Artigos

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 a 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 (Material suplementar 1), 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.
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, re-treinamento 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 na Tabela 1.

Tab.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 (Material suplementar 2).
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 (2020)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 hipotese 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 (Material suplementar 3), 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 Tannure (2012)39. 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 (Material suplementar 4) adaptado de Brooke (1996)41.
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)42, 43, 41.
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 o Quadro 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.

Quadro 1

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 (Material suplementar 5).

Quadro 2

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.

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 três a 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 a Tabela 2.

Tab.2

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 Martins42.

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. (2024)49 e por Cavalcanti et al. (2021)48 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. (2023)51, 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 prazo.22,.
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.

Contribuições dos autores
RMG Martins: concepção do estudo, metodologia (desenvolvimento ou desenho metodológico), redação (preparação do rascunho original e revisão) e responsabilidade primária pelo conteúdo final. DA Alves, Alves SAA: análise estatística e revisão crítica do manuscrito. Lima LGA: supervisão, coordenação do projeto e revisão crítica do manuscrito. Martins FJG, Pereira MLD: concepção do estudo, metodologia (desenvolvimento ou desenho de metodologia), coordenação do projeto e revisão crítica do manuscrito

REFERÊNCIAS
1. World Health Organization. Global leprosy (Hansen disease) update, 2022: new paradigm – control to elimination [Internet]. Geneva: WHO; 2022 [acessado 2025 abr 20]. Disponível em: 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 [periódico na Internet]. 2022 [acessado 2025 dez 13]; 2022:8652062. Disponível em: https://www.hindawi.com/journals/jtm/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: Ministério da Saúde; 2017.

4. Chandran SL, Tiwari A, Lustosa AA, Demir B, Bowers B, Albuquerque RGR, et al. 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 [periódico na Internet]. 2021 [acessado 2025 dez 13]; 15(3):e0009209. Disponível em: https://journals.plos.org/plosntds/article?id=10.1371/journal.pntd.0009209

5. Brasil. Ministério da Saúde (MS). Secretaria de Ciência, Tecnologia, Inovação e Insumos Estratégicos em Saúde. Protocolos clínicos e diretrizes terapêuticas da hanseníase. Brasília: Ministério da Saúde; 2022.

6. Van Brakel WH, Sihombing B, Djarir H, Beise K, Kusumawardhani L, Yulihane R, et al. Disability in people affected by leprosy: the role of impairment, activity, social participation, stigma and discrimination. Glob Health Action [periódico na Internet]. 2012 [acessado 2025 dez 13]; 5:18394. Disponível em: https://www.tandfonline.com/doi/full/10.3402/gha.v5i0.18394

7. Organização Mundial da Saúde. Global leprosy (Hansen disease) update, 2023: elimination of leprosy disease is possible – time to act! Wkly Epidemiol Rec [periódico na Internet]. 2024 [acessado 2025 dez 13]; 99(37):501-521. Disponível em: https://www.who.int/publications/i/item/who-wer9937-501-521

8. Organização Pan-Americana da Saúde. Leprosy (Hansen disease) [Internet]. Washington (DC): OPAS; 2024 [acessado 2025 dez 13]. Disponível em: https://www.paho.org/en/topics/leprosy-hansen-disease

9. Brasil. Ministério da Saúde (MS). Boletim Epidemiológico: hanseníase [Internet]. Brasília: Ministério da Saúde; 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

10. Organização Mundial da Saúde. Global leprosy strategy 2021–2030: towards zero leprosy. Geneva: World Health Organization; 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 [periódico na Internet]. 2024 [acessado 2025 abr 22]; 13(1):180. Disponível em: https://doi.org/10.3390/jcm13010180

12. Ouanes K, Farhah N. Effectiveness of artificial intelligence (AI) in clinical decision support systems and care delivery. J Med Syst [periódico na Internet]. 2024 [acessado 2025 abr 22]; 48(1):74. Disponível em: https://doi.org/10.1007/s10916-024-02098-4

13. Alowais S, Alghamdi S, Alsuhebany N, Alqahtani T, Alshaya A, Almohareb S, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ [periódico na Internet]. 2023 [acessado 2025 abr 22]; 23. Disponível em: https://doi.org/10.1186/s12909-023-04698-z

14. Ronanki R, Nguyen A. Artificial intelligence for the real world. Int Res J Mod Eng Technol Sci [periódico na Internet]. 2023 [acessado 2025 abr 22]. Disponível em: https://doi.org/10.56726/irjmets42512

15. Xu Y, Wang Q, An Z, Wang F, Zhang L, Wu Y, et al. Artificial intelligence: a powerful paradigm for scientific research. Innovation [periódico na Internet]. 2021 [acessado 2025 abr 22]; 2. Disponível em: https://doi.org/10.1016/j.xinn.2021.100179

16. Banh L, Strobel G. Generative artificial intelligence. Electron Mark [periódico na Internet]. 2023 [acessado 2025 abr 22]; 33:1-17. Disponível em: https://doi.org/10.1007/s12525-023-00680-1

17. Kühl N, Schemmer M, Goutier M, Satzger G. Artificial intelligence and machine learning. Electron Mark [periódico na Internet]. 2022 [acessado 2025 abr 22]; 32:2235-2244. Disponível em: https://doi.org/10.1007/s12525-022-00598-0

18. De 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 [periódico na Internet]. 2020 [acessado 2025 abr 22]; 9. Disponível em: https://doi.org/10.2196/preprints.23718

19. Andrade HGV, Rocha ES, Monteiro KHC, Morais CM, Santos DC, Nascimento DC, et al. On the usage of artificial intelligence in leprosy care: a systematic literature review. PLoS Comput Biol [periódico na Internet]. 2025 [acessado 2025 abr 22]; 21(6):e1012550.

20. Mendonça Ramos Simões M, Rocha Lima F, Barbosa Lugão H, et al. Development and validation of a machine learning approach for screening new leprosy cases based on the leprosy suspicion questionnaire. Sci Rep [periódico na Internet]. 2025 [acessado 2025 abr 22]; 15(1):6912. Disponível em: https://doi.org/10.1038/s41598-025-91462-6

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 [periódico na Internet]. 2024 [acessado 2025 abr 22]; 11. Disponível em: https://doi.org/10.3389/fmed.2024.1338598

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 [periódico na Internet]. 2023 [acessado 2025 abr 22]; 13(1):180. Disponível em: https://www.mdpi.com/2077-0383/13/1/180

23. Elshawi R, Al-Mallah MH, Sakr S. On the interpretability of machine learning-based model for predicting hypertension. BMC Med Inform Decis Mak [periódico na Internet]. 2019 [acessado 2025 abr 22]; 19:146. Disponível em: https://doi.org/10.1186/s12911-019-0874-0

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 [periódico na Internet]. 2021 [acessado 2025 abr 22]. Disponível em: https://doi.org/10.2196/27850

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. Biblioteca Virtual em Saúde – Hanseníase [Internet]. Brasília: Ministério da Saúde; 2022 [acessado 2024 jun 10]. Disponível em: 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, et al. 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

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 Enfermagem [periódico na Internet]. 2024 [acessado 2025 abr 23]; 32:e4317. Disponível em: https://doi.org/10.1590/1518-8345.7207.4317

44. WordPress. WordPress sem complicação [Internet]. 2024 [acessado 2025 abr 23]. Disponível em: https://wordpress.com/pt-br/

45. OpenAI. Introducing ChatGPT [Internet]. 2025 [acessado 2025 abr 23]. Disponível em: 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 [periódico na Internet]. 2025 [acessado 2025 abr 22]. Disponível em: https://doi.org/10.3389/fpubh.2025.1530799

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 [periódico na Internet]. 2024 [acessado 2025 abr 22]. Disponível em: https://doi.org/10.1016/j.cosrev.2024.100632

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, Cavalcante ARS, Nascimento JWA, et al. Chatbot de orientações acerca do aleitamento materno. In: Simpósio Brasileiro de Computação Aplicada à Saúde; 2021; Porto Alegre. Porto Alegre: SBC; 2021. p. 422-427.

51. Bender JD, Facchini LA, Lapão LMV, Tomasi E, Thumé E. The use of information and communication technologies in primary health care in Brazil, 2014–2018. Cien Saude Colet. 2024; 29(1):e19882022.