Votre sommeil, vos mots, vos histoires : la dépression se lit autrement

Une IA analyse vos données de montre connectée pour détecter la dépression

Pas le fait de mal dormir — le fait de dormir à des heures différentes chaque nuit. C'est ça, le signal.

CoDaS est un système à six agents IA — chacun avec un rôle précis, comme une brigade de cuisine où chacun tient son poste. Un agent génère des hypothèses, un autre les teste, un troisième joue l'avocat du diable. Le tout a été appliqué à trois jeux de données issues de capteurs portables, représentant 9 279 observations de participants réels. Le résultat le plus solide : la variabilité de la durée du sommeil — pas dormir peu, mais dormir à des heures erratiques, comme si votre corps ne trouvait jamais son rythme — est corrélée avec la dépression dans deux cohortes indépendantes. Une dans la base DWB (corrélation de Spearman de 0,25), une dans GLOBEM (0,13). Quand le même signal apparaît dans deux populations séparées, on commence à y prêter attention. Pensez à un four qui cuit à des températures aléatoires : même si le temps total est respecté, l'irrégularité finit par tout dérégler. C'est ce que le système voit dans vos données de sommeil. Le hic, et il est important : une corrélation de 0,25, c'est réel mais modeste. CoDaS ne diagnostique pas la dépression — il identifie des pistes. Les 41 biomarqueurs candidats identifiés sont des hypothèses à tester, pas des conclusions. Et comme les données sont transversales — une photo à un instant T — on ne sait pas encore si l'irrégularité du sommeil précède la dépression, ou l'accompagne simplement. Les essais longitudinaux restent la prochaine étape obligatoire.

Un algorithme détecte la dépression en analysant la structure d'une conversation clinique

Ce n'est pas ce que vous dites dans un entretien clinique qui trahit la dépression — c'est comment la conversation se tisse dans le temps.

PsyGAT modélise un entretien clinique comme un réseau de nœuds. Chaque échange devient un point, les connexions entre ces points représentent la dynamique temporelle de la conversation. Le modèle identifie des marqueurs psychologiques explicites dans chaque réplique — des signaux de pensées négatives, de retrait social, de ralentissement cognitif — et les fait circuler à travers le réseau comme de l'information qui voyage d'une partie à l'autre d'une ville. Ce qui est malin : le modèle intègre aussi un profil de personnalité du patient, pour ne pas confondre une façon habituelle de parler avec un symptôme aigu. Comme un médecin qui connaît votre tempérament avant d'interpréter votre silence. Les chiffres publiés sont impressionnants : F1 de 90 sur le benchmark DAIC-WoZ, surpassant les modèles concurrents. Les auteurs mentionnent aussi avoir battu « GPT-5 » — méfiez-vous de ce point. GPT-5 n'est pas un outil de diagnostic clinique, et cette comparaison ressemble plus à un argument de vente qu'à une validation médicale. Le vrai hic : DAIC-WoZ contient environ 260 exemples d'entraînement, dont moins de 57 patients réellement dépressifs. C'est un corpus minuscule. PsyGAT compense avec de l'augmentation de données générée par IA — c'est créatif, mais ça ne remplace pas des données cliniques réelles en volume. Avant qu'un tel outil entre en consultation, il faudra des validations prospectives sur des milliers de patients, pas quelques centaines.

La façon dont vous structurez un récit prédit mieux la dépression que les mots eux-mêmes

Raconter les choses dans le désordre chronologique — pas juste ce que vous dites, mais comment vous le dites — est associé à la dépression.

830 textes d'écriture thérapeutique en chinois, issus de six interventions différentes entre 2018 et 2024 — cliniques, post-catastrophe, scolaires, en ligne. Une équipe de chercheurs a appliqué trois niveaux d'analyse pour prédire dépression, anxiété et traumatisme. Niveau 1 : les mots (un dictionnaire psychologique qui compte les termes négatifs, les références à soi, etc.). Niveau 2 : le sens global des phrases. Niveau 3 : la structure du récit — comment la personne organise son histoire dans le temps, si ses phrases s'enchaînent de manière cohérente, si elle ancre les événements dans un lieu précis. Pour ce troisième niveau, un grand modèle de langue évalue chaque texte selon la grammaire narrative de Labov — un cadre classique de linguistique qui décompose une histoire en orientation, complication, résolution, comme les actes d'une pièce de théâtre. Résultat surprenant : la structure narrative bat les mots seuls, et bat aussi le sens global. Des signatures spécifiques émergent : la désorganisation temporelle est associée à la dépression ; les déficits d'ancrage spatial sont associés à l'anxiété. Comme si l'ordre dans lequel vous racontez les choses révélait quelque chose que les mots taisent. Le hic, et il est crucial : les méthodes statistiques complètes ne sont pas détaillées dans la version disponible du papier. On ne peut pas vérifier si les différences observées sont statistiquement robustes. La piste est prometteuse — mais le verdict final attendra la lecture du papier complet.

Ces trois papiers partent d'angles très différents — la montre connectée, l'entretien clinique, l'écriture thérapeutique — et arrivent au même endroit : la santé mentale laisse des empreintes dans des données que nous produisons naturellement, et des algorithmes commencent à les lire. Ce qui est nouveau, ce n'est pas l'intuition. Les cliniciens savent depuis longtemps que la façon de parler, de dormir, de raconter trahit l'état intérieur. Ce qui change, c'est la capacité à mesurer ces signaux à grande échelle et à les comparer entre populations. Mais remarquez ce qui manque dans les trois cas : la validation longitudinale. Ces études montrent des corrélations — des signaux présents en même temps que la dépression. Elles ne prouvent pas encore qu'on peut prédire qui va tomber malade. La recherche est en train de construire les thermomètres. Les prévisions météo, c'est pour la prochaine étape.

L'essai clinique BRIGHTEN, qui suit la dépression via les capteurs passifs de smartphones, devrait publier de nouvelles données cet été — c'est le test grandeur nature que ces approches attendent. Du côté du NLP clinique, la conférence ACL 2026 en août concentrera une bonne partie des soumissions sur la santé mentale dans le texte : un bon moment pour voir si PsyGAT et ses équivalents résistent à un regard critique collectif. La question ouverte que j'aimerais voir traitée : est-ce que ces biomarqueurs tiennent sur des populations non-anglophones et non-chinoises ?

• Wikipedia — Grammaire narrative de Labov (en français)
• INSERM — Dépression : comprendre pour mieux traiter
• Wikipedia — Graph Attention Network