All digests
General publicFRMental Healthweekly

[Mental Health] Votre téléphone sait que vous allez mal avant vous.

DeepScience — Mental Health
DeepScience · Mental Health · Digest quotidien

Votre téléphone sait que vous allez mal avant vous.

Trois papiers sur comment la recherche apprend à détecter la détresse quand les gens ne le disent plus.
June 15, 2026
Bonne nouvelle, la journée n'est pas creuse. Trois papiers ont retenu mon attention ce matin — pas parce qu'ils annoncent une percée spectaculaire, mais parce qu'ils posent tous la même question sous des angles différents : comment aider quelqu'un qui ne demande pas d'aide ? Un sur les survivants du cancer, un sur des vétérans en vélo, un sur les angles morts des IA psychiatriques. C'est parti.
Les histoires du jour
01 / 03

Un agent IA détecte quand un survivant du cancer a besoin d'aide, sans qu'il le dise

Le moment où vous fermez l'appli de suivi est exactement celui où les chercheurs auraient besoin que vous l'ouvriez.

Les survivants du cancer vivent avec des niveaux d'anxiété et de dépression nettement plus élevés que la population générale. Les études le documentent bien. Le problème, c'est que la plupart des systèmes de suivi reposent sur des journaux de bord — vous remplissez un formulaire le soir pour dire comment vous allez. Et les chercheurs ont observé quelque chose d'embêtant : les gens arrêtent de remplir leurs journaux précisément quand ça va mal. Les chercheurs derrière PULSE appellent ça le « paradoxe du journal ». Leur idée : ne plus demander aux gens comment ils vont, mais observer leur téléphone à leur place. Mobilité, localisation, durée d'écran, qualité du sommeil, fréquence des échanges sociaux — des signaux passifs, collectés en continu. Imaginez un détecteur de fumée plutôt qu'une question posée une fois par jour : vous n'avez pas à remarquer l'incendie pour qu'il sonne. L'équipe a testé deux architectures d'IA sur ces données, auprès de 50 survivants du cancer. La version classique pose une question au modèle et attend une réponse. La version « agentique » laisse le modèle enquêter lui-même : il choisit quels signaux interroger, dans quel ordre, et combine ses découvertes avant de conclure. Résultat : la version agentique atteint une précision équilibrée de 0,743 pour prédire si quelqu'un souhaite une intervention — contre 0,52 à 0,60 pour les approches classiques de machine learning. Le hic : l'étude porte sur 50 personnes. On ne connaît pas précisément les conditions de validation des données. Et surtout, prédire qu'on veut de l'aide ne garantit pas qu'on reçoit la bonne aide au bon moment. C'est une première brique prometteuse, pas un système clinique prêt à déployer.

Glossaire
agent LLMUn grand modèle de langage (le type d'IA derrière ChatGPT) qui peut prendre des décisions autonomes sur quelles informations consulter avant de répondre, plutôt que de répondre directement à une question.
précision équilibrée (balanced accuracy)Une mesure de performance qui tient compte du fait que les groupes comparés ne sont pas de taille égale — plus fiable que la simple accuracy quand les cas positifs sont rares.
02 / 03

Des vétérans, des vélos et une montre connectée contre les symptômes du PTSD

Sept vétérans, trois cents kilomètres à vélo, et une montre qui reconnaît quand votre corps commence à paniquer avant que vous ne vous en rendiez compte.

Le PTSD — trouble de stress post-traumatique — provoque des états d'hyperéveil : le corps reste en mode alerte longtemps après que le danger réel a disparu. Pensez à un thermostat bloqué sur 28 degrés en plein été : il tourne en continu, consomme, épuise, même quand la fenêtre est ouverte. L'équipe derrière cette étude a accompagné des vétérans participant à un événement de cyclisme d'endurance appelé Project Hero. Treize vétérans ont été répartis en deux groupes : l'un ne faisait que du vélo, l'autre portait un dispositif numérique qui mesurait leur fréquence cardiaque et leurs mouvements en continu. Quand l'IA détectait une signature d'hyperéveil, elle alertait le vétéran en temps réel — lui donnant la possibilité d'agir sur sa respiration ou son rythme avant que l'état ne s'installe. Résultat : le groupe numérique a stabilisé ses symptômes, là où le groupe vélo seul a vu ses symptômes remonter en fin de programme. Les deux groupes se sont améliorés pendant l'événement lui-même. Un groupe témoin resté à la maison, lui, s'est progressivement dégradé. Soyons honnêtes sur les chiffres : sept personnes dans le groupe principal, trois dans le groupe comparateur. C'est un essai pilote, pas une démonstration définitive. Les chercheurs l'annoncent d'ailleurs clairement. Ce qu'on retient : la combinaison activité physique intense et feedback physiologique en temps réel semble tenir ses promesses sur le terrain, pas seulement en laboratoire. Et les participants eux-mêmes rapportent que les alertes les ont aidés à développer une conscience corporelle plus fine. Les prochaines étapes — des essais plus larges — restent à venir.

Glossaire
hyperéveil (hyperarousal)État dans lequel le système nerveux reste en alerte permanente, typique du PTSD : difficulté à dormir, sursauts fréquents, irritabilité, tension musculaire chronique.
GAMM (Generalized Additive Mixed Model)Un outil statistique qui permet de modéliser des évolutions non linéaires dans le temps, adapté quand les courbes de symptômes ne suivent pas une ligne droite.
03 / 03

Les IA en psychiatrie ratent les patients qui s'en sortent trop bien en apparence

Dites à une IA que vous avez des attaques de panique, mais précisez que vous avez de bons amis et un travail stable — et elle risque de décider que tout va bien.

Les grands modèles de langage intéressent de plus en plus les acteurs de la santé mentale pour une raison pragmatique : il n'y a pas assez de psychiatres. L'idée est d'utiliser ces IA pour un premier filtrage — identifier les personnes qui ont besoin d'une consultation en priorité. Mais jusqu'où peut-on leur faire confiance ? Une équipe a soumis cinq modèles différents — LLaMA 3, DeepSeek, GPT-4o Mini, GPT-4.1 Mini, GPT-5 Mini — à 555 retranscriptions d'entretiens cliniques semi-structurés, avec des diagnostics posés par des professionnels comme référence. La tâche : classer correctement anxiété, dépression, PTSD, ou tout trouble mental actuel. Les résultats sont contrastés : la précision va de 0,49 à 0,86 selon le modèle et le trouble. Mais le coefficient MCC — qui mesure vraiment la qualité de la discrimination — ne dépasse jamais 0,38. En clair : même le meilleur modèle reste modeste. Le détail le plus instructif est dans les faux négatifs — les cas où l'IA dit « rien d'inquiétant » alors qu'il y a un vrai diagnostic. L'analyse des justifications de GPT-4.1 Mini montre un schéma clair : la personne décrit des symptômes explicites d'anxiété ou de PTSD, mais mentionne aussi qu'elle a du soutien social, qu'elle gère, qu'elle fonctionne. L'IA surpondère ces éléments protecteurs et minimise les symptômes. C'est un peu comme un médecin qui entend « j'ai des douleurs thoraciques depuis deux semaines » et qui conclut « mais vous faites du sport, ça doit aller ». Le hic méthodologique : cette analyse des justifications n'a été faite que sur un seul modèle, de manière rétrospective. On ne peut pas en tirer de loi générale. Mais la piste est sérieuse, et elle a des implications directes pour quiconque envisage de déployer ces outils en clinique.

Glossaire
MCC (Matthews Correlation Coefficient)Un score de performance statistique entre -1 et +1 qui mesure la qualité globale d'une classification binaire, plus fiable que la simple précision quand les cas positifs et négatifs sont déséquilibrés.
faux négatifUn cas où le modèle dit « pas de problème » alors qu'il y en a un — dans ce contexte, une personne avec un vrai diagnostic que l'IA n'a pas identifiée.
SCIDEntretien clinique structuré pour les diagnostics DSM, utilisé ici comme référence « gold standard » pour évaluer les IA.
La vue d'ensemble

Ces trois papiers parlent du même problème à l'envers. PULSE dit : les gens ne signalent pas leur détresse quand ils en ont le plus besoin — alors observons passivement. L'essai avec les vétérans dit : une fois qu'on détecte quelque chose, un retour en temps réel peut aider les gens à s'autoréguler. Et la troisième étude vient nuancer les deux premières : les IA qui font ce travail de détection ont un angle mort structurel — elles se laissent rassurer par les signes que la personne « gère », même quand elle souffre vraiment. Ce que ça dit collectivement : la recherche se déplace vers des systèmes qui n'attendent plus que les patients lèvent la main. C'est une direction prometteuse. Mais elle exige une honnêteté sur les biais de ces systèmes avant tout déploiement. Détecter sans discriminer correctement, c'est parfois pire que ne pas détecter du tout — surtout quand les populations les plus stoïques, les plus « fonctionnelles en apparence », sont précisément celles qu'on rate.

À surveiller

L'angle mort des IA face aux patients qui « fonctionnent malgré tout » méritera un suivi attentif : c'est un biais qui touche aussi les humains en clinique, et il sera intéressant de voir si des équipes proposent des méthodes d'évaluation spécifiquement conçues pour le tester. Sur les wearables pour vétérans, les auteurs annoncent vouloir élargir l'essai — je guetterai un protocole plus grand l'automne prochain. Question ouverte que j'aimerais voir traitée : est-ce que ces systèmes de détection passive fonctionnent aussi bien sur des populations sans smartphone premium, connexion stable, ou habitudes numériques particulières ?

Pour aller plus loin
Merci de m'avoir lu — à demain. — JB
DeepScience — Intelligence scientifique interdisciplinaire
deepsci.io