Votre montre, votre cerveau, votre thérapeute IA : attention aux détails

Un agent IA traque 41 signaux de dépression dans vos données de montre connectée

Votre montre sait peut-être que vous allez mal avant que vous ne le sachiez vous-même — et une équipe vient de construire l'outil pour le vérifier.

L'idée de CoDaS est simple à énoncer, moins simple à réaliser : prendre des données brutes de capteurs portables — pas vos pas quotidiens, mais des milliers de variables dérivées comme la variabilité de votre durée de sommeil d'une nuit à l'autre — et laisser un système d'agents IA les fouiller méthodiquement pour trouver des corrélations avec la dépression. Pensez à une brigade de cuisine : un chef formule une hypothèse (« peut-être que l'irrégularité du coucher prédit la dépression »), un autre la teste statistiquement, un troisième joue l'avocat du diable et cherche les failles, et un quatrième vérifie dans la littérature si ça tient la route. CoDaS fonctionne exactement comme ça — six phases, quatre « agents » spécialisés, onze vérifications internes. Appliqué à trois cohortes pour un total de 9 279 observations, le système a identifié 41 candidats-biomarqueurs pour la santé mentale. Deux signaux sortent du lot : la variabilité de la durée de sommeil (DWB, ρ = 0,25, p < 0,001) et la variabilité de l'heure d'endormissement (GLOBEM, ρ = 0,13, p < 0,001). Ce ne sont pas les chiffres de la nuit mais leur instabilité qui compte. Le hic, et il est sérieux : une corrélation de 0,25, c'est faible. Ça veut dire que le signal existe, pas qu'il est utile en clinique. CoDaS améliore la prédiction de la dépression de 4 points de pourcentage par rapport à un modèle démographique de base — c'est réel mais modeste. Ces 41 biomarqueurs sont des candidats à tester, pas des diagnostics. Et les cohortes étudiées ne sont pas nécessairement représentatives de vous ou de votre médecin.

Utiliser l'IA pour travailler ou pour ne pas se sentir seul : ce n'est pas le même cerveau

Ce n'est pas combien vous utilisez ChatGPT qui compte pour votre santé mentale — c'est pourquoi vous l'utilisez.

Une équipe a scanné le cerveau de 222 étudiants universitaires chinois (moyenne d'âge : 21 ans) tout en mesurant leurs habitudes d'utilisation de l'IA générative. Deux usages très différents ont émergé : l'usage fonctionnel — rédiger, résumer, apprendre, chercher une information — et l'usage socio-émotionnel — parler à l'IA pour se sentir compris, combler un vide social, obtenir du réconfort. C'est comme la différence entre utiliser un couteau pour cuisiner et s'appuyer dessus pour tenir debout : même objet, logiques complètement différentes. Résultat : l'usage fonctionnel est associé à un meilleur GPA (corrélation faible mais robuste après correction statistique), à un volume plus important de matière grise dans le cortex préfrontal dorsolatéral — la zone impliquée dans la planification et la mémoire de travail — et à un réseau hippocampique plus efficace. L'usage socio-émotionnel, lui, est associé à davantage de dépression et d'anxiété sociale, et à un volume réduit dans les régions temporales supérieures et l'amygdale, zones clés du traitement des émotions. Le hic, et c'est important : l'étude est transversale. On ne sait pas si ces différences cérébrales précèdent l'usage ou en résultent. Les 222 participants sont tous chinois, jeunes, universitaires. Et seulement 6,8 % utilisaient l'IA de façon socio-émotionnelle fréquemment — c'est une minorité, mais elle croît. Je simplifie aussi : les deux usages ne s'excluent pas, et le lien causal reste à démontrer.

Les IA simulent un patient convaincant mais ratent les populations les plus vulnérables

Un acteur peut jouer un personnage dépressif de manière parfaitement convaincante — et ne jamais avoir vu une salle pleine de vrais patients.

PsychBench est une expérience de grande échelle : 28 800 profils de patients synthétiques générés par quatre grands modèles de langage (GPT-4o-mini, Gemini-3-Flash, DeepSeek-V3, GLM-4.7), puis comparés aux données épidémiologiques réelles américaines (NHANES, NESARC-III). L'objectif : vérifier si ces simulations sont fidèles non seulement au niveau d'un individu, mais à l'échelle d'une population. Résultat en deux temps. Premier temps : chaque profil individuel est cliniquement cohérent — aucune violation des critères diagnostiques dans 28 714 cas. L'acteur joue bien son rôle. Deuxième temps : la distribution des profils sur une population est fausse. Les modèles compriment la variance — ils effacent les cas extrêmes, la vraie complexité clinique. DeepSeek-V3 comprime jusqu'à 62 % de la variabilité naturelle. Plus grave : les femmes transgenres sont systématiquement sous-évaluées de 5,4 points sur l'échelle PHQ-9, alors que les données réelles documentent une détresse bien supérieure à la moyenne. Les modèles ne capturent que 8 à 46 % de l'élévation de stress minoritaire documentée dans la littérature. Le hic : ce papier est l'œuvre d'un chercheur indépendant, sans affiliation institutionnelle déclarée et sans peer review apparent au moment de la publication. Les résultats méritent une réplication. Mais la question posée est la bonne : si on entraîne des thérapeutes IA sur des simulations LLM, on entraîne des thérapeutes qui ne connaissent que les patients les plus « moyens ».

Ces trois papiers ne se sont pas concertés, mais ils racontent la même histoire à trois niveaux. CoDaS dit : on peut trouver des signaux biologiques de dépression dans vos données du quotidien — mais un signal faible reste un signal faible. Le papier sur l'IA et le cerveau dit : la façon dont vous interagissez avec les outils numériques a des conséquences mesurables sur votre santé mentale — mais le sens de causalité reste à établir. PsychBench dit : les modèles qui servent à entraîner les futurs outils de santé mentale sont individuellement plausibles mais collectivement biaisés — et les personnes les plus vulnérables sont celles qu'ils représentent le moins bien. Mis ensemble, ils dessinent une prudence collective : la recherche en santé mentale numérique avance vite sur les outils, moins vite sur ce que ces outils font réellement aux gens qui en ont le plus besoin. C'est là que le vrai travail reste à faire.

Surveillez les premières validations cliniques prospectives des biomarqueurs issus de données de montres connectées — le signal CoDaS a besoin d'une cohorte indépendante pour survivre. Sur PsychBench, la question ouverte que j'aimerais voir adressée dans les prochains mois : est-ce que finetuner les LLMs sur des données épidémiologiques réelles corrige la compression de variance, ou est-ce que le biais est plus profond que ça ?

• INSERM — Dépression : mieux la comprendre pour mieux la traiter
• Wikipedia — Biomarqueur (médecine)
• Wikipedia — Stress minoritaire