Votre voix, vos messages, votre montre : la santé mentale numérique avance.

Un algorithme lit vos conversations et estime votre niveau de dépression.

Vous chattez avec un assistant de santé mentale en ligne — et à votre insu, l'algorithme remplit votre questionnaire de dépression.

Voici ce qui s'est passé. Une équipe travaillant avec la plateforme commerciale Ash/Slingshot AI a pris un grand modèle de langage — Qwen3.5-27B, pensez à une version spécialisée de ChatGPT — et l'a entraîné à lire des transcriptions de conversations ordinaires entre utilisateurs et un chatbot de santé mentale. L'objectif : prédire le score PHQ-9 de chaque utilisateur. Le PHQ-9, c'est le questionnaire en neuf questions que les médecins utilisent pour évaluer la sévérité d'une dépression, noté de 0 à 27. C'est un peu comme si vous montriez vos messages de la semaine à un médecin très attentif, et qu'il en déduisait votre état sans vous examiner directement. Le modèle a été évalué sur 842 utilisateurs réels. Il se trompe en moyenne de 2,6 points sur 27. Et quand il s'agit de repérer si quelqu'un franchit le seuil clinique de dépression — score égal ou supérieur à 10 — il y arrive dans 91 % des cas. En jargon statistique, on dit que l'AUC est de 0,91 : plus ce chiffre s'approche de 1, meilleur est le modèle. Pourquoi ça compte. Des millions de personnes n'accèdent jamais à un professionnel de santé mentale. Un outil capable de détecter un état dépressif dans une conversation ordinaire pourrait permettre de prioriser qui a besoin d'une aide urgente — et quand. Le hic. Toutes les données viennent d'une seule plateforme, aux États-Unis, en anglais. Ça marche pour ces utilisateurs-là. Rien ne garantit que ça fonctionnerait aussi bien pour vous, en français, dans un autre contexte culturel. Et la question de la confidentialité des conversations reste entière — le papier ne l'aborde pas.

Analyser la voix pour détecter la dépression sans révéler votre âge ni votre genre.

Votre voix trahit votre genre et votre âge en quelques secondes — des chercheurs ont décidé de rendre ça beaucoup plus difficile, sans perdre ce qui compte.

Voici le problème de départ. Les algorithmes qui analysent la voix pour détecter la dépression apprennent aussi, en chemin, plein de choses sur vous — votre genre, votre âge, parfois votre origine. C'est comme envoyer votre radiographie pulmonaire pour un dépistage, et que le labo en profite pour noter votre taille et votre poids sans vous le dire. Le système InfoShield, testé sur le corpus Androids — environ 350 participants — s'attaque précisément à ça. Il compresse le signal vocal pour en retirer les indices démographiques. Résultat concret : la capacité d'un algorithme à deviner votre genre tombe de 92,6 % à 55,5 %. Soit quasiment le niveau du hasard pour une question à deux réponses. La précision sur l'âge passe de 55,7 % à 30,3 %. Et la détection de dépression ? Elle est mesurée par un score F1 — une note entre 0 et 1 qui combine précision et couverture — qui reste à 0,784, légèrement meilleur qu'avant InfoShield. L'astuce technique clé s'appelle TimeAwareMINE : elle résout un problème que les méthodes classiques rataient, celui du décalage entre la parole qui se déroule dans le temps et des représentations statiques de données. Pourquoi ça compte. Si on veut déployer des outils d'analyse vocale dans des contextes réels de santé mentale, la confidentialité n'est pas optionnelle — c'est une condition légale et éthique. Le hic. Les garanties sont mathématiquement solides, mais pas formelles au sens du droit à la vie privée. Et tout ça a été testé sur un seul jeu de données. Soyons honnêtes : c'est une preuve de concept, pas encore un système prêt à déployer.

Une montre connectée et du vélo pour stabiliser les symptômes des vétérans.

Treize vétérans américains, une smartwatch, et un événement de cyclisme en pleine nature : voilà l'une des études les plus humaines de la semaine.

Voici le contexte. Le programme Project Hero organise des événements de cyclisme longue distance pour anciens combattants. Des chercheurs ont saisi l'occasion pour tester quelque chose : est-ce que porter une montre connectée qui détecte les états de stress en temps réel change quelque chose, au-delà du simple fait de pédaler ? La montre mesure rythme cardiaque et mouvements pour repérer ce qu'on appelle l'hyperarousal — l'état où le corps reste en alerte même au repos, comme un moteur qui tourne à haut régime sans raison, fréquent dans les syndromes post-traumatiques. Un algorithme entraîné sur ces données envoie des alertes en temps réel et propose des outils de gestion. Treize participants ont été répartis : sept avec la montre et les outils numériques, trois avec le vélo seul, quatre suivis depuis chez eux sans intervention active. Les symptômes — anxiété, dépression, stress post-traumatique — étaient mesurés chaque semaine par des questionnaires validés. Le groupe avec la montre a stabilisé ses symptômes sur toute la durée de l'étude. Le groupe vélo seul a vu ses symptômes remonter en fin de parcours. Même les participants à domicile se sont légèrement améliorés — probablement parce qu'on leur prêtait attention. Pourquoi ça compte. Ça suggère que l'effort physique seul ne suffit pas toujours. Comprendre ce qui se passe dans son propre corps, en temps réel, ajoute quelque chose. Le hic. Treize personnes. C'est un pilote. On ne tire aucune conclusion définitive d'une étude aussi petite. Mais c'est exactement à quoi servent les pilotes : poser les bases d'une vraie étude, suffisamment rigoureuse pour convaincre.

Ces trois papiers parlent de la même tension fondamentale : on veut détecter et accompagner les états mentaux avec des outils numériques, mais chaque pas en avant soulève une question que le suivant doit résoudre. L'IA lit vos conversations et prédit votre dépression avec une précision qui aurait semblé impossible il y a cinq ans — mais sur une seule plateforme, dans une seule langue. InfoShield montre qu'on peut protéger votre identité pendant l'analyse — mais dans un labo, sur un seul corpus. La montre et le vélo prouvent que ça marche avec de vraies personnes dans un vrai contexte — mais treize, c'est treize. Ce qu'on voit collectivement, c'est une recherche qui ne cherche plus à démontrer que c'est faisable. Elle cherche à le rendre fiable, privé, et applicable à grande échelle. Ce sont trois chantiers distincts — et ils avancent en parallèle sans encore vraiment se parler. C'est à la fois rassurant et le principal problème à résoudre.

À surveiller dans les semaines qui viennent : les résultats d'essais cliniques européens sur des applications de santé mentale à grande échelle, notamment en Allemagne et aux Pays-Bas où plusieurs études de suivi par EMA sont en cours. La question ouverte que j'aimerais voir répondue : est-ce qu'un modèle entraîné sur des conversations en anglais avec des utilisateurs américains fonctionne de manière équivalente en français, avec des utilisateurs francophones ? Franchement, personne ne le sait encore.

• INSERM — Dossier complet sur la dépression
• Wikipedia FR — PHQ-9, le questionnaire de dépression cité dans le digest