliar el acceso a información sobre el cáncer oral, persisten limitaciones relacionadas con la legibilidad, la organización del contenido y la adecuación comunicacional, lo que señala la necesidad de curaduría humana para un uso complementario y equitativo en salud.
Palabras clave:
Inteligencia Artificial Generativa; Comprensión; Comunicación en Salud; Neoplasias de la Boca
RESUMO
Introdução: A utilização crescente de chatbots de inteligência artificial (IA) como fontes de informação em saúde demanda avaliação crítica da legibilidade e da adequação comunicacional das respostas, especialmente em temas sensíveis como o câncer de boca.
Objetivo: Avaliar e comparar a legibilidade das respostas fornecidas por diferentes chatbots de IA a perguntas básicas sobre o câncer de boca e descrever o conteúdo discursivo gerado pelas plataformas.
Método: Estudo observacional e descritivo com dez chatbots que responderam a sete perguntas padronizadas. A legibilidade textual foi analisada por ferramenta automatizada, com cálculo de uma média global. Complementarmente, aplicou-se a técnica do Discurso do Sujeito Coletivo para sintetizar o conteúdo convergente das respostas por pergunta.
Resultados: A média global de legibilidade foi de 12,9, valor limítrofe classificado como alta legibilidade, indicando exigência de escolaridade equivalente ao ensino médio completo, com variações entre plataformas e tipos de pergunta. Observou-se convergência de conteúdo em um núcleo biomédico tecnicamente adequado, associado à expansão recorrente do conteúdo para além do escopo das perguntas.
Conclusão: Embora os chatbots apresentem potencial para ampliar o acesso à informação sobre câncer de boca, persistem limitações relacionadas à legibilidade, à organização do conteúdo e à adequação comunicacional, indicando a necessidade de curadoria humana para uso complementar e equitativo em saúde.
Palavras-chave:
Inteligência Artificial Generativa; Compreensão; Comunicação em Saúde; Neoplasias Bucais
ABSTRACT
Introduction: The growing use of artificial intelligence (AI) chatbots as sources of health information requires a critical evaluation of the readability and communicative adequacy of their responses, particularly regarding sensitive topics such as oral cancer.
Objective: To evaluate and compare the readability of responses provided by different AI chatbots to basic questions about oral cancer and to describe the discursive content generated by these platforms.
Method: This observational and descriptive study evaluated ten AI chatbots that answered seven standardized questions. Textual readability was assessed using an automated tool by calculating a global mean score. Additionally, the Discourse of the Collective Subject technique was applied to synthesize the convergent content of the responses for each question.
Results: The global mean readability score was 12.9, a borderline value classified as high readability, indicating a required educational level equivalent to completion of secondary education, with variations across platforms and question types. Convergence was observed around a technically adequate biomedical core, associated with recurrent expansion of content beyond the scope of the questions.
Conclusion: Although AI chatbots show potential to expand access to information on oral cancer, persistent limitations related to readability, content organization, and communicative adequacy remain, indicating the need for human curation to ensure complementary and equitable use in health contexts.
Key words:
Generative Artificial Intelligence; Comprehension; Health Communication; Mouth Neoplasms
INTRODUCCIÓN
El cáncer oral es una neoplasia maligna que afecta las estructuras de la cavidad oral, como labios, lengua, encía y piso de boca. Se reportó, en 2022, la ocurrencia de aproximadamente 389 000 nuevos casos y 188 000 óbitos causados por este tipo de cáncer en todo el mundo, habiéndose observado una mayor incidencia en países de bajos y medios ingresos1. Se estiman en el Brasil alrededor de 17 190 nuevos casos anuales para el trienio 2026-2028, lo que ubica a esta enfermedad entre los cánceres con mayor incidencia en el país2.
Los principales factores de riesgo vinculados al cáncer oral son el tabaquismo y el consumo de bebidas alcohólicas, que actúan de manera sinérgica. Además, otros factores asociados al desarrollo de la enfermedad son las infecciones por el virus del papiloma humano, la exposición solar crónica y las condiciones inflamatorias orales persistentes3.
Aunque haya relevancia epidemiológica, investigaciones evidencian que la población todavía tiene un conocimiento limitado acerca del cáncer oral. A pesar de que gran parte de las personas tenga alguna información sobre la enfermedad, muchas desconocen sus síntomas iniciales y factores de riesgo, además de minimizar la gravedad de la condición4,5. Esta brecha es más evidente entre individuos con baja escolaridad y menores ingresos, que son exactamente aquellos más expuestos a los principales factores etiológicos6. De esta forma, es fundamental para la prevención y tratamiento disponer de informaciones accesibles y claras acerca del tema, pero todavía es un desafío.
Se tiene conocimiento que internet se afirmó como una de las principales fuentes de información en salud para la población en general. Ante una necesidad de aclaración, lo primero que muchas personas hacen es recurrir a herramientas digitales por ser de fácil acceso, ofrecer anonimato y proveer respuestas rápidas7. Debido al reciente avance de la inteligencia artificial (IA), en especial con el desarrollo de modelos de lenguaje de gran tamaño (Large Language Models – LLM), se estableció una clase específica de sistemas, los chatbots de IA. Como ellos son capaces de interactuar con los usuarios de forma conversacional, personalizada y en lenguaje natural, la adopción y el uso de estas herramientas viene aumentando8.
Existen evidencias recientes que muestran que estos sistemas presentan entre los usuarios alta aceptabilidad y adhesión, siendo un fuente emergente de información en salud y ofreciendo soporte continuo, accesible y exento de juicio de valor9. De esta manera, se entiende que los chatbots de IA representan una nueva interfaz para el acceso al conocimiento en salud, con un gran potencial de presentar una expansión en los próximos años.
Sin embargo, así como otras maneras de comunicación en salud, el beneficio de estas informaciones depende de la veracidad del contenido y de la facilidad de entendimiento. Las comunicaciones relacionadas con la salud algunas veces usan vocabulario y estructuras textuales que pueden estar por arriba del nivel promedio poblacional, con el uso de términos técnicos que dificultan el entendimiento por personas con menor nivel de educación. En el cáncer oral, esto es especialmente crítico debido a ser mayor la ocurrencia en grupos con menor nivel educativo10,11. Se puede tener un entendimiento inadecuado de las recomendaciones cuando se tiene dificultades en la comprensión lectora y en la interpretación de textos, afectando el comportamiento en salud. Tener un lenguaje claro y simple es esencial para la eficiencia de la comunicación en salud.
El concepto de legibilidad textual está relacionado con el grado de simplicidad con el que un lector logra comprender un texto escrito, considerando características lingüísticas y estructurales como el tamaño de las frases, el número de sílabas por palabra, la complejidad sintáctica y el vocabulario empleado. La legibilidad es un elemento central de la comunicación en salud, ya que determina cuán accesible es un texto para diferentes niveles de educación e influye directamente en la capacidad del lector para interpretar y aplicar las informaciones brindadas12. Así, niveles adecuados de legibilidad son fundamentales para promover equidad en el acceso al conocimiento en salud.
Aunque haya un incremento de los estudios acerca de los chatbots de IA en salud, todavía son escasos los análisis direccionados al cáncer oral, principalmente en portugués. Este estudio busca llenar este vacío con la comparación de diferentes plataformas y examinar, simultáneamente, la legibilidad y el contenido discursivo producido sobre un tema relevante para la salud pública brasileña.
Dado este contexto, el presente estudio tiene por finalidad evaluar y comparar la legibilidad de las respuestas proporcionadas por diferentes chatbots de IA a preguntas básicas sobre el cáncer de boca. Además, las respuestas son resumidas por pregunta mediante la técnica del Discurso del Sujeto Colectivo (DSC), con el objetivo de describir el contenido discursivo generado por las plataformas. De esta forma, se busca contribuir a la discusión sobre el acceso equitativo a la información en salud y la efectividad de la comunicación de nuevas tecnologías basadas en IA.
MÉTODO
Se hizo un estudio observacional descriptivo en el cual se incluyeron diez chatbots de IA en la configuración estándar: ChatGPT (GPT-5); Claude (Sonnet 3.5); Consensus; Copilot (Insight 1.0); DeepSeek (V3); Gemini (3 Flash); Grok (4.20); Manus (1.6 lite); Meta AI (Muse Spark 1.2); y Perplexity AI (4.1).
Con un perfil gratuito creado exclusivamente para este fin, en octubre de 2025, cada chatbot recibió exactamente las mismas siete preguntas básicas en portugués del Brasil, ejecutadas una única vez en modo estándar, sin ajustes adicionales de las configuraciones de las plataformas, sin variaciones de contexto o repetición de prompts. La idea fue plasmar el uso común por parte de usuarios no expertos. Se consideró la primera respuesta brindada por cada herramienta a fin de estandarizar la comparación. Las preguntas fueron: 1) "¿Qué es el cáncer de boca?"; 2) "¿Qué causa el cáncer de boca?"; 3) "¿Cómo prevenir el cáncer de boca?"; 4) "¿Cómo identificar un cáncer de boca? "; 5) "¿Cómo diagnosticar el cáncer de boca?"; 6) "¿Hay tratamiento para el cáncer de boca?"; 7) "¿Dónde debo acudir si creo que estoy con cáncer de boca?". Las siete preguntas fueron definidas por ser dudas básicas acerca del cáncer oral, contemplando diferentes etapas del recorrido informacional del usuario, del entendimiento de la enfermedad hasta el tratamiento.
Se copiaron las respuestas íntegramente de la interfaz de cada chatbot, sin cambios en el contenido del texto, y se salvaron en una hoja de cálculo para un análisis posterior. Se analizó íntegramente el contenido, excepto cuando había emojis, que se excluyeron. Se trató cada respuesta como una unidad de análisis de texto independiente, representando la producción de una plataforma ante una pregunta específica.
Se evaluó la legibilidad en la plataforma "ALT – Análisis de Legibilidad del Texto", herramienta desarrollada para el idioma portugués y con la capacidad de calcular el promedio global de legibilidad. Se clasificó este resultado conforme los intervalos recomendados13: Alta legibilidad (valor promedio menor que 13); Media legibilidad (valor promedio igual o mayor que 13 y menor que 17); Baja legibilidad (valor promedio igual a 17 o más). Se analizó el desempeño de las diferentes herramientas de IA, así como la legibilidad por pregunta. Se resalta que se analizó la legibilidad como un indicador de la facilidad de lectura de las respuestas. No se evaluó la calidad de la información, entendida como exactitud y completitud del contenido.
Asimismo, con el fin de resumir el contenido de las respuestas, se usó la técnica del DSC, basada en la Teoría de las Representaciones Sociales. El DSC consiste en la construcción de un discurso-síntesis, redactado en primera persona del singular, a partir de tramos de discursos con sentidos semejantes. Su operacionalización involucra la identificación de Expresiones Clave (ECH), Ideas Centrales (IC) y, cuando están presentes, Anclajes (AC), entendidos, respectivamente, como tramos literales relevantes, síntesis del sentido de las declaraciones y formulaciones que expresan creencias, valores o presupuestos más generales presentes en el discurso. En este estudio, se leyeron totalmente las respuestas, segmentadas en ECH y agrupadas en IC semánticamente equivalentes para la elaboración de los DSC14,15.
En cada pregunta, se leyeron las respuestas generadas por las plataformas íntegramente y segmentadas en ECH, con el soporte del software NVivo 1416. En seguida, se agruparon las ECH en IC semánticamente equivalentes, y se elaboró un DSC para cada IC identificada, redactado en primera persona del singular a partir de la unión de las respectivas ECH, con edición restringida a ajustes mínimos de cohesión y remoción de redundancias, sin introducción de contenido externo al corpus17. Para hacer un resumen del texto, se trató el DSC asociado a la IC de mayor recurrencia en cada pregunta como predominante, manteniendo a los demás como no predominantes. Dicho proceso se realizó por consenso entre dos investigadores.
El estudio no involucró a seres humanos y, por lo tanto, está exento de la obligación de envío al Comité de Ética en Pesquisa, en conformidad con las directrices de la Resolución del Consejo Nacional de Salud n.º 510/1618.
RESULTADOS
El promedio global entre las plataformas fue de 12,9, valor límite clasificado con legibilidad alta. Este nivel indica un grado de complejidad textual compatible con lectores con educación secundaria completa (cerca de 13 años de educación). Se clasificaron seis plataformas como alta legibilidad y cuatro como media legibilidad. La plataforma con menor valor promedio global, indicando mayor facilidad de entendimiento del texto, fue Gemini (10,9). La plataforma Consensus presentó el mayor valor promedio global (16,0), caracterizando textos de mayor complejidad de lectura (Figura 1).
El análisis de desempeño por pregunta demostró que Grok y Gemini presentaron la mejor legibilidad en dos preguntas. Las plataformas Copilot, Gemini, Claude, ChatGPT y Deepseek presentaron el mejor desempeño en una pregunta. En contraste, la plataforma DeepSeek tuvo el peor desempeño en tres preguntas y Consensus, en dos (Figura 2).
Mapa de calor de legibilidad por pregunta y plataforma, variando entre mayor legibilidad (verde) y menor legibilidad (rojo)
Las respuestas con mejor promedio de legibilidad fueron para la pregunta "¿Cómo prevenir el cáncer de boca?" (11,3). Por otro lado, las respuestas a la pregunta "¿Hay tratamiento para el cáncer de boca?" presentaron el mayor valor promedio global (14,2), indicando un texto de mayor complejidad lingüística. Tres preguntas presentaron promedios dentro de la franja de media legibilidad, mientras que cuatro preguntas fueron clasificadas como de alta legibilidad (Figura 3).
El análisis de los DSC, elaborados para cada una de las siete preguntas sobre cáncer oral, evidencia elevada uniformidad en el núcleo de la información presentada por las plataformas. Asimismo, se nota que las respuestas pocas veces se restringen al enunciado estricto de la pregunta, ya que los chatbots expanden el contenido con explicaciones complementarias acerca del tema, añadiendo definiciones, factores de riesgo, señales de alerta, orientaciones de conducta y encaminamientos, incluso cuando dichos elementos extrapolan el ámbito inmediato de la cuestión (Cuadro 1).
Discursos del Sujeto Colectivo e ideas no predominantes por pregunta y adherencia entre chatbots de IA
DISCUSIÓN
Se verificó que la legibilidad media de las respuestas generadas por chatbots de IA sobre cáncer oral se ubica en el límite de la alta legibilidad, con exigencia aproximada de 13 años de educación para un amplio entendimiento, lo que equivale a la secundaria completa. Asimismo, se notó por medio del análisis del DSC una tendencia recurrente de las respuestas que van más allá de lo que se preguntó, añadiendo explicaciones y recomendaciones complementarias. Dicho patrón parece estar asociado a una lógica implícita de los modelos de lenguaje, basada en la premisa de que mayor volumen de información y mayor contextualización resultarían en mejor comprensión.
Aunque la inclusión de explicaciones adicionales y contextualizaciones exprese la intención de proporcionar respuestas completas y responsables, hay una tendencia que esta expansión discursiva aumente la densidad textual y la carga cognitiva impuesta al lector no experto, resultando más difícil la identificación de lo que es esencial para la toma de decisión. Hay evidencias que, en contextos de salud, el exceso de información puede comprometer el entendimiento práctico, generar confusión y reducir la capacidad de acción, principalmente entre públicos con menor conocimiento en salud11,19. De este modo, la expansión de la información puede no tener una función didáctica, resultando en lo contrario, un obstáculo al entendimiento, principalmente entre los grupos más vulnerables, puesto que más información no implica, necesariamente, en una mejor comunicación.
A pesar de que el límite de legibilidad encontrado representa una mejora en comparación con evaluaciones anteriores de materiales digitales en salud, sigue por encima del nivel recomendado para comunicación en salud, manteniendo barreras lingüísticas importantes para el acceso efectivo a la información por poblaciones con menor nivel de educación. Existen evidencias de que estas limitaciones no son episódicas o restringidas al tema del cáncer oral, sino expresan un desafío recurrente de los chatbots de IA aplicados a la salud11,12,19-21.
De este modo, la ganancia potencial en la obtención de información de estas plataformas22,23 no siempre se convierte en comunicación accesible, conservando la legibilidad como dimensión crítica para su uso en educación y comunicación en salud. Entonces, la democratización de la información en salud mediada por IA todavía depende de mayor claridad textual, ya que avances en sofisticación semántica y corrección técnica no pueden garantizar, por sí solos, una comunicación efectiva1,24-27.
La valoración de la claridad y de la inteligibilidad en la comunicación con la población en el Brasil ganó también una expresión normativa reciente, especialmente con la Ley nº 15.263 de 202528 y con la Ley nº 14.129 de 202129, que prevén el uso de lenguaje claro y comprensible al ciudadano. Aunque estos dispositivos se apliquen a la comunicación de la administración pública y no inciden directamente sobre plataformas privadas de IA, están en consonancia con los resultados de este estudio al reforzar la relevancia de la claridad, de la accesibilidad y de la adecuación comunicacional en la oferta de informaciones, incluyendo las de salud.
Además, vienen siendo identificadas diferencias entre versiones gratuitas y pagadas de estas plataformas, con tendencia de menor legibilidad en las versiones gratuitas, lo que genera implicaciones directas para la equidad de acceso a las informaciones en salud30. Esta característica puede ser crítica en escenarios de bajo nivel de educación, como los grupos de mayor riesgo para el cáncer oral10,31, dado que pueden reforzar desigualdades ya existentes. En esta perspectiva, la legibilidad y la organización del contenido dejan de ser atributos solo estilísticos o técnicos de la comunicación y pasan a operar como determinantes comunicacionales, con potencial para ampliar barreras simbólicas al cuidado en salud, impactando la comprensión, la adhesión, el autocuidado y el uso adecuado de los servicios25.
Asimismo, se notó que la legibilidad cambia de acuerdo con el tipo de pregunta, con peor desempeño en cuestiones de naturaleza más clínica, en especial relacionadas con el tratamiento. Esta diferencia es plausiblemente explicada por la mayor densidad terminológica inherente al campo clínico. Sin embargo, desde el punto de vista del cuidado, se trata de un hallazgo sensible, pues la fase de tratamiento coincide con mayor carga de estrés, fatiga y vulnerabilidad emocional, demandando comunicación simple, directa y orientada a la decisión32,33. O sea, puede haber un desacuerdo entre la complejidad lingüística de las respuestas y la capacidad de procesamiento y comprensión del usuario exactamente cuando él más necesita de información clara para adherir al cuidado.
Los hallazgos también mostraron que hay diferencias entre las plataformas en cuanto al uso de la terminología técnica en salud, lo que puede estar vinculado a la manera cómo son entrenados los modelos de IA. Los más direccionados a bases científicas, como Consensus, tienen la tendencia a priorizar términos más técnicos, mientras que modelos más expuestos al lenguaje cotidiano, como Grok, suelen producir textos más fluidos y lenguaje más simple. La literatura sugiere que, cuando están bien calibrados y son usados en situaciones adecuadas, los diferentes chatbots pueden alcanzar niveles de comprensión próximos a los de interacciones humanas. De este modo, escogiendo una herramienta que esté entrenada adecuadamente, es posible mejorar el desempeño comunicativo34,35.
Ante este escenario, los resultados sustentan que la efectividad de los chatbots para la democratización del acceso a la información depende de curaduría humana, contextualización lingüística y atención al nivel educacional del público objetivo. Además del punto de vista ético, la IA debe ser tratada como recurso complementario y no para remplazar la orientación profesional36,37. Se debe buscar el perfeccionamiento de la legibilidad con el objetivo de traducir precisión científica en lenguaje comprensible para diferentes perfiles de usuarios9,27,34.
Más allá de la legibilidad, el resumen de las respuestas vía DSC indicó convergencia en un núcleo biomédico que, aunque técnicamente adecuado, tiende a ser presentado poco ajustado al lenguaje cotidiano en el cual las preguntas fueron elaboradas. Esta asimetría entre la simplicidad de las preguntas y la especialización de las respuestas puede limitar la apropiación práctica de la información por el público no experto. Asimismo, la subrepresentación de dimensiones estructurales del adolecer y del cuidado refuerza los discursos de responsabilización individual, con menor visibilidad hacia la importancia de las desigualdades sociales, barreras de acceso y condicionantes institucionales para el padecimiento y acceso a servicios. El cáncer oral es especialmente crítico en este punto, en el cual hay fuerte asociación entre el nivel socioeconómico y el riesgo de la enfermedad10,38, de manera que la omisión de estas dimensiones puede volver insuficiente la orientación brindada justamente para los grupos más vulnerables, aumentando las brechas entre el conocimiento especializado y las necesidades reales de cuidado.
Por otro lado, el análisis de las ideas no predominantes indica que la ampliación del contenido puede asumir la forma de desinformación práctica, aunque no se haya hecho el análisis de errores factuales. La incorporación de informaciones más específicas, infrecuentes o fuertemente dependientes del contexto, como el consumo de betel y métodos auxiliares como autofluorescencia o azul de toluidina, ocurre sin mecanismos claros de selección, jerarquización o distinción entre lo que es central o excepcional. Esto, al hacer difícil la identificación de lo que es efectivamente relevante, compromete la comprensión práctica de la información, principalmente entre usuarios con menor conocimiento en salud. De este modo, el intento de no omitir información puede producir efecto inverso al deseado, dado que la abundancia excesiva de contenidos periféricos o no consensuales pasa a competir con orientaciones esenciales, perjudicando la capacidad del usuario de reconocer informaciones prioritarias y utilizables para el cuidado en salud39.
En el ámbito del Sistema Único de Salud, los resultados no deben ser interpretados como indicadores de adopción directa de estas plataformas en los servicios, tomando en cuenta la ausencia de gobernanza institucional sobre los contenidos generados y la variabilidad de las respuestas producidas. Entonces, el principal aporte del estudio está en evidenciar desafíos contemporáneos de la comunicación en salud y en ofrecer fundamentos para el desarrollo de estrategias educativas e informativas más claras, accesibles y responsivas a las necesidades del público.
Finalmente, se deben reconocer las limitaciones de este estudio. Se trata de un análisis transversal, condicionado a versiones específicas de modelos sujetos a actualizaciones frecuentes. Además, está centrado en la legibilidad, sin evaluar otras dimensiones que tienen la misma relevancia de la comunicación como empatía y precisión factual de las respuestas. Asimismo, se analizó solo una respuesta por pregunta en cada plataforma, lo que no permite captar la variabilidad potencial de las salidas generadas por los modelos. Sin embargo, al convergir con hallazgos internacionales, los resultados refuerzan que la legibilidad debe ser tratada como componente central para el uso ético, inclusivo y seguro de la IA en salud, principalmente en contextos de mayor vulnerabilidad, como en el cáncer oral.
CONCLUSIÓN
Este estudio evaluó la legibilidad de las respuestas producidas por diferentes chatbots de IA a preguntas básicas sobre el cáncer oral. Se notó que los textos generados exigen una educación equivalente a secundaria completa, límite superior al recomendado para comunicaciones en salud pública. Aunque estas herramientas presenten potencial para ampliar el acceso a la información, los resultados indican que la claridad textual todavía constituye una barrera relevante para la comprensión por públicos sin dominio del tema, principalmente aquellos con menor nivel educativo.
El análisis de los DSC reveló alta convergencia en el núcleo biomédico de las respuestas, asociado a una tendencia recurrente de expansión del contenido más allá del ámbito estricto de las preguntas. Esta ampliación, cuando no viene acompañada de mecanismos de filtrado y jerarquización de lo que es central, puede comprometer la legibilidad y la identificación de orientaciones prioritarias, limitando la aplicabilidad práctica de la información.
De este modo, la adopción de estas tecnologías debe ser acompañada de curaduría humana, atención al contexto sociocultural y adecuación lingüística al público objetivo, para que la precisión científica sea efectivamente traducida en comunicación accesible a las personas que buscan informaciones sobre el cáncer oral. Los chatbots de IA deben ser comprendidos como herramientas complementarias al cuidado profesional. El perfeccionamiento de la legibilidad y de la organización informacional es condición necesaria para que estas tecnologías contribuyan, de forma ética y responsable, a la democratización del acceso a la información en salud, particularmente en contextos de mayor vulnerabilidad, como el cáncer oral.
DECLARACIÓN DE DISPONIBILIDAD DE DATOS
Todos los contenidos subyacentes al texto del artículo están dentro del manuscrito.
Referencias bibliográficas
-
1 Ferlay J, Ervik M, Lam M, et al. Global Cancer Observatory: cancer today [Internet]. Lyon: International Agency for Research on Cancer; 2024 [acesso 2025 nov 10]. Disponível em: https://gco.iarc.who.int/today
» https://gco.iarc.who.int/today -
2 Instituto Nacional de Câncer. Estimativa 2026: incidência de câncer no Brasil [Internet]. Rio de Janeiro: INCA; 2026. [acesso 2026 maio 9]. Disponível em: https://ninho.inca.gov.br/jspui/bitstream/123456789/17914/1/Estima2026_completo%20%281%29.pdf
» https://ninho.inca.gov.br/jspui/bitstream/123456789/17914/1/Estima2026_completo%20%281%29.pdf -
3 Coletta RD, Yeudall WA, Salo T. Current trends on prevalence, risk factors and prevention of oral cancer. Front Oral Health. 2024;5:1505833. doi: https://doi.org/10.3389/froh.2024.1505833
» https://doi.org/10.3389/froh.2024.1505833 -
4 Casotti E, Almeida PFD, Silva AND. Trajetórias assistenciais de usuários com câncer de boca na busca por cuidados na Rede de Atenção à Saúde. Physis. 2025;35(2):e350217. doi: https://doi.org/10.1590/S0103-73312025350217
» https://doi.org/10.1590/S0103-73312025350217 -
5 Silva CHF, Queiroz NB, Benedito FCS, et al. Conhecimento de usuários da Estratégia Saúde da Família sobre o câncer de boca. Arq Odontol. 2018;54. doi: https://doi.org/10.7308/aodontol/2018.54.e07
» https://doi.org/10.7308/aodontol/2018.54.e07 -
6 Prado NS, Bonan RF, Leonel AC, et al. Awareness on oral cancer among patients attending dental school clinics in Brazil. Med Oral Patol Oral Cir Bucal. 2020;25(1):e89-e95. doi: https://doi.org/10.4317/medoral.23207
» https://doi.org/10.4317/medoral.23207 -
7 Powell J, Inglis N, Ronnie J, et al. The characteristics and motivations of online health information seekers. J Med Internet Res. 2011;13(1):e20. doi: https://doi.org/10.2196/jmir.1600
» https://doi.org/10.2196/jmir.1600 -
8 Gkinko L, Elbanna A. AI chatbots sociotechnical research: an overview and future directions. In: Bednar P, Islind AS, Vallo Hult H, et al., editores. Proceedings of the 8th International Workshop on Socio-Technical Perspective in Information Systems Development (STPIS 2022) [Internet]; 2022 ago 19-20 [acesso 2025 nov 10]; Reykjavik, Iceland. CEUR Workshop Proceedings. 2022;3239:173-183. Disponível em: https://ceur-ws.org/Vol-3239/paper17.pdf
» https://ceur-ws.org/Vol-3239/paper17.pdf -
9 Aggarwal A, Tam CC, Wu D, et al. Artificial intelligence–based chatbots for promoting health behavioral changes: systematic review. J Med Internet Res. 2023;25:e40789. doi: https://doi.org/10.2196/40789
» https://doi.org/10.2196/40789 -
10 Conway DI, Petticrew M, Marlborough H, et al. Socioeconomic inequalities and oral cancer risk: a systematic review and meta-analysis of case-control studies. Int J Cancer. 2008;122(12):2811-9. doi: https://doi.org/10.1002/ijc.23430
» https://doi.org/10.1002/ijc.23430 -
11 Okuhara T, Furukawa E, Okada H, et al. Readability of written information for patients across 30 years. Patient Educ Couns. 2025;135:108656. doi: https://doi.org/10.1016/j.pec.2025.108656
» https://doi.org/10.1016/j.pec.2025.108656 -
12 Singh S, Jamal A, Qureshi F. Readability metrics in patient education: where do we innovate? Clin Pract. 2024;14(6):2341-9. doi: https://doi.org/10.3390/clinpract14060183
» https://doi.org/10.3390/clinpract14060183 -
13 Moreno GCDL, Souza MPM, Hein N, et al. ALT: um software para análise de legibilidade de textos em língua portuguesa. Policromias. 2023;8(1):91-128. doi: https://doi.org/10.61358/policromias.v8i1.54352
» https://doi.org/10.61358/policromias.v8i1.54352 -
14 Figueiredo MZA, Chiari BM, Goulart BNG. Discurso do Sujeito Coletivo: uma breve introdução à ferramenta de pesquisa qualiquantitativa. Distúrb comum [Internet]. 2013[acesso 2026 jan 11];25(1):129-36. Disponível em: https://revistas.pucsp.br/index.php/dic/article/view/14931/11139
» https://revistas.pucsp.br/index.php/dic/article/view/14931/11139 -
15 Genaro LE, Marconato JV, Pinotti FE, et al. Discurso do sujeito coletivo: bases conceituais, enfoques e aplicações em pesquisas qualitativas. Rev Pesq Qual. 2024;12(32):553-69. doi: https://doi.org/10.33361/RPQ.2024.v.12.n.32.739
» https://doi.org/10.33361/RPQ.2024.v.12.n.32.739 -
16 NVivo [Internet]. Versão 14.24.3 [Denver]: Lumivero; [sem data]. [acesso 2025 dez 1]. Disponível em: https://lumivero.com/products/nvivo/
» https://lumivero.com/products/nvivo/ -
17 Lefevre F, Lefevre AMC, Marques MCDC. Discurso do sujeito coletivo, complexidade e auto-organização. Ciênc. saúde coletiva. 2009;14(4):1193-204. doi: https://doi.org/10.1590/S1413-81232009000400025
» https://doi.org/10.1590/S1413-81232009000400025 -
18 Conselho Nacional de Saúde (BR). Resolução n° 510, de 7 de abril de 2016. Dispõe sobre as normas aplicáveis a pesquisas em Ciências Humanas e Sociais cujos procedimentos metodológicos envolvam a utilização de dados diretamente obtidos com os participantes ou de informações identificáveis ou que possam acarretar riscos maiores do que os existentes na vida cotidiana, na forma definida nesta Resolução [Internet]. Diário Oficial da União, Brasília, DF. 2016 maio 24 [acesso 2026 abr 7]; Edição 98; Seção 1:44. Disponível em: http://bvsms.saude.gov.br/bvs/saudelegis/cns/2016/res0510_07_04_2016.html
» http://bvsms.saude.gov.br/bvs/saudelegis/cns/2016/res0510_07_04_2016.html -
19 Walsh TM, Volsko TA. Readability assessment of internet-based consumer health information. Respir Care. 2008;53(10):1310-5. doi: https://doi.org/10.4187/respcare.08531310
» https://doi.org/10.4187/respcare.08531310 -
20 Erdat EC, Köksoy EB, Utkan G. Artificial intelligence chatbot as a companion for cancer patients about most common questions: analysis of readability and quality. Acta Oncol Turc. 2025;58(1):21-7. doi: https://doi.org/10.4274/ahot.galenos.2024.2024-8-2
» https://doi.org/10.4274/ahot.galenos.2024.2024-8-2 -
21 Friedman DB, Hoffman-Goetz L, Arocha JF. Readability of cancer information on the internet. J Cancer Educ. 2004;19(2):117-22. doi: https://doi.org/10.1207/s15430154jce1902_13
» https://doi.org/10.1207/s15430154jce1902_13 -
22 Çitir M. ChatGPT and oral cancer: a study on informational reliability. BMC Oral Health. 2025;25(1):86. doi: https://doi.org/10.1186/s12903-025-05479-4
» https://doi.org/10.1186/s12903-025-05479-4 -
23 Grassini E, Buzzi M, Leporini B, et al. A systematic review of chatbots in inclusive healthcare: insights from the last 5 years. Univ Access Inf Soc. 2025;24(1):195-203. doi: https://doi.org/10.1007/s10209-024-01118-x
» https://doi.org/10.1007/s10209-024-01118-x -
24 Diniz-Freitas M, López-Pintor RM, Santos-Silva AR, et al. Assessing the accuracy and readability of ChatGPT-4 and Gemini in answering oral cancer queries — an exploratory study. Explor Digit Health Technol. 2024:334-45. doi: https://doi.org/10.37349/edht.2024.00032
» https://doi.org/10.37349/edht.2024.00032 -
25 Davis RJ, Ayo-Ajibola O, Lin ME, et al. Evaluation of oropharyngeal cancer information from revolutionary artificial intelligence chatbot. Laryngoscope. 2024;134(5):2252-7. doi: https://doi.org/10.1002/lary.31191
» https://doi.org/10.1002/lary.31191 -
26 Boscolo-Rizzo P, Marcuzzo AV, Lazzarin C, et al. Quality of information provided by AI chatbots in head and neck cancer reconstruction. Clin Otolaryngol. 2025;50(2):330-5. doi: https://doi.org/10.1111/coa.14127
» https://doi.org/10.1111/coa.14127 -
27 Pan A, Musheyev D, Bockelman D, et al. Assessment of artificial intelligence chatbot responses to top searched queries about cancer. JAMA Oncol. 2023;9(10):1437-40. doi: https://doi.org/10.1001/jamaoncol.2023.2947
» https://doi.org/10.1001/jamaoncol.2023.2947 - 28 Presidência da República (BR). Lei nº 15.263, de 14 de novembro de 2025. Institui a Política Nacional de Linguagem Simples nos órgãos e entidades da administração pública direta e indireta de todos os Poderes da União, dos Estados, do Distrito Federal e dos Municípios. Diário Oficial da União, Brasília, DF. 2025 nov 17; Seção 1.
- 29 Presidência da República (BR). Lei nº 14.129, de 29 de março de 2021. Dispõe sobre princípios, regras e instrumentos para o Governo Digital e para o aumento da eficiência pública e altera a Lei nº 7.116, de 29 de agosto de 1983, a Lei nº 12.527, de 18 de novembro de 2011 (Lei de Acesso à Informação), a Lei nº 12.682, de 9 de julho de 2012, e a Lei nº 13.460, de 26 de junho de 2017. Diário Oficial da União, Brasília, DF. 2021 mar 30; Seção 1.
-
30 Musheyev D, Pan A, Gross P, et al. Readability and information quality in cancer information from free vs paid chatbot. JAMA Netw Open. 2024;7(7):e2422275. doi: https://doi.org/10.1001/jamanetworkopen.2024.22275
» https://doi.org/10.1001/jamanetworkopen.2024.22275 -
31 Dantas TS, Silva PGB, Sousa EF, et al. Influence of educational level, stage, and histological type on survival of oral cancer in a brazilian population: a retrospective study of 10 years observation. Medicine (Baltimore). 2016;95(3):e2314. doi: https://doi.org/10.1097/MD.0000000000002314
» https://doi.org/10.1097/MD.0000000000002314 -
32 Annunziata MA, Muzzatti B, Bidoli E. Psychological distress and needs of cancer patients: a prospective comparison between the diagnostic and the therapeutic phase. Support Care Cancer. 2010;19(2):291-5. doi: https://doi.org/10.1007/s00520-010-0818-9
» https://doi.org/10.1007/s00520-010-0818-9 -
33 Sumanu SA. The crucial role of communication in managing the long-term health impact of cancer. Qual Quant Methods Libr [Internet]. 2024[acesso 2026 abr 25]13(4):513-536 Disponível em: https://www.qqml-journal.net/index.php/qqml/article/view/891/764
» https://www.qqml-journal.net/index.php/qqml/article/view/891/764 -
34 Abreu AA, Murimwa GZ, Farah E, et al. Enhancing readability of online patient-facing content: the role of AI chatbots in improving cancer information accessibility. J Natl Compr Canc Netw. 2024;22(2D):e237334. doi: https://www.doi.org/10.6004/jnccn.2023.7334
» https://www.doi.org/10.6004/jnccn.2023.7334 -
35 Al-Hilli Z, Noss R, Dickard J, et al. A randomized trial comparing the effectiveness of pre-test genetic counseling using an artificial intelligence automated chatbot and traditional in-person genetic counseling in women newly diagnosed with breast cancer. Ann Surg Oncol. 2023;30(10):5990-6. doi: https://www.doi.org/10.1245/s10434-023-13888-4
» https://www.doi.org/10.1245/s10434-023-13888-4 -
36 Altamimi I, Altamimi A, Alhumimidi AS, et al. Artificial intelligence chatbots in medicine: a supplement, not a substitute. Cureus. 2023;15(6):e40917. doi: https://www.doi.org/10.7759/cureus.40922
» https://www.doi.org/10.7759/cureus.40922 -
37 Sohal KS, Okechi U. Evaluating the ability of artificial intelligence chatbots to respond to oral cancer questions: a descriptive study. Int Health Trends & Persp. 2025;5(1):GR13-17. doi: https://www.doi.org/10.32920/ihtp.v5i1.2308
» https://www.doi.org/10.32920/ihtp.v5i1.2308 -
38 Cunha AR, Bigoni A, Antunes JLF, et al. The impact of inequalities and health expenditure on mortality due to oral and oropharyngeal cancer in Brazil. Sci Rep. 2021;11(1):12845. doi: https://www.doi.org/10.1038/s41598-021-92207-x
» https://www.doi.org/10.1038/s41598-021-92207-x -
39 Klerings I, Weinhandl AS, Thaler KJ. Information overload in healthcare: too much of a good thing? Z Evid Fortbild Qual Gesundhwes. 2015;109(4-5):285-90. doi: https://www.doi.org/10.1016/j.zefq.2015.06.005
» https://www.doi.org/10.1016/j.zefq.2015.06.005
Editado por
-
Editora associada:
Adriana Tavares de Moraes Atty. Orcid iD: https://orcid.org/0000-0003-2271-746X
-
Editora-científica:
Anke Bergmann. Orcid iD: https://orcid.org/0000-0002-1972-8777
