Votre montre, vos mots, et les patients qui n'existent pas

Votre irrégularité de sommeil comme signal précoce de dépression

Votre montre connectée accumule des données depuis des mois — une équipe a construit une IA pour savoir ce qu'elles cachent sur votre santé mentale.

Des chercheurs ont construit un système baptisé CoDaS — un « co-scientifique » automatisé qui analyse des données de capteurs portables pour chercher des biomarqueurs de santé mentale. Le principe : au lieu d'un chercheur assis devant ses tableurs pendant des semaines, le système génère des hypothèses, les teste statistiquement, les attaque lui-même pour vérifier qu'elles tiennent, puis rédige un rapport. Sur 9 279 participants répartis dans trois études, il a identifié 41 biomarqueurs candidats pour la dépression. Le signal le plus robuste ? Pas la durée du sommeil, mais son irrégularité. L'heure à laquelle vous vous endormez qui varie d'un soir à l'autre. C'est un peu comme un cuisinier dont les horaires de service changent tous les jours sans raison apparente : ce n'est pas forcément qu'il travaille mal, mais c'est le signe que quelque chose dérègle son rythme. Ce signal a été retrouvé dans deux cohortes indépendantes — ce qui, dans ce domaine où la reproductibilité est souvent le premier problème, est une vraie bonne nouvelle. Pourquoi ça compte ? Parce que les outils de dépistage qu'on utilise aujourd'hui reposent presque tous sur ce que les gens *disent* de leur état. Les capteurs, eux, capturent ce que les gens *font* — passivement, sans effort supplémentaire. Le hic : 41 candidats, c'est 41 hypothèses à valider, pas 41 outils cliniques. La corrélation entre irrégularité du sommeil et dépression est réelle mais modeste — ρ=0,25, je simplifie, mais c'est loin d'un diagnostic. CoDaS n'a pas encore été testé en conditions cliniques réelles. Ce qu'il produit, c'est une liste de pistes prometteuses. Utile, mais à ne pas confondre avec une trousse de médecin.

Ce n'est pas vos mots qui trahissent votre état — c'est la structure de votre récit

Dans 830 textes thérapeutiques, c'est l'organisation de l'histoire — pas les mots négatifs — qui prédit le mieux la dépression.

Une équipe a analysé 830 textes d'écriture thérapeutique rédigés par des participants âgés de 9 à 50 ans, dans six études menées entre 2018 et 2024 en Chine. Leur question : parmi les mots que vous utilisez, le sens global de ce que vous écrivez, et la façon dont vous construisez votre récit, lequel des trois est le meilleur indicateur de votre état psychologique ? Réponse : la structure narrative l'emporte, et de loin. Non pas les mots négatifs, non pas la cohérence sémantique des phrases — mais le fait que votre texte ait ou non une architecture : un point de départ, une tension, une résolution. Imaginez deux personnes qui racontent la même expérience difficile. L'une tient un fil : ce qui s'est passé, ce qu'elle a ressenti, ce qu'elle a fait ensuite. L'autre saute dans le temps, revient en arrière, ne conclut pas. Les deux peuvent utiliser des mots tout aussi sombres — mais la désorganisation temporelle du récit de la seconde est, selon cette étude, un signal clinique en soi. Les chercheurs observent aussi des signatures spécifiques : dans les textes de personnes déprimées, c'est surtout la temporalité qui s'effondre ; dans ceux associés à l'anxiété, c'est l'ancrage spatial qui disparaît. Pourquoi ça compte ? Parce qu'analyser la structure d'un texte est désormais automatisable, et pourrait enrichir des outils de suivi psychologique accessibles à distance. Le hic : six populations différentes, six outils de mesure différents. L'étude compare des choses comparables mais pas identiques. Et le système d'analyse repose sur un grand modèle de langage — dont on sait qu'il peut être sensible à la façon dont on lui pose les questions. Résultat intrigant, pas encore généralisable.

Les IA simulent des patients psy — mais les patients simulés sont trop « moyens »

On construit des milliers de patients psychiatriques virtuels pour entraîner des systèmes cliniques — et ces patients ne ressemblent pas aux vrais.

Une équipe a demandé à quatre grands modèles de langage — GPT-4o-mini, DeepSeek-V3, Gemini-3-Flash et GLM-4.7 — de générer 28 800 profils de patients psychiatriques simulés, répartis sur 120 groupes démographiques. Puis elle a comparé ces profils aux données réelles des enquêtes de population américaines. Le constat est net : les modèles savent très bien simuler un individu cliniquement crédible. Mais dès qu'on regarde la distribution sur des milliers de profils, le tableau change complètement. C'est comme un acteur qui joue « quelqu'un de triste » de façon convaincante — mais qui, si vous lui demandez d'incarner 1 000 personnes déprimées, les fera toutes souffrir exactement au même niveau. Les vraies extrémités disparaissent : ni les cas très sévères, ni ceux qui s'en sortent mieux que la moyenne. Concrètement : DeepSeek-V3 compresse la variance des symptômes de 62 % par rapport à la population réelle. Et 36 % des profils générés changeraient de catégorie diagnostique si on relançait la simulation le lendemain — malgré des corrélations apparentes supérieures à 0,90. Stables en apparence, instables en pratique. Les biais ne sont pas neutres. La sévérité de la dépression est systématiquement surestimée pour la plupart des groupes — sauf pour les femmes transgenres, dont les symptômes sont sous-estimés de 5,4 points sur l'échelle PHQ-9, un écart énorme. Pourquoi ça compte ? Parce qu'on commence à utiliser ces simulations pour entraîner des chatbots thérapeutiques, tester des protocoles, combler des lacunes dans les données réelles. Si les patients simulés ne ressemblent pas aux vrais patients, tout ce qui est construit dessus hérite du biais — silencieusement.

Ces trois papiers ensemble racontent quelque chose de cohérent sur là où en est la recherche : on apprend à lire des signaux faibles. L'irrégularité de vos nuits, la désorganisation de vos récits, le dérapage de vos heures d'endormissement — tous ces flux portent une information sur votre état mental. C'est réel, et c'est prometteur. Mais le papier de l'équipe PsychBench pose une question inconfortable : si les systèmes qu'on entraîne sur des données simulées héritent de biais invisibles, est-ce qu'on ne construit pas des outils qui fonctionnent bien uniquement pour les patients qui ressemblent déjà à l'idée qu'on s'en fait ? La vraie progression du domaine ne sera pas seulement dans la précision des biomarqueurs. Elle sera dans la capacité à maintenir une diversité clinique réelle — pas une moyenne lissée — au cœur de chaque modèle. Ce n'est pas un détail méthodologique. C'est l'enjeu central.

Dans les semaines qui viennent, gardez un œil sur les études de validation clinique des biomarqueurs issus de capteurs portables — passer de « corrélation trouvée sur cohorte » à « utile dans un cabinet » prend des années, et les prochains résultats intermédiaires seront révélateurs. La question que j'aimerais voir posée directement : est-ce que quelqu'un audite systématiquement les biais des simulateurs de patients avant qu'ils entrent dans des pipelines d'entraînement réels ? Pour l'instant, PsychBench est une des rares équipes à l'avoir fait. Ça devrait devenir une norme.

• INSERM — Dossier complet sur la dépression
• Wikipédia — Biomarqueur (médecine)