Votre montre, votre cerveau, et l'IA qui se trompe sur vous

Une IA détecte des signaux de dépression dans vos données de montre connectée

Et si l'irrégularité de vos nuits suffisait à signaler une dépression — avant même que vous le ressentiez ?

Des chercheurs ont construit CoDaS, un système multi-agents piloté par des grands modèles de langage, et lui ont confié une mission précise : fouiller des données de capteurs portables — montres, bracelets — pour identifier des signaux mesurables associés à la dépression. Pensez-y comme un assistant de labo très méthodique : il génère des hypothèses, teste des corrélations statistiques, cherche lui-même les failles de ses propres résultats, puis recommence. Une boucle automatisée de découverte scientifique. Le résultat le plus frappant concerne le sommeil. Deux variables — la variabilité de la durée de sommeil et la variabilité de l'heure d'endormissement — sont associées à la dépression dans deux cohortes, c'est-à-dire deux groupes de participants, indépendantes l'une de l'autre. Pas le même pays, pas le même échantillon : même signal. Au total, CoDaS a identifié 41 candidats-biomarqueurs — des signaux potentiellement parlants — pour la santé mentale sur plus de 9 000 participants combinés. Un biomarqueur numérique, c'est un indicateur mesurable par un capteur — fréquence cardiaque, qualité de sommeil, nombre de pas — susceptible de refléter un état de santé. Le hic ? Un candidat-biomarqueur n'est pas un biomarqueur validé. Trouver une corrélation dans des données, c'est-à-dire une relation statistique entre deux variables, n'est pas la même chose que comprendre ce qu'elle signifie cliniquement. La prochaine étape — longue et coûteuse — serait de tester ces signaux dans des essais prospectifs sur des patients réels suivis dans le temps. CoDaS accélère la phase de découverte. Il ne remplace pas la validation.

Utiliser l'IA comme outil ou comme confident : deux effets opposés sur le cerveau

Vous utilisez ChatGPT pour rédiger ou pour confier vos angoisses — ce n'est peut-être pas du tout la même chose pour votre cerveau.

Une équipe de chercheurs a scanné le cerveau de 222 étudiants universitaires en IRM structurelle — une imagerie qui mesure le volume des régions du cerveau, comme une carte en relief — et croisé ces données avec leurs habitudes d'usage des IA génératives. Deux types d'usage ont été distingués : fonctionnel, c'est-à-dire écrire, résumer, coder, chercher ; et socio-émotionnel, soit se confier, chercher du soutien, ou combler une solitude. Le contraste est net. Les étudiants qui utilisent l'IA de manière fonctionnelle ont de meilleures notes, un volume de matière grise plus important dans le cortex préfrontal dorsolatéral — la région impliquée dans la planification et la pensée structurée — et un réseau hippocampique mieux connecté. À l'inverse, ceux qui l'utilisent pour combler un besoin émotionnel présentent davantage de dépression et d'anxiété sociale, et un volume plus faible dans des zones liées aux interactions humaines. Soyons honnêtes sur ce que ça veut dire — et surtout sur ce que ça ne veut pas dire. C'est une étude transversale : une photo prise à un instant T, sur 222 personnes. On ne sait pas si l'usage émotionnel de l'IA crée ces différences cérébrales, ou si des personnes déjà anxieuses se tournent vers l'IA pour combler un vide. La direction de cause à effet n'est pas établie. Et l'étude portait uniquement sur des étudiants d'environ 21 ans — les adolescents, qui nous inquiètent davantage, n'y figurent pas. Un résultat à surveiller, pas à extrapoler.

Quand on demande à une IA de simuler des patients psychiatriques, elle échoue discrètement

GPT-4o, Gemini, DeepSeek — tous capables de jouer un patient dépressif convaincant. Aucun ne joue une population dépressive fidèle.

Des chercheurs ont construit PsychBench, un outil d'audit, et ont demandé à quatre grands modèles de langage — GPT-4o-mini, DeepSeek-V3, Gemini Flash et GLM-4.7 — de générer 28 800 profils de patients simulés répartis en 120 groupes démographiques. Ils ont ensuite comparé ces profils aux données épidémiologiques réelles issues d'enquêtes nationales américaines. L'épidémiologie, c'est l'étude de la distribution des maladies dans une population : qui est touché, à quelle fréquence, avec quelle sévérité. Le constat est presque cruel dans sa précision. Les modèles excellent à l'échelle individuelle : pas une seule violation des critères diagnostiques du DSM-5 — le manuel de référence des diagnostics psychiatriques — sur les près de 29 000 cas générés. Mais ils ratent systématiquement les distributions à l'échelle d'une population. C'est comme un musicien qui joue chaque note juste, mais dont l'interprétation efface toutes les nuances dynamiques d'une symphonie : techniquement irréprochable, humainement faux. Deux problèmes concrets. D'abord, la compression de la variance : les modèles gomment les extrêmes. DeepSeek-V3 comprime jusqu'à 62 % de la variabilité réelle — les cas les plus sévères et les plus légers disparaissent. Ensuite, des biais systématiques : la sévérité de la dépression est surestimée de 3 à 6 points sur le questionnaire PHQ-9 pour la plupart des groupes. Et les femmes transgenres, groupe pourtant documenté comme particulièrement exposé, sont sous-estimées de plus de 5 points. Pourquoi ça compte ? Ces modèles servent à entraîner d'autres IA, à tester des outils thérapeutiques, à simuler des essais cliniques. Une simulation biaisée dès le départ contamine tout ce qui s'appuie dessus.

Ces trois papiers forment ensemble un portrait honnête de là où en est l'IA appliquée à la santé mentale. CoDaS montre qu'on peut automatiser la découverte de signaux dans des données massives de capteurs — vrai progrès, mais la validation clinique reste le goulot d'étranglement. L'étude sur les usages de l'IA nous rappelle que l'outil n'est pas neutre : selon ce qu'on lui demande, il semble interagir différemment avec notre cerveau et notre bien-être. Et PsychBench pointe une faille fondamentale : les modèles de langage sont de mauvais miroirs de la diversité humaine quand on les force à simuler des populations entières. Ce qui relie ces trois histoires, c'est une même tension. L'IA est puissante pour détecter des patterns dans des données complexes. Mais elle amplifie aussi les angles morts de ses concepteurs. En santé mentale, ces angles morts ne sont pas anodins — ils concernent les personnes les plus vulnérables.

Sur les biomarqueurs du sommeil, il faudra suivre si des équipes cliniques reprennent les candidats de CoDaS dans des études prospectives — c'est là que ça deviendra utile ou non. Sur PsychBench, l'équipe annonce vouloir étendre l'audit à des contextes non américains — décisif pour savoir si les biais observés sont culturellement spécifiques ou universels. Et la question ouverte que j'aimerais voir répondue dans les prochains mois : est-ce que l'usage socio-émotionnel de l'IA chez des adolescents — pas des étudiants de 21 ans — produit les mêmes corrélations cérébrales ? Personne ne l'a encore mesuré.

• INSERM — Dossier santé mentale
• Wikipedia — Biomarqueur (médecine)