L'IA détecte la dépression, mais rate ceux qui tiennent bon

Une IA prédit l'anxiété même sur des données qu'elle n'a jamais vues

Votre téléphone mesure votre sommeil, vos pas, vos heures d'écran — mais un modèle entraîné sur des étudiants californiens se plante en général quand on le teste sur des patients japonais.

Le problème de fond dans la détection numérique de la santé mentale, c'est la généralisation. Les corps, les habitudes, les rythmes de vie varient tellement d'une population à l'autre qu'un modèle entraîné sur une cohorte académique s'effondre souvent dès qu'on change de contexte. C'est comme apprendre à faire une sauce béchamel avec une marque de beurre précise, puis échouer avec n'importe quelle autre. Une équipe a proposé TimeSRL, un système en deux étapes pour contourner ça. Première étape : un grand modèle de langage — pensez à un moteur similaire à ChatGPT, mais orienté analyse de données — traduit les séries de chiffres bruts (pas mesurés à 14h23, fréquence cardiaque nocturne, durée d'écran) en descriptions en langage naturel. Quelque chose comme : « cette personne a eu des nuits courtes et peu d'activité physique cette semaine. » Deuxième étape : un second modèle prédit le niveau d'anxiété à partir de cette description-texte uniquement, sans voir les chiffres bruts. Ce passage par le langage, c'est le pari central. En traduisant les données numériques en prose, on perd une partie de la précision, mais on gagne en portabilité. Et ça marche : sur des cohortes que le modèle n'a jamais vues lors de l'entraînement, TimeSRL réduit l'erreur de prédiction de l'anxiété de 3 à 10 % par rapport aux meilleures méthodes alternatives classiques, et de 9 à 44 % par rapport aux autres approches LLM. Les résultats sont statistiquement significatifs (p < 0,05 dans le pire des cas). Le hic ? Ces prédictions portent sur des scores d'échelles standardisées comme le PHQ-4 — un questionnaire en quatre questions sur l'anxiété et la dépression — pas sur des diagnostics cliniques. Et les jeux de données restent académiques, petits, et relativement propres. La route vers un vrai outil clinique déployable est encore longue.

Les LLM ratent les patients anxieux qui s'en sortent quand même

Imaginez décrire à votre médecin que vous dormez mal et que vous vous sentez submergé — mais qu'il passe à côté parce que vous avez mentionné que vous avez de bons amis.

Une équipe a soumis cinq grands modèles de langage — dont GPT-4.1 Mini, GPT-5 Mini, LLaMA 3 et DeepSeek — à 555 entretiens psychiatriques standardisés : de vraies transcriptions d'entretiens cliniques, encodées selon les critères officiels du SCID, le guide de référence pour le diagnostic psychiatrique. La mission : détecter anxiété, dépression, PTSD, ou n'importe quel trouble mental en mode zéro-shot, c'est-à-dire sans entraînement spécifique préalable. Les performances globales sont... correctes mais pas rassurantes. La précision varie de 0,49 à 0,86 selon le modèle et le trouble. Le coefficient de corrélation de Matthews — une mesure qui pénalise à la fois les faux positifs et les faux négatifs — oscille entre 0,16 et 0,38. Techniquement, ce n'est pas nul. Cliniquement, ce n'est pas suffisant. Mais ce qui est vraiment instructif, c'est la géographie des erreurs. Les chercheurs ont regardé de près les cas où l'IA dit « pas de trouble » alors qu'il y en a un. Ces faux négatifs ne sont pas aléatoires : ils surviennent souvent quand le patient décrit des symptômes d'anxiété ou de PTSD, mais mentionne aussi qu'il cope bien, qu'il a un réseau social, que sa vie fonctionne à peu près. Le modèle interprète ces signaux protecteurs comme un argument contre le diagnostic. Exactement comme certains cliniciens pressés peuvent le faire. Le problème, c'est qu'avoir des ressources ne signifie pas ne pas souffrir. Un parent épuisé qui « s'en sort quand même » peut avoir tout autant besoin d'aide. Autre hic non négligeable : les performances variaient selon le genre — la dépression était mieux détectée chez les hommes que chez les femmes. Ce type de biais systématique est précisément ce qu'on ne veut pas dans un outil de screening à grande échelle.

Détecter la dépression dans la voix sans révéler votre âge ni votre genre

Votre voix peut trahir votre dépression — mais aussi votre âge, votre genre, et bien d'autres choses que vous n'avez peut-être pas envie de confier à un algorithme.

Des chercheurs savent depuis des années que la voix contient des indices sur l'état dépressif : le rythme, les micro-variations de hauteur qu'on appelle jitter et shimmer, la fluidité du débit. Mais votre voix, c'est aussi un document d'identité involontaire. Elle révèle votre genre avec une précision de 92 % pour un système automatique, et votre âge approximatif à 55 %. Si un outil de santé mentale analyse votre voix, que fait-il avec tout ce qu'il capte en dehors de sa mission ? Une équipe a développé InfoShield pour répondre à cette question. L'idée centrale : apprendre au système à « oublier » les informations démographiques tout en conservant les indices liés à la dépression. C'est un peu comme extraire le parfum d'un plat sans en conserver la couleur ni la texture — techniquement difficile, mais réalisable. La méthode passe par une technique qui minimise mathématiquement la quantité d'information partagée entre la représentation audio et les attributs sensibles, tout en optimisant la détection de la dépression. Résultat : la précision du système qui devinerait votre genre depuis votre voix tombe de 92,6 % à 55,5 % — quasiment le niveau du hasard pour deux catégories. Celle qui devinerait votre âge tombe de 55,7 % à 30,3 %. Et la détection de la dépression ? Elle s'améliore légèrement, passant d'un F1 de 0,723 à 0,784. Le hic est double. D'abord, tout a été testé sur un seul corpus, l'Androids Corpus. Les résultats sur d'autres populations et d'autres conditions d'enregistrement restent à démontrer. Ensuite — et c'est important — « genre réduit à 55,5 % » ne signifie pas que l'information est entièrement effacée : elle est juste rendue moins exploitable. La vie privée absolue n'existe pas.

Ces trois papiers ne se lisent pas séparément. TimeSRL montre qu'un verrou concret commence à céder : on peut entraîner un modèle sur une population et le faire fonctionner sur une autre sans tout recommencer. C'est un vrai pas en avant. Mais l'étude sur les LLMs en screening psychiatrique nous ramène immédiatement les pieds sur terre : généraliser ne suffit pas si les erreurs sont systématiquement orientées vers certains profils de patients — ceux qui « s'en sortent », les femmes, les personnes dont le contexte de vie est présenté comme protecteur. Et InfoShield soulève la question qui vient naturellement après : même quand les outils fonctionnent, sommes-nous prêts à gérer ce qu'ils captent au-delà de leur mission ? Ce que ces trois travaux disent collectivement, c'est que la recherche en santé mentale numérique entre dans une phase plus sérieuse. Les problèmes techniques commencent à être adressés. Les problèmes éthiques et les biais, eux, commencent tout juste à être mesurés — ce qui est, en soi, une forme de progrès.

La question ouverte la plus urgente, à mon sens, est celle-ci : est-ce que les performances de ces modèles tiennent quand les patients ne savent pas qu'ils sont évalués ? Tous les jeux de données utilisés ici sont des contextes consentis et contrôlés. Les essais cliniques en conditions réelles, sur des populations non-académiques et en dehors des labos, sont le prochain test sérieux. Si vous suivez le domaine, gardez un œil sur les publications issues des essais de santé numérique en milieu hospitalier — notamment en Europe, où les contraintes RGPD poussent exactement ce genre de travaux sur la vie privée.

• Wikipedia FR — PHQ-9, le questionnaire de référence pour la dépression
• Wikipedia EN — Large language models (pour aller plus loin sur les LLMs)
• INSERM — Dossier santé mentale