• Ausência de quadros de auditoria de IA de nível clínico: Na altura da implementação, existiam poucas ferramentas de governação padronizadas ou validadas para a IA na área da saúde comportamental, o que criou desafios na comparação e no alinhamento com as expectativas regulatórias globais. • Variabilidade técnica entre os sistemas de IA: As ferramentas de IA na área da saúde comportamental variam significativamente em termos de arquitetura, fontes de dados e maturidade dos modelos, o que exigiu uma lógica de pontuação adaptável e vias de avaliação flexíveis. • Familiaridade limitada das partes interessadas com a governação da IA: Muitos clínicos, administradores e decisores tinham pouca experiência com processos estruturados de auditoria de IA, o que exigiu explicações adicionais, formação e reforço de capacidades. • Panorama regulatório em evolução: As rápidas mudanças no NIST, na Lei da IA da UE e nas orientações da OMS exigiram atualizações contínuas para manter a estrutura alinhada com as normas mais recentes. • Sensibilidade dos dados relacionados com a saúde mental: Os dados psicológicos e comportamentais apresentam riscos éticos elevados, exigindo rigorosas salvaguardas de privacidade, segurança e confidencialidade durante a validação.

Fatores de influência positivos: • A supervisão do IRB e a metodologia estruturada (WCG IRB CC-2025-001) aumentaram a confiança, a transparência e a aceitação entre os primeiros utilizadores. • O desenvolvimento liderado por médicos reforçou a confiança dos utilizadores, garantindo que os critérios estivessem alinhados com as necessidades reais de cuidados e segurança. • A documentação transparente e as práticas de ciência aberta (DOIs do Zenodo) aceleraram a revisão externa e a citação, apoiando a escalabilidade e a replicabilidade. • O alinhamento com normas internacionais (NIST AI RMF, Lei da IA da UE, princípios orientadores da OMS) facilitou a integração rápida em todos os ecossistemas de cuidados de saúde. Recomendações: • Investir no reforço de capacidades dos médicos e das partes interessadas para garantir a adoção segura e informada de sistemas de IA na saúde mental e comportamental. • Manter um processo de governação com atualizações contínuas para permanecer alinhado com as regulamentações internacionais em evolução e as expectativas de segurança. • Aplicar o EAF™ como uma ferramenta de auditoria reutilizável para hospitais, programas de saúde digital e organizações globais de saúde, a fim de reforçar a garantia de qualidade. • Promover práticas de ciência aberta, associando cada auditoria a documentação transparente, metodologia reprodutível e materiais complementares acessíveis ao público. • Dar prioridade aos sistemas de IA de alto risco (saúde comportamental, deteção de crises, populações vulneráveis) para maximizar o impacto imediato na segurança.