L'IA lit vos chats, votre montre, votre voix.

Un modèle de langage devine votre niveau de dépression en lisant vos chats thérapeutiques

Imaginez un médecin qui lit vos échanges avec un chatbot thérapeutique et vous attribue un score de dépression — sans vous poser une seule question directe.

L'équipe de la plateforme Ash AI a entraîné un grand modèle de langage — Qwen3.5-27B, 27 milliards de paramètres — à prédire le score PHQ-9 d'un utilisateur uniquement à partir de ses conversations avec un assistant IA. Le PHQ-9, c'est le questionnaire standard que votre médecin vous ferait remplir pour évaluer l'intensité d'une dépression. L'idée : et si on pouvait extraire cette information sans que vous ayez à répondre à quoi que ce soit ? Pour entraîner le modèle, ils ont utilisé 3 111 utilisateurs ayant renseigné leur PHQ-9 au départ, puis ont gonflé ce jeu de données à 6 283 personnes grâce à une technique d'auto-étiquetage — confier la prédiction à un modèle intermédiaire, utiliser ses résultats comme données d'entraînement pour le suivant, et recommencer. Pensez à un apprenti cuisinier qui goûte un plat, note ce qu'il pense, puis soumet ses notes à son successeur pour calibrer le palais du suivant. Sur un jeu de test de 842 utilisateurs non vus, le modèle obtient une corrélation de 0,80 avec le vrai score PHQ-9, et une AUC de 0,91 pour détecter les cas cliniquement significatifs. En clair : il identifie correctement les épisodes dépressifs dans 91 % des situations — mieux que les systèmes précédents testés sur des données comparables. Le hic ? Tout vient d'une seule plateforme privée, Ash AI. On ne sait pas si les conversations sur cette appli ressemblent à celles d'autres contextes. Les résultats ne sont pas accompagnés d'intervalles de confiance, et personne n'a testé si la prédiction tient sur des populations différentes — personnes âgées, non-anglophones, personnes sans accès habituel aux soins. C'est prometteur. Mais on est encore loin d'un outil clinique validé.

Une montre connectée aide des vétérans à stabiliser leur anxiété pendant un défi cycliste

Treize vétérans, des smartwatches, un parcours cycliste exigeant : une petite étude qui pose une grande question sur les thérapies numériques en temps réel.

Certains vétérans souffrant de stress post-traumatique vivent une hyperexcitation physiologique chronique — le système nerveux reste en mode alerte, comme si le danger n'avait jamais disparu. L'équipe du projet Project Hero a voulu savoir si une montre connectée, en détectant ces pics en temps réel, pouvait aider les participants à les gérer — et si combiner ça avec un programme de cyclisme d'endurance changeait quelque chose. Treize vétérans ont participé à cet essai randomisé contrôlé : sept dans le groupe cyclisme avec intervention numérique, trois dans le groupe cyclisme seul, et quatre dans un groupe de surveillance à domicile. La montre captait fréquence cardiaque et accéléromètre, et un modèle de machine learning analysait ces données pour détecter les épisodes d'hyperexcitation — l'équivalent d'un capteur de fumée, mais pour votre système nerveux. En cas d'alerte, les participants pouvaient agir : exercice de respiration, pause, pleine conscience. Résultat : le groupe avec l'intervention numérique a montré des trajectoires d'hyperexcitation plus stables sur la durée, alors que le groupe cyclisme seul présentait une escalade en fin d'étude. Les deux groupes ont connu une amélioration aiguë pendant l'événement cycliste lui-même. Le groupe à domicile, lui, s'améliorait progressivement mais sans pic ni chute. Le hic, et il est gros : treize participants, c'est minuscule. Il s'agit d'un pilote — conçu pour tester la faisabilité, pas pour prouver quoi que ce soit. Certains participants auraient voulu un suivi clinique après chaque alerte, qui n'était pas disponible. Le signal est intéressant. La confirmation attendra des centaines de personnes.

Cacher votre genre à un algorithme sans perdre la détection de dépression dans votre voix

Votre voix trahit votre genre dans 92 % des cas — des chercheurs ont trouvé comment ramener ce chiffre à 55 % sans sacrifier la détection de dépression.

Les outils d'IA qui analysent votre voix pour détecter la dépression posent un problème de confidentialité rarement discuté : ces mêmes modèles extraient en chemin des informations sur votre genre, votre âge, et potentiellement d'autres attributs sensibles. Ce n'est pas intentionnel — c'est une conséquence du fait que toutes ces caractéristiques sont enchevêtrées dans le signal vocal, comme les arômes dans une sauce : difficile de séparer le sel du reste. L'équipe derrière InfoShield a développé un cadre pour minimiser cette fuite d'information. L'idée : compresser la représentation vocale de façon à conserver ce qui est utile pour la dépression tout en effaçant ce qui permet d'inférer le genre ou l'âge. Pour mesurer ce qu'il reste de ces attributs dans la représentation, ils ont créé un estimateur spécial — TimeAwareMINE — adapté aux données séquentielles comme la parole, là où les estimateurs classiques échouaient sur ce type de signal. Les résultats sur le corpus Androids : la précision d'inférence du genre chute de 92,6 % à 55,5 % — presque aléatoire pour une classification binaire. Celle de l'âge passe de 55,7 % à 30,3 %. La classification de la dépression, elle, perd 6 points de F1. C'est l'équivalent d'un double vitrage : vous bloquez l'essentiel du bruit sans perdre la lumière. Le hic : tout a été testé sur un seul corpus, dans un seul contexte linguistique. Les proxies utilisés pour mesurer l'âge sont imparfaits. On ne sait pas si ces résultats tiennent sur d'autres langues, d'autres populations, ou en conditions réelles de déploiement à grande échelle. La direction est bonne ; la route est encore longue.

Ces trois papiers ne parlent pas de la même chose, mais ils partagent une intuition commune : la santé mentale numérique n'est plus une promesse vague, c'est un chantier actif avec des résultats mesurables — et des limites honnêtes à nommer. On apprend à lire la détresse dans vos mots sans vous le demander directement, à stabiliser vos réponses physiologiques en temps réel avec ce que vous portez au poignet, et à faire tout ça sans exposer ce qui ne devrait pas l'être. Ce qui manque encore : des essais à grande échelle, des populations diversifiées au-delà des plateformes anglophone, et surtout un cadre réglementaire clair pour décider qui a le droit de lire quoi dans vos conversations thérapeutiques. Le chantier avance. Les garde-fous, eux, courent derrière.

Surveillez la suite du projet Project Hero : si une cohorte élargie est publiée dans les prochains mois, elle dira si le signal des 13 vétérans tient à l'échelle. Du côté réglementaire, les discussions autour de l'IA Act européen et des données de santé mentale pourraient forcer la main sur la question de la confidentialité vocale avant que des solutions comme InfoShield ne soient prêtes. La question ouverte qui m'intéresse le plus : un score de dépression prédit passivement par une IA a-t-il la même valeur clinique qu'un score renseigné activement par le patient ?

• Wikipedia — PHQ-9, le questionnaire de référence pour évaluer la dépression
• INSERM — Dossier de fond sur la dépression