Voix, téléphone, sommeil : la santé mentale se lit en silence

Trente secondes de voix pour détecter dépression et anxiété

Parlez trente secondes. Peu importe ce que vous dites — c'est la façon dont vous le dites qui intéresse le modèle.

Une équipe a entraîné un modèle d'intelligence artificielle à détecter dépression et anxiété directement depuis le signal audio brut de la voix — sans lire les mots, seulement en écoutant la musique. Pensez à un musicien qui détecte qu'un instrument est légèrement désaccordé sans connaître la chanson : c'est ce principe que les chercheurs exploitent ici. Le modèle part de Whisper — le système de transcription vocale d'OpenAI — et l'adapte via une technique appelée LoRA (une façon d'ajuster un grand modèle sans tout réentraîner) sur un corpus propriétaire de 34 457 personnes, soit près de 700 heures d'enregistrements. Résultat sur un groupe test de 5 353 individus non vus pendant l'entraînement : 71 % de sensibilité et de spécificité simultanées. Autrement dit, le modèle identifie correctement sept cas sur dix — dans les deux sens, positifs et négatifs. Combiner les signaux acoustiques avec ce que les personnes disent réellement (les mots, analysés séparément) améliore encore les résultats. Le hic, et il est important : les étiquettes de référence sont des auto-évaluations — le PHQ-9 et le GAD-7, des questionnaires validés que les participants ont remplis eux-mêmes. Ce n'est pas un diagnostic clinicien. Vingt-neuf pour cent d'erreurs, c'est encore beaucoup pour un contexte médical. Et les données sont propriétaires — impossible pour d'autres équipes de vérifier ou reproduire. C'est un signal prometteur, pas encore un outil déployable.

Un téléphone qui sait quand un patient en rémission a besoin d'aide

Votre téléphone sait que vous n'avez presque pas bougé de la journée, que votre routine a changé, et que vous n'êtes pas allé là où vous allez habituellement — sans que vous ayez rien dit à personne.

Des chercheurs ont développé PULSE, un système qui analyse les données passives du smartphone de survivants d'un cancer — mouvements, localisation, activité — pour prédire deux choses : est-ce que cette personne ressent le besoin d'une aide émotionnelle en ce moment ? Et serait-elle disponible pour une intervention ? L'idée derrière : ne pas attendre qu'un patient appelle ou remplisse un formulaire, mais anticiper le bon moment pour proposer du soutien. L'équipe a testé deux architectures d'IA sur un groupe de 50 survivants. La première, dite structurée, interroge les données en une seule requête. La seconde, dite agentique, fonctionne comme un enquêteur : elle pose des questions successives, choisit ses outils, explore les données par étapes — environ cinq opérations en quarante-cinq secondes. Résultat : l'architecture agentique prédit le besoin d'aide émotionnelle avec une précision équilibrée de 74 %, et la disponibilité à l'intervention à 71 % — rien qu'avec les capteurs passifs, sans journal de bord ni questionnaire. Les modèles traditionnels du domaine plafonnaient à 52-60 % sur ces mêmes tâches. Le hic : l'étude porte sur 50 personnes dans un contexte précis — survivants de cancer — et les chercheurs ne reportent pas de tests statistiques de significativité formels. Le passage à d'autres populations ou pathologies reste à démontrer. Et la référence reste l'auto-évaluation momentanée des participants, pas un jugement clinicien.

Un moniteur de sommeil à 38 euros capable de distinguer quatre stades

Un chercheur a porté une ceinture de sport modifiée pendant quinze nuits et construit, pour 38 euros, un appareil qui classe son sommeil en quatre stades.

Le lien entre sommeil et santé mentale est solide : troubles du sommeil et dépression, anxiété ou bipolarité s'alimentent mutuellement. Mais mesurer le sommeil rigoureusement coûte cher — une polysomnographie en laboratoire nécessite des dizaines d'électrodes, un technicien, une nuit hospitalisée. L'équipe derrière OSSMM a voulu voir jusqu'où on pouvait descendre en coût sans perdre toute utilité. La solution : des électrodes en plastique conducteur prélevées sur des ceintures cardiaques grand public, deux électrodes frontales, et des algorithmes classiques de machine learning. Résultat sur quinze nuits d'un seul participant : un score F1 macro de 0,77 pour classer le sommeil en quatre catégories — éveil, sommeil léger, sommeil profond, sommeil paradoxal. Pensez à un thermomètre bas de gamme : il ne remplace pas l'hôpital, mais il vous dit si vous avez de la fièvre. C'est exactement ce niveau d'utilité que les auteurs visent. Le hic, et il est considérable : c'est littéralement une personne, quinze nuits. Ce n'est pas un essai clinique, c'est une preuve de concept. De plus, la référence utilisée pour valider n'est pas elle-même la norme or du domaine — l'appareil de référence n'atteint qu'un accord modéré avec la polysomnographie clinique. L'intérêt est réel — matériel open source, code publié, coût de 38 euros — mais les chiffres de performance doivent être lus avec cet entourage d'incertitude bien présent à l'esprit.

Ces trois papiers ne se parlent pas entre eux, mais ils disent la même chose en chœur : la recherche en santé mentale est en train de déplacer le capteur — du cabinet médical vers le quotidien. Votre voix. Vos déplacements. Vos nuits. L'idée n'est pas nouvelle, mais les techniques s'affinent et les coûts baissent. Ce qui me frappe, c'est la tension commune à ces trois études : les modèles s'améliorent plus vite que la validation. Les labels de référence restent des auto-évaluations, les cohortes sont petites, les données souvent propriétaires. On construit l'infrastructure avant que la science de la précision soit là. Ce n'est pas une raison de jeter le bébé avec l'eau du bain — c'est ainsi que toute technologie émerge. Mais ça signifie que nous sommes encore à l'étape du signal prometteur, pas de l'outil déployable. Le lecteur averti notera que dans les trois cas, la limite honnête est la même : plus de données, plus de diversité, et une validation clinicien-en-chair-et-en-os restent la prochaine marche.

Sur les biomarqueurs vocaux, surveillez si une équipe indépendante parvient à répliquer ces résultats sur un corpus public — c'est le test décisif pour un domaine où les données propriétaires dominent. Pour OSSMM, la vraie question est : quelqu'un d'autre va-t-il porter cette ceinture ? Une validation multi-participants changerait complètement la portée du papier. Plus largement, la conférence ACII (Affective Computing and Intelligent Interaction) prévue à l'automne 2025 sera un bon baromètre de là où en est le domaine du suivi passif des états émotionnels.

• INSERM — Dossier complet sur la dépression
• Wikipedia FR — Polysomnographie (pour aller plus loin sur le sommeil)
• OMS — Fiche de référence sur la dépression