Votre montre, vos mots, votre cerveau : l'IA ausculte la dépression

Une IA analyse vos données de bracelet connecté pour détecter la dépression

Votre bracelet connecté vous connaît peut-être mieux que vous ne le pensez — encore fallait-il quelqu'un pour l'écouter.

Une équipe a construit un système qu'ils appellent CoDaS : une sorte de data-scientist automatisé, piloté par plusieurs agents d'intelligence artificielle travaillant en équipe. Leur mission : fouiller les données de capteurs portables — bracelet, montre connectée — pour trouver des biomarqueurs numériques de la dépression. Un biomarqueur numérique, c'est comme un thermomètre pour l'humeur : un signal mesurable qui indique que quelque chose ne va pas, avant même que la personne le formule. Le système a analysé les données de 9 279 personnes issues de trois études indépendantes, et il a identifié 41 candidats biomarqueurs pour la santé mentale. Le signal le plus robuste ? La variabilité de la durée du sommeil. Pas le fait de mal dormir une nuit, mais le fait de dormir 5 heures un soir et 9 le lendemain, de façon chaotique et répétée. Ce pattern instable est apparu dans deux cohortes distinctes, ce qui renforce sa crédibilité. Imaginez que votre courbe de température corporelle soit parfaitement régulière les jours où vous allez bien, et parte dans tous les sens quand vous couvez quelque chose. Ici, c'est l'horloge du sommeil qui joue ce rôle de baromètre. Le hic, et il est important : 41 candidats biomarqueurs, ça reste des candidats. Aucun n'a encore été validé dans un essai clinique prospectif. L'amélioration de prédiction est réelle mais modeste — un ΔR² de 0,04, ce qui signifie que ces nouvelles variables expliquent 4 points de pourcentage supplémentaires de la variance de la dépression. Et on ne sait pas encore si ces signaux sont une cause, une conséquence, ou simplement un corrélat. Mesurer n'est pas comprendre.

Les IA simulent des patients psy de façon convaincante — mais ratent la réalité statistique

Un acteur peut jouer parfaitement une scène et rater complètement la distribution générale des rôles — c'est exactement ce que font les IA qui simulent des patients psychiatriques.

Des chercheurs ont soumis quatre grands modèles de langage — GPT-4o-mini, DeepSeek-V3, Gemini Flash et GLM-4 — à un test inhabituel : leur demander de simuler des profils de patients psychiatriques issus de 120 groupes démographiques différents, selon le genre, la race, le statut socio-économique et la situation amoureuse. Résultat : 28 800 profils générés, puis comparés aux données épidémiologiques réelles de la population américaine. Le constat est frappant. Individuellement, chaque profil est cliniquement cohérent — l'IA ne fait pas d'erreurs grossières sur les symptômes. Aucune violation des critères du DSM-5 n'a été détectée sur 28 714 cas valides. Mais collectivement, les distributions sont fausses. Les IA « écrasent » la variabilité humaine : là où la réalité montre une grande dispersion, les modèles produisent des profils regroupés vers le centre. Et ils surestiment systématiquement la sévérité de la dépression — entre 3,6 et 6,1 points de trop sur l'échelle PHQ-9, qui en compte 27. Imaginez un cuisinier qui dose parfaitement chaque ingrédient dans une assiette, mais qui prépare toujours le même plat pour tout le monde en ignorant que certains convives sont végans, d'autres allergiques, d'autres encore affamés depuis trois jours. Le hic : cette étude est un audit, pas un verdict. Elle ne dit pas que les LLMs sont inutiles en psychiatrie. Elle dit qu'avant de les déployer pour former des cliniciens ou tester des thérapies numériques, il faut vérifier qu'ils représentent la vraie diversité clinique — ce qui est loin d'être acquis.

Outil ou confident : comment vous utilisez l'IA change ce qui se passe dans votre cerveau

Vous utilisez ChatGPT pour rédiger un rapport ou pour parler de votre solitude — votre cerveau, lui, n'y voit pas du tout la même chose.

Une équipe de chercheurs a scanné le cerveau de 222 étudiants universitaires en IRM structurelle, puis a croisé ces données avec leurs habitudes d'utilisation de l'IA générative. Ils ont distingué deux types d'usage : fonctionnel (rédiger, chercher, analyser) et socio-émotionnel (se confier, chercher du réconfort, tenir compagnie). La distinction n'est pas anodine. Les étudiants qui utilisent l'IA de façon fonctionnelle ont de meilleures notes, un volume de matière grise plus important dans le cortex préfrontal dorsolatéral — une région clé pour la concentration et la prise de décision — et un réseau hippocampique plus efficace. À l'inverse, ceux qui s'appuient sur l'IA pour des besoins émotionnels affichent plus de dépression et d'anxiété sociale mesurées, et moins de volume de matière grise dans des zones liées à l'interaction humaine. L'analogie : utiliser un GPS pour trouver une adresse, ça exerce votre navigation. Mais si c'est le GPS qui décide de chaque tournant émotionnel de votre journée, c'est peut-être une autre histoire pour votre sens de l'orientation intérieur. Soyons honnêtes sur les limites. Cette étude est transversale : une photo, pas un film. On ne sait pas si l'usage socio-émotionnel cause les difficultés, ou si ce sont les personnes déjà anxieuses qui se tournent vers l'IA pour du soutien — ce qui serait une explication tout aussi plausible. 222 étudiants chinois, c'est un groupe homogène. Et seulement 6,8 % des participants étaient des utilisateurs principalement socio-émotionnels — l'effet est réel, mais mesuré sur un petit sous-groupe.

Ces trois papiers ne parlent pas exactement de la même chose, mais ils posent tous la même question en filigrane : à quoi sert l'IA en santé mentale, et pour qui ? CoDaS montre que les capteurs du quotidien peuvent devenir des détecteurs précoces — si l'IA sait quoi chercher dans le bruit des données. PsychBench montre que cette même IA, quand on lui demande de simuler des patients, produit des illusions individuellement convaincantes mais statistiquement fausses à l'échelle d'une population. Et l'étude sur les usages cérébraux montre que la façon dont vous vous servez de l'IA change quelque chose — dans vos résultats, peut-être dans votre cerveau. Ce qui me frappe, c'est la tension au cœur des trois. L'IA est simultanément un outil de détection prometteur, un simulateur imparfait, et un objet d'usage dont les effets dépendent entièrement du contexte. Ce n'est pas la même technologie selon ce qu'on lui demande. Ce n'est pas rien à comprendre avant de la déployer en clinique.

Pour CoDaS, la vraie question est de savoir si ces 41 biomarqueurs candidats survivront à une validation prospective — c'est-à-dire un suivi de patients dans le temps, pas une analyse rétrospective. Pour PsychBench, je serais curieux de voir si les auteurs publient le protocole de prompting complet : la façon dont on demande à une IA de jouer un rôle change beaucoup le résultat, et ce détail manque dans le papier. Plus généralement, gardez un œil sur les discussions autour de la régulation des LLMs en contexte médical en Europe — le sujet arrive vite.

• INSERM — Dossier complet sur la dépression
• Wikipedia — Biomarqueur numérique (EN)
• Wikipedia — Patient Health Questionnaire (PHQ-9)