Introdução

A revolução tecnológica está transformando a educação, impulsionada pela ascensão da inteligência artificial (IA), que oferece soluções inovadoras para o ensino e a aprendizagem. Na área da enfermagem, em que a formação teórica e prática é essencial, ferramentas como tutores inteligentes e simulações clínicas baseadas em IA estão sendo integradas aos currículos, proporcionando uma aprendizagem mais personalizada e eficaz [1]. Essas inovações ajudam a superar desafios educacionais e a preparar os estudantes para situações clínicas reais de forma segura e controlada.

As mudanças também evidenciam a importância de diretrizes educacionais na Enfermagem para garantir uma formação de qualidade, alinhada às exigências da prática clínica contemporânea. Com a integração da IA, essas diretrizes se tornam mais dinâmicas e adaptáveis, refletindo a necessidade de preparar profissionais para ambientes de saúde em constante evolução. Dessa forma, os programas de Enfermagem podem capacitar seus estudantes a oferecer cuidados de excelência, fundamentados em uma educação atualizada para atender às demandas de um sistema de saúde em transformação [2].
Além disso, a incorporação crescente da IA na enfermagem destaca a importância de práticas educacionais éticas e eficazes. De acordo com Topaz et al. [3] e Wu [4], as tecnologias não apenas aprimoram o aprendizado individualizado, mas também fortalecem o raciocínio clínico e a confiança dos alunos. Com isso, a formação se alinha às demandas da prática profissional, proporcionando aos futuros enfermeiros uma educação mais completa e adaptada aos desafios da profissão.

Em maio de 2024, foi realizada uma busca preliminar nas bases de dados PROSPERO, MEDLINE, Cochrane Database of Systematic Reviews e JBI Evidence Synthesis. No entanto, não foi identificado estudo de revisão que categorizasse detalhadamente ferramentas baseadas em IA utilizadas no ensino de Enfermagem e fornecesse uma descrição abrangente de cada uma. Essa lacuna demonstra que o campo carece de uma compreensão ampla no processo ensino-aprendizagem da Enfermagem e que é necessário desenvolver uma revisão de escopo, um tipo de estudo que mapeia a literatura existente sobre essa temática específica, identificando limitações e orientando futuras pesquisas.

Para melhorar o conhecimento sobre ferramentas baseadas em IA no ensino de Enfermagem, foi importante a realização de uma revisão abrangente das evidências disponíveis. Essa análise visa entender como essas tecnologias estão sendo aplicadas e avaliar seus efeitos sobre o aprendizado dos estudantes, possibilitando uma reflexão acerca das suas implicações no processo educacional. Portanto, o presente artigo tem como objetivo mapear na literatura o uso de ferramentas baseadas em inteligência artificial no ensino de estudantes de Enfermagem.

Método

Delineamento do estudo
Trata-se de uma Revisão de Escopo que seguiu as orientações do manual Instituto Joanna Briggs (JBI), com etapas como: definição e alinhamento dos objetivos e questões; desenvolvimento dos critérios de inclusão; descrição da abordagem para busca, seleção, extração e apresentação das evidências; condução da busca e seleção das evidências; extração e avaliação das informações coletadas; apresentação dos resultados; e, por fim, resumo e análise das evidências em relação ao propósito da revisão, com estabelecimento de conclusões e observação das implicações [5]. Foram seguidas também as recomendações do checklist Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews (PRISMA-ScR) [6]. O protocolo foi submetido à Open Science Framework (OSF) e recebeu o seguinte número de registro DOI: 10.17605/OSF.IO/XWB7Q.

Para a produção deste artigo, foram considerados as seguintes etapas: Fase 1 - critérios de elegibilidade; Fase 2 - busca primária dos grupos de palavras usando o Mnemônico PCC (População, Conceito e Contexto); Fase 3 - criação de uma equação de busca; Fase 4 - fontes de informações; Fase 5: busca e seleção dos estudos; Fase 6: extração de dados e processo de mapeamento; e Fase 7: análise de dados.

Fase 1. Critérios de elegibilidade
Nesse processo, adotou-se o mnemônico PCC (População, Conceito e Contexto), proposto por Peters et al. [7]: P – Estudantes de enfermagem, C – Inteligência Artificial e C – Ensino de Enfermagem. Para nortear a revisão, se buscará responder à seguinte questão: “Quais são as evidências científicas disponíveis sobre as ferramentas que utilizam inteligência artificial no ensino de estudantes de Enfermagem?”

Os critérios de elegibilidade pré-definidos foram: artigos publicados em bases indexadas nacionais e internacionais, sem recorte temporal ou limitação de idioma, contanto que abordassem o uso de inteligência artificial para auxiliar no ensino de estudantes de Enfermagem. Foram excluídos editoriais, cartas ao editor, vídeos, sites, notícias, pré-prints e resumos.

Fase 2. Busca primária dos grupos de palavras usando o Mnemônico PCC (População, Conceito e Contexto)
Para desenvolver a estratégia de busca, foram seguidas as etapas de extração, conversão, combinação, construção e uso (Quadro 1) [8]. As palavras-chave foram selecionadas com base nos termos definidos pela estratégia PCC, utilizando tesauros na área da saúde, como o Medical Subject Headings (MeSH), Descritores em Ciências da Saúde (DeCS) e EMBASE Subject Headings (Emtree).

Fase 3. Criação de uma equação de busca
Para refinar os resultados da busca, utilizaram-se os descritores primários “Students, Nursing”, “Artificial Intelligence” e “Education, Nursing”, nos idiomas português e inglês. As buscas se deram por meio do acesso remoto às bases de dados, a partir do registro no portal de periódicos da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), via Comunidade Acadêmica Federada (CAFe), no login da Universidade Estadual do Ceará (UECE). A partir da questão de pesquisa, foram selecionados os descritores controlados utilizando o booleano “AND”. Além disso, descritores não controlados também foram utilizados, com vistas a melhorar a especificidade da busca com utilização do booleano “OR”.

Fase 4. Fonte de informações
Foram considerados os estudos primários, secundários e literatura cinzenta. As buscas foram realizadas no mês de maio de 2024 nas bases de dados Medical Literature Analysis and Retrieval Sistem (MEDLINE) via PUBMED, Cummulative Index to Nursing and Allied Health Literature (CINAHL) via EBSCO, Web of Science, Scopus, Embase (Elsevier), Literatura latino-americana e do Caribe em Ciências da Saúde (LILACS), Banco de Dados em Enfermagem – Bibliografia Brasileira (BDENF) e o Google Scholar.

Dessa forma, utilizou-se uma estratégia de pesquisa com três passos a seguir: I) pesquisa inicial limitada nos bancos de dados MEDLINE/PubMed, seguida de uma análise das palavras nos títulos, resumos e termos de indexação usados para descrever o artigo; II) segunda pesquisa usando todas as palavras-chave e termos de indexação identificados nas bases de dados incluídas; III) as referências de todos os artigos e relatórios encontrados na pesquisa foram analisadas para identificar estudos adicionais.

Fase 5. Busca e seleção dos estudos
O Quadro 2 apresenta os descritores utilizados em cada base, bem como o emprego dos operadores booleanos na busca de alta sensibilidade.

Fase 6. Extração de dados e processo de mapeamento
Para a extração dos dados, utilizou-se um instrumento padronizado elaborado previamente pelos autores, contendo informações sobre a caracterização dos estudos (título, autor, ano da publicação, país, tipo de estudo, objetivo, inteligências artificiais, descrição e principais resultados). Os estudos que não atenderam aos critérios de inclusão foram desconsiderados e justificados, com base no manual da JBI [7].

Fase 7. Análise de dados
Os dados foram reportados para o software Rayyan QCRI 0.0.1 [9], para a seleção por títulos e resumos (Fase 1) e texto completo (Fase 2), assim como retirada de duplicidades. Três pesquisadores fizeram a seleção dos estudos de forma interativa, sendo que dois deles atuaram independentemente na busca dos títulos nas mesmas bases e com os mesmos elementos de busca, a fim de obedecer ao cegamento estratégico, e o terceiro atuou como mediador/avaliador, identificando os possíveis conflitos de inclusão ou exclusão; todavia, os conflitos foram resolvidos por consenso. Com vistas a organizar as referências, utilizou-se o gerenciador de referências Zotero.

Os resultados da busca foram apresentados a partir do e fluxo do Preferred Reporting Items for Systematic Reviews and Meta-analyses (PRISMA-ScR), extensão para Scoping Review [11].

Aspectos éticos
Por se tratar de uma pesquisa com dados secundários, de domínio público e disponíveis na literatura, não houve a necessidade de apreciação em comitê de ética. Contudo, cabe destacar que foram respeitados os direitos autorais, com adequada citação e referenciamento dos estudos.

Resultados

As pesquisas nas bases de dados revelaram um total de 381 artigos. No levantamento da literatura cinzenta, foram identificados 145 trabalhos no Google Scholar.

Dos 526 registros iniciais, 199 foram excluídos por duplicidade. Isso resultou em 327 registros disponíveis para a análise dos respectivos títulos e resumos. A execução desse procedimento culminou na exclusão de 312 publicações que não atenderam aos critérios de inclusão, além da pré-seleção de 15 trabalhos para uma avaliação mais ampla. Após essa análise, permaneceram 11 estudos.

Adicionalmente, 12 artigos foram obtidos por meio da estratégia de Snowbolling. Durante a análise, identificou-se que 7 destes eram duplicados, e, consequentemente, eles foram removidos, resultando em 5 artigos destinados à leitura completa. Nessa fase, três estudos foram excluídos, o que levou à seleção de dois estudos adicionais a serem incorporados à revisão. Ao final desse processo, foram consolidados 13 trabalhos [10-22] que atenderam aos critérios estabelecidos para este estudo. O detalhamento do processo de busca e seleção está apresentado de forma esquemática na Figura 1.

Os estudos foram caracterizados e distribuídos em dois quadros, contemplando variáveis de identificação de informações sobre inteligências artificiais utilizadas para melhorar o ensino de Enfermagem.

No Quadro 3, cada estudo foi identificado por um número sequencial correspondente ao título, autores, ano de publicação, revista, país de origem, delineamento e objetivos.

Dos 13 estudos analisados, 11 foram publicados em língua inglesa e 2 em língua portuguesa. A origem dos estudos mostrou uma predominância dos Estados Unidos e de Singapura, com três (23,1%) estudos cada um. O Brasil teve dois (15,4%) estudos, enquanto a Turquia, Espanha,

Alemanha e Coreia do Sul tiveram um estudo cada, representando 7,7% cada.
Em relação à metodologia adotada, destacaram-se as abordagens experimentais e quase-experimentais, que juntas representaram cerca de 46,2% do total de estudos analisados. Quanto ao período de publicação, os estudos abordaram os últimos 10 anos, com publicações de 2014 a 2024. O detalhamento foi organizado no Quadro 4, que discrimina as ferramentas que utilizam IA ou técnicas de seus subcampos, como aprendizado de máquina, processamento de linguagem natural e sistemas especialistas, e a descrição dos principais resultados dessas tecnologias para o ensino de estudantes de Enfermagem.

O quadro apresenta uma análise detalhada das ferramentas que usam IA ou suas técnicas aplicadas ao ensino de estudantes de Enfermagem, evidenciando o impacto positivo dessas tecnologias na formação acadêmica. Ferramentas como o ePULab [10], uma plataforma de e-learning adaptativa focada em úlceras por pressão, demonstrou ser mais eficiente do que métodos tradicionais no processo de ensino-aprendizagem.

As simulações em realidade virtual [11,12], como o uso de óculos RV para práticas clínicas imersivas, permitiram aos estudantes melhorar suas habilidades técnicas, como a inserção de cateteres, com maior eficiência e menor risco. Desse modo, tecnologias como a Simulação de Alta Fidelidade [14] e os Avatares tridimensionais [20] forneceram ambientes controlados para práticas clínicas, com feedback em tempo real, aumentando a autoconfiança dos alunos.
Essas ferramentas de comunicação, como o Aplicativo de Aconselhamento Virtual usando Inteligência Artificial (VCAAI) [15] e os chatbots [17], possibilitaram aos estudantes de Enfermagem aprimorar suas habilidades de comunicação clínica de forma interativa e segura.

Já o uso de plataformas gamificadas, como o Kahoot [22], contribuiu para a revisão de conceitos e a vinculação da teoria com a prática, proporcionando uma forma engajante de estudo, mesmo não apresentando impacto no desempenho geral dos estudantes.

Além disso, tecnologias como Deepgram, OpenPose e ChatGPT [21] foram utilizadas para avaliar as habilidades de comunicação e gestuais dos alunos durante simulações, reforçando o aprendizado por meio de feedbacks detalhados e personalizados. Essas IAs têm sido fundamentais na construção de um ambiente de aprendizado mais seguro, preparando os futuros enfermeiros para enfrentar os desafios da prática clínica com maior confiança e competência.

Discussão

A crescente integração de ferramentas que utilizam sistemas de inteligência artificial no ensino de Enfermagem tem demonstrado resultados promissores em diversos aspectos da formação acadêmica, como o desenvolvimento de habilidades técnicas, a tomada de decisões clínicas e a melhoria da comunicação com os pacientes. A literatura evidencia que o uso dessas tecnologias, como simuladores de alta fidelidade, ferramentas de e-learning e realidade virtual, proporciona uma experiência de aprendizado mais imersiva e interativa, promovendo resultados superiores aos métodos tradicionais de ensino [23-25].

Em outro estudo, os autores identificaram que essas tecnologias, incluindo a realidade virtual, melhoraram a compreensão dos alunos e as habilidades práticas, além de aumentar o engajamento e a motivação durante o processo de aprendizado. A pesquisa destacou que, ao proporcionar simulações realistas, as tecnologias imersivas favorecem um ambiente de aprendizagem ativo e colaborativo, permitindo o desenvolvimento de competências [26].

Ferramentas como o ePULab se mostraram valorosas ao melhorar o conhecimento sobre úlceras por pressão, como destacado por um estudo em que a pontuação dos estudantes aumentou em 7,56 pontos após o uso da plataforma, em comparação a apenas 3,37 pontos no ensino tradicional. Isso reforça os achados de Luo [27], que discutem como plataformas adaptativas podem personalizar o aprendizado e melhorar a retenção de conhecimento ao oferecer conteúdos de acordo com o progresso do aluno.

Corroborando com o descrito acima, Fernandes, Rafatirad e Sayadi [28] propuseram um novo sistema inteligente que utiliza técnicas de Aprendizado de Máquina Supervisionado para adaptar atividades educacionais e tarefas às características individuais dos alunos, como níveis de proficiência e interesses. O sistema foi treinado considerando diversos fatores acadêmicos e demonstrou um sucesso notável, especialmente com o modelo Random Forest, alcançando uma taxa de precisão de 94%. Esse tipo de tecnologia, além de personalizar os planos de aprendizagem para melhorar as notas e a satisfação dos alunos, também analisa as influências demográficas, como gênero e raça, no sucesso acadêmico.

A simulação em realidade virtual é outro exemplo de inovação que vem se mostrando positiva. Estudantes que utilizaram RV para treinar habilidades clínicas, como a inserção de cateteres, apresentaram um desempenho superior em comparação com o grupo controle, melhorando a eficiência do uso do tempo e a taxa de sucesso nas primeiras tentativas. Segundo Yu et al. [29], a realidade virtual cria um ambiente de aprendizado seguro, em que os estudantes podem repetir procedimentos até atingir um nível satisfatório de competência, sem expor pacientes a riscos.

Nessa perspectiva, Wang et al. [30] desenvolveram um sistema de treinamento baseado em RV que incorpora aprendizado por reforço e orientação háptica para aprimorar as habilidades de cateterização. O sistema comprovou efeito positivo na transferência de habilidades, proporcionando um ambiente de aprendizado imersivo e interativo. A integração da orientação háptica não apenas melhorou a precisão dos movimentos dos alunos, mas também maximizou sua confiança durante o processo de aprendizado, sugerindo que a combinação de RV com feedback háptico pode ser um recurso valioso na formação de profissionais de saúde ao contribuir para a preparação prática e aumentar a segurança do paciente em cenários clínicos.
Outra melhoria observada está na aplicação de chatbots e agentes conversacionais. Estudos como o de Chuang, Chen e Kuo [31] sugerem que chatbots podem facilitar o aprendizado de comunicação clínica ao permitir que estudantes interajam com pacientes virtuais em cenários simulados, proporcionando uma resposta imediata e, assim, ajudando a desenvolver habilidades interpessoais para a prática de enfermagem. No entanto, o realismo limitado e os desafios tecnológicos, como o reconhecimento de fala, ainda representam obstáculos a serem superados [32].

No campo da gamificação, ferramentas como o Kahoot têm sido empregadas para estimular o engajamento dos estudantes em revisões teóricas. Embora o estudo apresentado não tenha mostrado diferenças marcantes no desempenho geral dos estudantes, o desempenho positivo dos usuários quanto à utilidade para revisão de conteúdos é consistente com estudos como o de Fitria [33], que apontam a gamificação como um método comprovado para aumentar o interesse e a motivação, mesmo que os resultados no desempenho cognitivo sejam menos expressivos.

Além disso, o uso de Deepgram e OpenPose nas simulações permitiu uma avaliação mais detalhada sobre a comunicação verbal e as habilidades práticas dos estudantes, corroborando os achados de Doyle et al. [34], que destacam o valor de feedbacks instantâneos e personalizados para o aprimoramento contínuo de habilidades clínicas. Desse modo, Watanabe, Ozeki e Kohama [35] exploraram a modelagem de comportamentos não-verbais de estudantes durante a aprendizagem cooperativa usando a tecnologia OpenPose. O estudo salienta a importância da comunicação não-verbal, como expressões e gestos, na dinâmica de grupo e na efetividade do aprendizado colaborativo. A análise dos movimentos dos alunos fornece uma compreensão sobre a influência da interação entre usuários, sendo possível observar a motivação e a participação.

Esses estudos revelam que, embora as inteligências artificiais ainda enfrentem desafios tecnológicos, como a necessidade de maior realismo em simulações e aprimoramento da interação com usuários, elas já demonstram um grande potencial para revolucionar o ensino de Enfermagem. A combinação de tecnologias, desde plataformas de e-learning até simuladores de alta fidelidade, cria um ambiente de aprendizado seguro, interativo e eficaz, preparando melhor os estudantes para os desafios da prática clínica [36].

Uma lacuna observada no estudo de ferramentas baseadas em IA aplicadas ao ensino de Enfermagem reside na falta de investigação longitudinal sobre o impacto dessas tecnologias no desempenho clínico dos estudantes após a graduação. Embora existam evidências de melhorias imediatas em habilidades práticas, conhecimento teórico e tomada de decisão durante o período acadêmico, há poucos dados que explorem se essas melhorias se traduzem em melhores resultados na prática clínica ao longo do tempo.

Os estudos existentes tendem a focar nos efeitos de curto prazo, como o aumento na pontuação em testes ou a melhora nas habilidades simuladas. No entanto, faltam pesquisas que acompanhem os estudantes após entrarem no mercado de trabalho para verificar se a utilização dessas ferramentas tem demonstrado efeitos positivos em sua competência profissional e em sua capacidade de adaptação a cenários clínicos reais, onde as variáveis são muito mais complexas e dinâmicas.

Conclusão

Com os avanços tecnológicos, conclui-se que as ferramentas baseadas em IA vêm sendo utilizadas para melhorar a comunicação e ampliar a divulgação de informações, não sendo diferente na formação acadêmica. Desse modo, ferramentas como plataformas adaptativas de e-learning, simulações de alta fidelidade, realidade virtual e avatares tridimensionais proporcionaram ambientes seguros e controlados para o desenvolvimento de habilidades técnicas e comunicacionais.

Ademais, a integração de chatbots e aplicativos de aconselhamento com uso de ferramentas baseadas em IA aprimorou a comunicação clínica de forma interativa, enquanto ferramentas como Deepgram, OpenPose e ChatGPT forneceram avaliações personalizadas que reforçam o aprendizado, apesar dos riscos associados. Embora algumas ferramentas, como plataformas gamificadas, tenham mostrado resultados mais modestos no desempenho geral dos estudantes, o uso dessas ferramentas se mostrou operativo na formação dos futuros enfermeiros, promovendo maior competência e habilidade ao enfrentar os desafios da prática clínica.

Conflito de interesses

Nenhum.

Financiamento

Nenhum.