1. Introdução

O diagnóstico médico raramente é produto de um único dado. Ele emerge da integração 
entre: 
 
1.	conhecimento científico, 
2.	anamnese,
3.	exame físico, 
4.	exames complementares, 
5.	contexto epidemiológico, 
6.	disponibilidade tecnológica,
7.	experiência profissional,
8.	capacidade de reconhecer incerteza. 

Sobre o arsenal diagnóstico disponível ao Médico: 
•	a disponibilidade de um equipamento de alta sensibilidade e especificidade não 
compensa uma pergunta clínica mal formulada;

•	grande conhecimento teórico não é capaz de direcionar ao exame ideal quando a 
hipótese clínica não for adequadamente construída.

# 1.1 O Fundamento Lógico entre Diagnóstico Médico Tradicional e na Medicina Assistida por IA.

Sistemas contemporâneos podem incorporar:
1.	processamento de linguagem natural (PLN),
2.	aprendizado de máquina (machine learning – ML), 
3.	deep learning (DL),
4.	visão computacional, 
5.	modelos multimodais, 
6.	dispositivos médicos inteligentes (DMIA), 
7.	Internet of Medical Things (IoMT),
8.	infraestrutura em nuvem. 

Entretanto, quando a interface entre médico e sistema ocorre por linguagem natural,
o prompt passa a funcionar como uma espécie de 'requisição clínica computacional': 
ele delimita o problema, informa o contexto, define a tarefa e orienta o formato da 
resposta.

A Engenharia de Prompt é especialmente crítica na camada de interação com modelos
generativos. Por outro lado, é importante estabelecer uma distinção técnica, a de que 
prompts não controlam todas as tecnologias de IA. Desse modo, são os seguintes sistemas
e/ou ferramentas de IA que podem operar sem qualquer prompt de linguagem natural:

1.	Redes Neurais Convolucionais (CNNs), 
2.	sistemas embarcados, 
3.	sensores IoMT, 
4.	algoritmos de classificação,
5.	mecanismos de Cloud Security,
6.	sistemas conversacionais. 

Ainda assim, essa camada pode influenciar profundamente como o médico consulta, 
interpreta e utiliza informações produzidas por ecossistemas de IA.

A literatura recente reforça que diferentes estratégias de prompting podem alterar de 
modo substancial o desempenho de modelos em tarefas médicas. Em 2026, um estudo
em decisão terapêutica para hipertensão mostrou que:

•	configurações de prompt bem estruturadas elevaram a acurácia e melhoraram a 
colaboração médico–IA,

•	configurações ruins reduziram o desempenho dos próprios médicos expostos às
recomendações do modelo [1]. 

Em contraste, avaliações com dados reais de emergência demonstram que mesmo com 
refinamento de prompts, LLMs ainda podem permanecer inferiores ao julgamento 
humano em tarefas clínicas complexas [2]. 

Portanto, a competência relevante não é 'fazer a IA diagnosticar', mas saber:
•	formular, 
•	verificar,
•	limitar adequadamente a interação.

2. A relevância do contexto: da anamnese ao prompt

A anamnese é, em essência, uma tecnologia cognitiva baseada em perguntas. 
O médico seleciona o que perguntar, em que ordem, com que profundidade e
com qual intenção diagnóstica. 
•	uma pergunta mal direcionada pode omitir um sintoma discriminativo; 

•	uma pergunta excessivamente fechada pode induzir resposta; 

•	uma pergunta sem contexto pode produzir informação aparentemente correta, 
porém clinicamente irrelevante.

O mesmo ocorre na interação com modelos de linguagem. 

O prompt não é apenas uma frase de comando. 

Em aplicações clínicas, ele deve representar o problema de maneira
suficientemente estruturada para que o sistema saiba qual tarefa executar 
e, principalmente, quais limites respeitar. 

Tutoriais recentes voltados a médicos destacam como componentes
essenciais do prompt:

1.	a definição de papel, 
2.	o contexto, 
3.	a formulação da tarefa,
4.	a especificação da saída [3].

A analogia com exames complementares é particularmente útil:  
•	um exame tecnicamente excelente, solicitado para responder à pergunta
errada, pode ser inútil. Por exemplo, um tumor pulmonar não será diagnosticado 
em uma ultrassonografia de bexiga.

•	um modelo extremamente avançado não consegue recuperar, de forma confiável, 
contexto clínico que nunca lhe foi fornecido. 

• a qualidade tecnológica do sistema não elimina a necessidade de formular a pergunta
clínica correta.

2.1 Estrutura proposta para um Prompt Clínico Seguro

# Legenda:
1. Componente	
2. Pergunta que o médico deve responder		
3. Exemplo

a)
1. Contexto	
2. Qual é a situação clínica?		
3. Idade, sexo, comorbidades, tempo de evolução.


b)
1. Dados positivos	
2. O que está presente?		
3. Dor retroesternal, sudorese, dispneia.

c)
1. Dados negativos	
2. O que foi procurado e não está presente?		
3. Sem trauma; sem febre; sem dado disponível de ECG.

d)
1. Objetivo	
2. O que desejo que a IA faça?		
3. Organizar diferenciais e prioridades de investigação.

e) 
1. Restrições	
2. O que a IA não deve fazer?		
3. Não estabelecer diagnóstico definitivo; não prescrever autonomamente.

f) 
1. Incerteza	
2. O que ainda falta saber?		
3. Sinais vitais, ECG, biomarcadores, exame físico.

g)
1. Formato	
2. Como a resposta deve ser apresentada?		
3. Prioridades, justificativas, dados faltantes e sinais de alarme.

h) 
1. Verificação	
2. Como conferir a resposta?		
3. Comparar com diretriz, protocolo institucional e julgamento médico.

3. Vantagens de dominar a Engenharia de Prompt Clínico

•	Redução da ambiguidade: 
o modelo recebe a pergunta clínica com delimitação explícita de escopo, 
objetivo e restrições.

•	Melhor priorização:
o prompt pode obrigar a separar condições tempo-dependentes de 
hipóteses menos urgentes.

•	Explícita identificação de lacunas: 
o sistema pode ser instruído a listar quais dados essenciais ainda estão ausentes, 
em vez de preenchê-los por suposição.

•	Padronização: 
estruturas de prompt podem ser convertidas em templates institucionais para
triagem de informação, revisão de prontuários, educação e apoio documental.

•	Auditabilidade: 
prompts e respostas podem ser registrados e posteriormente analisados em 
processos de qualidade, validação e segurança.


•	Educação médica: 
a construção do prompt força o profissional a explicitar hipótese, contexto e 
pergunta clínica, funcionando também como exercício de raciocínio estruturado.

•	Melhor uso de modelos multimodais: 
quando imagens, laudos, sinais vitais ou dados de dispositivos são integrados, 
o prompt pode definir como essas fontes devem ser combinadas sem assumir 
equivalência entre elas.

•	Redução de excesso de confiança: 
prompts seguros podem exigir que o sistema reconheça incerteza, indique limitações 
e diferencie informação disponível de inferência.

Essas vantagens não significam que um bom prompt torne o modelo infalível. 
Em estudo de emergência com 10.000 atendimentos, o desempenho de LLMs variou 
conforme a estratégia de prompting, mas permaneceu inferior ao médico residente 
em tarefas como decisão de internação e solicitação de exames radiológicos [2]. 

A mensagem prática é dupla: 
prompts importam, mas competência médica continua indispensável.

4. Desafios gerais

# Legenda
1. Desafio	
2. Implicação clínica

a)
1. Alucinação e fabricação de informação	
2. O modelo pode produzir respostas plausíveis, porém incorretas, ou inventar
 fatos e referências.

b)
1. Automation bias	
2. Uma resposta bem escrita pode ser aceita sem crítica, especialmente quando
 confirma a hipótese inicial do profissional.

c) 
1. Ancoragem induzida pelo prompt	
2. Se o prompt parte de uma hipótese estreita, o modelo tende a explorar
o espaço definido pelo usuário e pode deixar de considerar diagnósticos alternativos.

d) 
1. Contexto insuficiente	
2. Dados ausentes podem levar a recomendações genéricas ou inadequadas;
o modelo não realizou anamnese nem exame físico por conta própria.

e)
1. Contexto excessivo ou desorganizado	
2. Grandes volumes de texto sem hierarquia podem diluir os dados relevantes 
e dificultar a priorização.

f)
1. Variação entre modelos e versões	
2. O mesmo prompt pode gerar respostas diferentes em modelos distintos ou 
após atualizações.

g) 
1. Privacidade e LGPD	
2. Prompts clínicos não devem expor dados identificáveis de pacientes em ambientes 
não autorizados.


h) 
1. Protocolos locais	
2. Uma resposta tecnicamente razoável pode não refletir recursos, fluxos assistenciais 
ou protocolos vigentes em determinada instituição.

i)
1. Validação	
2. Prompts clínicos reutilizáveis precisam ser testados com casos representativos,
incluindo situações limítrofes e adversariais.

5. Desafios loco-regionais no Brasil: língua, cultura e contexto assistencial

No Brasil, o problema não deve ser reduzido à existência de 'uma língua por estado'. 
A realidade é mais complexa, pois existem:

1.	variação regional do português, 
2.	vocabulário popular, 
3.	expressões locais, 
4.	diferenças de escolaridade,
5.	letramento em saúde,
6.	línguas indígenas, 
7.	Libras,
8.	comunidades multilíngues. 

O Censo Demográfico 2022 registrou 295 línguas indígenas faladas ou utilizadas em
domicílios por pessoas indígenas, demonstrando que a heterogeneidade linguística 
brasileira é concreta e territorialmente desigual [4]. 

A Lei nº 10.436/2002 reconhece a Libras como meio legal de comunicação e expressão
e determina atenção adequada em serviços públicos de saúde [5].

Para sistemas de IA, esse cenário cria riscos específicos, já que  modelo treinado 
predominantemente em português padronizado pode interpretar de maneira diferente 
expressões regionais para ar, falta de ar, tontura, fraqueza, 'aperto', 'queimação', 'cansaço', 
'agonia' ou outros termos de uso cotidiano

Além disso, tradução automática entre línguas ou entre registros populares e terminologia
médica pode remover nuances clínicas. 

Em consequência, a Engenharia de Prompt Clínico no Brasil precisa incorporar estratégias 
de normalização sem apagar a linguagem original do paciente. 

Uma abordagem segura é preservar duas camadas: 
1.	transcrição fiel da expressão utilizada pelo paciente;
2.	interpretação clínica normalizada feita pelo profissional, explicitamente identificada 
como tal. 


O modelo deve ser instruído a não tratar regionalismos como equivalentes diagnósticos 
automáticos e, quando houver ambiguidade semântica, a solicitar esclarecimento em vez
de inferir.

Registrar a fala original relevante antes de traduzi-la para terminologia médica.

Evitar transformar regionalismos em diagnóstico sem confirmação clínica.

Usar glossários locais validados quando a instituição atende populações
linguisticamente específicas.

Prever mediação humana qualificada em Libras e línguas indígenas 
quando necessário. 

Testar prompts com variações regionais reais do português brasileiro.

Incluir recursos e protocolos locais no contexto do prompt, evitando 
recomendações impossíveis para a realidade assistencial.

6. Cenário clínico-computacional: dor torácica

# Aviso metodológico: 
O cenário a seguir é fictício e tem finalidade didática. 
A 'resposta da IA' é uma construção exemplificativa para demonstrar como o 
conteúdo do prompt pode alterar a direção da resposta. 

Não representa desempenho garantido de qualquer modelo específico.

6.1 Dados clínicos do cenário

Paciente fictício, masculino, 67 anos, com hipertensão arterial e diabetes mellitus,
relata dor retroesternal em pressão iniciada em repouso há aproximadamente 40 minutos, 
acompanhada de sudorese. ECG e marcadores de necrose miocárdica ainda não estão disponíveis. 

O objetivo do exercício é demonstrar como a mesma situação pode ser representada de forma
pobre ou estruturada para um sistema de IA.

6.2 Prompt inadequado
prompt_ruim = """
Paciente com dor no peito.
O que pode ser?
Quais exames devo pedir?
"""

Esse prompt contém um sintoma isolado e alguns problemas centrais. Ele não informa:
•	idade, 
•	fatores de risco, 
•	duração, 
•	qualidade da dor, 
•	sintomas associados, 
•	sinais vitais, 
•	dados do exame físico nem o objetivo clínico prioritário,
•	não solicita identificação de dados faltantes ou situações tempo-dependentes.

Uma resposta hipotética mal direcionada poderia listar indiscriminadamente causas e exames,
por exemplo: hemograma, radiografia de tórax, ultrassonografia abdominal, tomografia, 
ecocardiograma ou outros testes, sem destacar a prioridade temporal do ECG e dos biomarcadores
cardíacos. 

O problema não seria necessariamente a falsidade de cada exame isolado, mas a perda de hierarquia 
clínica. 
Em Medicina de urgência, atraso na priorização correta pode ser tão relevante quanto erro de conteúdo.

Para suspeita de síndrome coronariana aguda, o Protocolo Clínico brasileiro orienta:
•	reconhecer dor torácica sugestiva que requer atenção imediata e realização de ECG em até 10 minutos,
•	inclui troponina entre os exames de admissão,
•	reforça que a coleta de exames não deve atrasar terapias específicas [6]. 

A diretriz ACC/AHA de 2025 atualiza o manejo contemporâneo das síndromes coronarianas agudas e mantém
a necessidade de avaliação inicial estruturada e rápida [7].

6.3	Código de validação: detectar um prompt clinicamente incompleto
REQUIRED_FIELDS = {
    "idade": ["idade", "anos"],
    "tempo_evolucao": ["há", "minutos", "horas", "dias"],
    "caracteristica_sintoma": ["pressão", "aperto", "queimação", "pontada", "peso"],
    "sintomas_associados": ["sudorese", "dispneia", "náusea", "síncope"],
    "fatores_risco": ["hipertensão", "diabetes", "tabagismo", "dislipidemia"],
    "objetivo": ["priorize", "diferenciais", "exames", "dados faltantes"]
}

def avaliar_completude_prompt(texto: str) -> dict:
    texto = texto.lower()
    ausentes = []
    for campo, termos in REQUIRED_FIELDS.items():
        if not any(t in texto for t in termos):
            ausentes.append(campo)

    return {
        "completo": len(ausentes) == 0,
        "campos_ausentes": ausentes,
        "acao": (
            "Reformular o prompt antes de usar a saída para apoio clínico."
            if ausentes else
            "Prosseguir para revisão médica e verificação em protocolos."
        )
    }

print(avaliar_completude_prompt(prompt_ruim))

O código:
•	não visa dar o diagnóstico, 
•	possui função de governança: 
•	tem como objetivo verificar se a pergunta contém elementos mínimos antes 
que uma saída de IA seja considerada útil.

6.4 Prompt adequado e clinicamente estruturado

prompt_adequado = """
Cenário clínico fictício para apoio educacional.

Paciente masculino, 67 anos, hipertenso e diabético, com dor retroesternal 
em pressão iniciada em repouso há cerca de 40 minutos, associada a sudorese. 

ECG e troponina ainda não estão disponíveis.

Tarefa:
1. Priorize os diagnósticos diferenciais que não podem ser perdidos.
2. Não estabeleça diagnóstico definitivo.
3. Indique quais dados clínicos adicionais precisam ser obtidos imediatamente.
4. Indique os exames iniciais prioritários e explique a finalidade de cada um.
5. Diferencie exames urgentes de exames que podem ser considerados depois.
6. Se os dados forem insuficientes, declare explicitamente a incerteza.
7. Não prescreva tratamento; a decisão final pertence ao médico responsável.
8. Organize a resposta em: prioridade, dados faltantes, exames iniciais,
   justificativa e alertas de segurança.
""

•	Com esse prompt, o sistema recebe uma representação muito mais próxima de
uma pergunta clínica real. 

•	A saída esperada deve colocar síndrome coronariana aguda entre as prioridades, 
sem excluir outros diagnósticos potencialmente graves conforme sinais e sintomas 
adicionais. 

•	Deve destacar a necessidade de ECG de 12 derivações de forma imediata e biomarcadores 
cardíacos, além de solicitar sinais vitais, exame cardiovascular e pulmonar, irradiação da dor,
dispneia, síncope, características sugestivas de dissecção aórtica, tromboembolismo pulmonar
ou outras causas relevantes.

•	O ponto decisivo não é que a IA 'descobriu' o diagnóstico. 
•	O médico forneceu os elementos que permitem ao sistema organizar uma resposta compatível 
com a pergunta clínica. 
•	A qualidade do prompt não cria conhecimento clínico, mas sim reduzir a distância entre o problema 
real e a representação textual entregue ao modelo.

# 6.5 Código para construir um Prompt Clínico Seguro
def montar_prompt_clinico(
    contexto,
    dados_positivos,
    dados_negativos,
    dados_ausentes,
    objetivo,
    restricoes=None
):
    restricoes = restricoes or [
        "Não estabelecer diagnóstico definitivo.",
        "Não prescrever tratamento de forma autônoma.",
        "Explicitar incertezas e dados insuficientes.",
        "Priorizar condições tempo-dependentes.",
        "Indicar quando a avaliação médica imediata é necessária."
    ]

    linhas = [
        "CENÁRIO CLÍNICO FICTÍCIO",
        f"Contexto: {contexto}",
        "",
        f"Dados positivos: {dados_positivos}",
        f"Dados negativos conhecidos: {dados_negativos}",
        f"Dados ainda ausentes: {dados_ausentes}",
        "",
        f"Objetivo: {objetivo}",
        "",
        "Restrições de segurança:"
    ]
    linhas.extend(f"- {item}" for item in restricoes)
    linhas.extend([
        "",
        "Formato da resposta:",
        "1. Prioridades clínicas",
        "2. Dados faltantes",
        "3. Exames iniciais e finalidade",
        "4. Hipóteses alternativas relevantes",
        "5. Limitações e incertezas"
    ])

    return "\n".join(linhas)

prompt = montar_prompt_clinico(
    contexto="Homem, 67 anos, hipertensão e diabetes.",
    dados_positivos="Dor retroesternal em pressão há 40 min + sudorese.",
    dados_negativos="Sem dados negativos confiáveis informados.",
    dados_ausentes="Sinais vitais, exame físico, ECG, troponina.",
    objetivo="Organizar avaliação inicial sem substituir o médico."
)

print(prompt)

# 6.6 O que realmente mudou entre os dois prompts?

# Legenda 
1. Dimensão	
2. Prompt inadequado	
3. Prompt estruturado

a) 
1. Contexto	
2. Quase ausente	
3. Idade, risco, tempo e sintomas associados

b) 
1. Objetivo	
2. Genérico	
3. Priorizar diferenciais, dados faltantes e exames

c) 
1. Urgência	
2. Não explicitada	
3. Condições tempo-dependentes explicitamente priorizadas

d) 
1. Incerteza	
2. Modelo pode preencher lacunas	
3. Modelo é instruído a declarar lacunas

e) 
1. Limites	
2. Nenhum	
3. Sem diagnóstico definitivo nem prescrição autônoma

f)
1. Formato	
2. Livre	
3. Estrutura clínica auditável

g)
1. Risco de ancoragem	
2. Alto	
3. Reduzido pela solicitação de alternativas e dados faltantes

7. Engenharia de Prompt não substitui raciocínio clínico

A tese 'pergunta ruim, resposta ruim' precisa ser interpretada com precisão científica.

•  um prompt ruim aumenta o risco de resposta ruim; 
•  um prompt melhor aumenta a probabilidade de uma resposta útil. 
•  um prompt excelente não transforma uma resposta de IA em verdade clínica.

•  A relação não é determinística. 
Boa resposta de IA ≠ diagnóstico confirmado 

•  O diagnóstico permanece uma síntese médica que integra história, exame físico, 
exames complementares, evolução temporal, contexto e julgamento profissional. 

•  A IA pode organizar informação, sugerir perguntas, recuperar conhecimento, apoiar 
documentação ou funcionar como segundo revisor. Não assume responsabilidade pelo
paciente. 

•  Essa diferença é particularmente importante porque estudos recentes demonstram um 
efeito de dupla face. 

•  Em 2026, Li e colaboradores observaram que uma configuração ótima de prompting melhorou
a acurácia dos médicos, enquanto configurações ruins reduziram o desempenho e aumentaram 
recomendações inadequadas [1]. 

•  O risco, portanto, não está apenas na resposta da  máquina, mas na influência cognitiva que essa
resposta exerce sobre o profissional.

8. Considerações finais

1. A Medicina sempre se construiu sobre perguntas. 
•  A anamnese transforma linguagem em hipótese; 
•  o exame físico converte sinais em evidência; 
•  os exames complementares testam questões formuladas pelo raciocínio clínico. 

2. A IA generativa acrescenta uma nova etapa a essa sequência: o médico também 
precisa traduzir o problema clínico em uma representação computacional adequada. 

3. Por isso, a Engenharia de Prompt Clínico deve ser vista como competência de comunicação 
e segurança, e não como simples habilidade de “conversar com chatbot”. 

4. O profissional precisa saber:
•  oferecer contexto,
•  definir objetivos,
•   declarar limites, 
•  apontar dados ausentes, 
•  destacar grau de incerteza, 
•  conferir a coerência das resposta,
•  consultar fontes independentes quando necessário.

5. Esse aprendizado deve caminhar junto à formação científica tradicional. 

6. No Brasil, essa competência deve ainda abraçar a diversidade linguística e sociocultural,
a variação regional do português, línguas indígenas, Libras, diferentes níveis de letramento 
em saúde e desigualdades de infraestrutura. 

7. Um prompt clinicamente seguro precisa entender a realidade do paciente e do serviço. 

8. A IA mais avançada ainda depende da qualidade da informação que recebe. 
Assim como o melhor exame diagnóstico não serve quando feito para responder à
pergunta errada, 

9. O  modelo de linguagem mais sofisticado pode se afastar do problema quando 
o prompt é:
•  pobre, 
•  incompleto,
•  enviesado. 

10. Antes de buscar respostas na máquina, o médico deve aprimorar uma das habilidades
mais antigas da profissão: fazer a pergunta certa. 

Referências

1. Li Z, Liu H, Tan W, et al. The effects of multitype prompt engineering for large language models in hypertension treatment decisions. npj Digital Medicine. 2026;9:526. doi:10.1038/s41746-026-02645-y.
2. Williams CYK, Miao BY, Kornblith AE, et al. Evaluating the use of large language models to provide clinical recommendations in the Emergency Department. Nature Communications. 2024;15:8236.
3. Liu J, Liu F, Wang C, Liu S. Prompt Engineering in Clinical Practice: Tutorial for Clinicians. Journal of Medical Internet Research. 2025;27:e72644. doi:10.2196/72644.
4. Instituto Brasileiro de Geografia e Estatística (IBGE). Censo Demográfico 2022: Etnias e Línguas Indígenas. Resultados divulgados em 2025.
5. Brasil. Lei nº 10.436, de 24 de abril de 2002. Reconhece a Língua Brasileira de Sinais - Libras como meio legal de comunicação e expressão.
6. Brasil. Ministério da Saúde/CONITEC. Protocolo Clínico de Síndromes Coronarianas Agudas. Brasília: Ministério da Saúde; versão disponibilizada em 2023.
7. Rao SV, O'Donoghue ML, Ruel M, et al. 2025 ACC/AHA/ACEP/NAEMSP/SCAI Guideline for the Management of Patients With Acute Coronary Syndromes. Journal of the American College of Cardiology. 2025. doi:10.1016/j.jacc.2024.11.009.
8. Wang L, Chen X, Deng X, et al. Prompt engineering in consistency and reliability with the evidence-based guideline for large language models. npj Digital Medicine. 2024;7:41.

Boa noite, Ricardo! Como vai?

Gostei demais de toda sua pesquisa!

Mandou muito bem explorando a importância da engenharia de prompt na prática clínica, apresentou com clareza como um prompt estruturado pode reduzir riscos e ainda destacou a diferença entre resposta de IA e raciocínio clínico. Esse raciocínio mostra profundidade científica, foco em segurança e preocupação em alinhar tecnologia com protocolos médicos.

Para aprimorar sua solução, algumas boas práticas são:

• Protocolos auditáveis: estruturar respostas em formatos claros que permitam revisão médica e rastreabilidade.
• Validação contínua: aplicar códigos de checagem para garantir que prompts contenham dados mínimos antes de uso clínico.
• Educação médica: treinar profissionais para compreender limites da IA e evitar ancoragem cognitiva em respostas automatizadas.

Continue postando as suas soluções! Além de ganhar pontos de XP na plataforma, você pode ajudar outros estudantes no fórum.

Ah, uma pergunta: você considera mais relevante investir primeiro em treinar médicos para elaborar prompts clínicos seguros ou em desenvolver sistemas que automaticamente validem e completem prompts incompletos?

Fico à disposição! E se precisar, conte sempre com o apoio do fórum.

Abraço e bons estudos!

Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!