Votre téléphone sait quand vous allez mal. Et ensuite ?

Un agent IA lit votre téléphone pour anticiper vos moments de détresse

Les survivants du cancer n'écrivent pas dans leur journal de bord précisément aux moments où ils en auraient le plus besoin.

Cette équipe de chercheurs a un nom pour ce phénomène : le « diary paradox ». Les outils de suivi en santé mentale reposent sur l'auto-déclaration — la personne signale qu'elle va mal. Sauf que quand on va vraiment mal, on n'écrit rien, on n'appuie sur aucun bouton. Leur réponse s'appelle PULSE. Au lieu d'attendre que quelqu'un formule sa détresse, le système lit en continu les capteurs passifs du smartphone — déplacements GPS, utilisation de l'écran, qualité du sommeil, échanges sociaux. Un agent IA, équipé de huit outils spécialisés, interroge ces données comme un enquêteur : cette personne sort-elle moins que d'habitude ? Dort-elle différemment ? Envoie-t-elle moins de messages ? Pensez à un ami proche qui remarque que vous n'avez plus répondu à ses messages depuis dix jours — avant même que vous réalisiez vous-même que quelque chose ne va pas. L'agent compare chaque signal à votre baseline personnelle, pas à la moyenne de la population. Résultat : une précision de 0,743 sur la prédiction du moment où quelqu'un souhaite être aidé, contre 0,52 à 0,60 pour les modèles traditionnels référencés dans la littérature. Ce qui est notable, c'est moins le chiffre que l'architecture : l'agent raisonne activement, enchaîne des questions, construit une hypothèse. Il ne lit pas un indicateur — il enquête. Le hic, et il est sérieux : l'étude porte sur 50 survivants du cancer dans un cadre expérimental. Cinquante personnes, c'est très peu. Rien ne dit que ça tient à grande échelle ou dans d'autres populations. Et surveiller le téléphone de quelqu'un en permanence soulève des questions de consentement éclairé qui n'ont pas de réponse simple.

Comment analyser la voix sans révéler votre âge ni votre genre

Votre voix permet à un algorithme de deviner votre genre avec 92,6 % de précision — même quand vous ne lui avez rien demandé.

C'est le problème de fond de toute application qui analyse la parole pour détecter un trouble psychologique : vous donnez votre consentement pour une chose, mais les données que vous transmettez révèlent bien plus. L'enregistrement de voix capte simultanément des marqueurs de santé mentale et des informations démographiques — genre, âge, peut-être l'origine — que vous n'avez pas choisies de partager. L'équipe derrière InfoShield a développé un filtre. L'idée est assez élégante : transformer la représentation numérique de votre voix pour brouiller délibérément l'information démographique, tout en préservant ce qui est utile au diagnostic. Imaginez un logiciel de retouche photo qui floute un visage pour anonymiser une image sans toucher au reste de la scène. InfoShield fait quelque chose d'analogue avec les signaux vocaux. Résultat : la précision de détection du genre tombe de 92,6 % à 55,5 % — soit quasi aléatoire pour un choix binaire. Celle de l'âge passe de 55,7 % à 30,3 %. Et la détection de la dépression ? Elle perd seulement 6 points, pour atterrir à un F1 de 0,784 — au-dessus du meilleur résultat publié jusqu'ici sur ces données (0,723). Le hic : l'évaluation repose sur un seul corpus, l'Androids Corpus, dont la taille exacte n'est pas précisée dans l'article. On ne sait pas encore si le système tient face à d'autres langues, d'autres accents, d'autres conditions d'enregistrement. Et la prémisse entière — détecter la dépression à la voix — reste une question ouverte en clinique. Ce papier résout un problème de vie privée dans un cadre qui, lui-même, n'est pas encore validé à grande échelle.

Les IA ratent la dépression quand la personne dit qu'elle gère

Les symptômes sont là, noir sur blanc dans la transcription — et l'IA conclut quand même qu'il n'y a pas de trouble anxieux, parce que la personne a dit qu'elle « s'en sort ».

Une équipe de chercheurs a soumis 555 entretiens semi-structurés — du vrai matériel clinique, ancré sur les critères diagnostiques du SCID — à cinq grands modèles de langage : LLaMA 3, DeepSeek, GPT-4o Mini, GPT-4.1 Mini et GPT-5 Mini. La mission : dépister l'anxiété, la dépression, le PTSD. Les résultats sont mitigés, pour être honnête. La précision varie de 0,49 à 0,86 selon le modèle et le trouble. Les meilleurs coefficients de corrélation restent modestes — entre 0,16 et 0,38. Mais ce qui est vraiment intéressant, ce sont les faux négatifs : les cas que l'IA rate. Quand un modèle manque une dépression réelle, ce n'est souvent pas parce que les symptômes sont absents. C'est parce qu'ils coexistent avec des signaux de résilience — la personne a un réseau social, elle fonctionne, elle cope. L'IA lit ces éléments protecteurs comme des arguments contre le diagnostic. C'est un peu comme un médecin qui ne délivrerait une ordonnance que si le patient s'effondre en salle d'attente. La dépression peut très bien coexister avec une vie fonctionnelle. C'est précisément là qu'un outil de dépistage devrait être vigilant, pas rassuré. Le hic, et il est majeur : ces systèmes ne sont pas entraînés pour le diagnostic clinique, et l'utiliser sans supervision humaine serait dangereux. Ce que cette étude nous offre, c'est surtout une cartographie de comment ces modèles échouent — ce qui est déjà utile pour ne pas les déployer à l'aveugle.

Ces trois papiers parlent du même problème sous trois angles différents, et c'est la combinaison qui est instructive. PULSE dit : on peut détecter le besoin d'aide sans attendre que la personne le formule — le téléphone voit ce que la personne ne dit pas. InfoShield répond : mais si on collecte de la donnée vocale ou comportementale, on collecte aussi des informations qu'on n'a pas demandées, et ça demande une ingénierie active pour protéger la vie privée. Et l'étude sur les LLMs ajoute : et même quand on a la donnée et l'outil, le modèle peut rater l'essentiel parce qu'il interprète la résilience comme une absence de maladie. Ce qui me frappe, c'est que les trois obstacles ne sont pas fondamentalement techniques. Les algorithmes progressent vite. Ce qui manque, c'est la doctrine : quand utiliser ces outils, sur qui, avec quel consentement, dans quel cadre clinique, et avec quel filet de sécurité humain. Ce sont des questions auxquelles les ingénieurs ne peuvent pas répondre seuls.

L'équipe de PULSE a indiqué vouloir étendre l'évaluation à d'autres populations au-delà des survivants du cancer — à suivre dans les prochains mois. Plus largement, l'EMA et la FDA travaillent activement sur des cadres réglementaires pour les dispositifs médicaux basés sur l'IA en santé mentale : des publications de guidance sont attendues d'ici fin 2026. La question ouverte que j'aimerais voir répondue : est-ce qu'un système comme InfoShield tient face à des voix dans d'autres langues ou avec des accents marqués — autrement dit, la protection de la vie privée est-elle équitable pour tous les locuteurs ?

• INSERM — Dossier dépression : causes, symptômes, traitements
• Wikipedia — Digital phenotyping (empreinte numérique comportementale)