L'intelligence artificielle dans la santé mentale désigne l'utilisation de technologies computationnelles et d'algorithmes d'intelligence artificielle (IA) pour soutenir la prévention, la compréhension, le diagnostic et le traitement de troubles psychiques, améliorer l'analyse des dossiers médicaux électroniques, élaborer des plans de traitement personnalisés et améliorer la prévention du suicide. Dans ce domaine, celui de la santé numérique, l'IA est considérée comme un atout émergent, susceptible d'améliorer l'accessibilité, la précision et la personnalisation de la prévention, des diagnostics et des interventions, dans un contexte de prévalence croissante des problèmes de santé mentale, tout en diminuant la stigmatisation et la gravité des troubles mentaux à échelle mondiale (par exemple la dépression, qui touche des millions de personnes chaque année). Des entreprises privées proposent des « thérapeutes virtuels » capables de délivrer des thérapies cognitivo‑comportementales, mais l'intégration de l'IA dans la santé mentale reste limitée par des défis méthodologiques et éthiques, notamment liés à la protection de données médicales et à la diversité des corpus d'entraînement..

Contexte Les troubles mentaux et addictifs pèsent sur les systèmes de santé dans le monde au début du siècle (affectant plus d'un milliard de personnes en 2016), avec une prévalence presque égale entre les sexes.. En 2019, une personne sur huit, soit 970 millions de personnes dans le monde, souffrait d'un trouble mental les (troubles anxieux et dépressifs étant les plus fréquents)..

Dans les années 2020, la prévalence des troubles anxieux et dépressifs est en hausse, et ce, depuis bien avant la pandémie de Covid-19 (qui a cependant aggravé ce phénomène). : environ 4,05 % de la population mondiale souffre d'un trouble anxieux handicapant (soit 301 millions de personnes), avec un nombre de personnes touchées en hausse de plus de 55 % de 1990 à 2019. Selon les données disponibles en 2023, le Portugal serait le plus touché ( cas pour habitants), devant le Brésil, l'Iran et la Nouvelle-Zélande, la prévalence étant plus élevée dans les régions à revenu élevé et touchant plus les femmes (1,66 fois plus que les hommes). Par contre, les taux standardisés par âge sont relativement stables, évoquant une stabilité possible des facteurs de risque..

L'utilisation de l'IA en santé mentale vise à soutenir des interventions adaptées face à ce défi mondial, dans un contexte de pénurie de professionnels, exacerbée par les conditions de travail difficiles dans le secteur de la santé, qui contribuent à l'épuisement professionnel et aux problèmes de santé mentale chez les soignants eux-mêmes, incitant nombre d'entre eux à quitter la profession, ce qui aggrave la pénurie de personnel. : en 2024, l'Organisation mondiale de la santé estime que les pays pauvres ne disposent en moyenne que de deux professionnels de la santé mentale pour habitants, privant d'accès aux soins plusieurs milliards de personnes., ce qui appelle à urgemment développer des stratégies abordables et efficaces pour promouvoir, protéger et rétablir la santé mentale.. La psychiatrie est une discipline complexe, où des diagnostics erronés, l'errance diagnostique et l'inefficacité de certains traitements touchent de nombreux patients.

Dans les années 2020, le marché mondial de l'IA au service de la santé mentale s'expanse, avec des projections de valeurs qui pourraient passer de 0,92 milliard de dollars américains en 2023 à 14,89 milliards de dollars américains d'ici 2033, en raison notamment de la demande croissante en solutions numériques susceptibles de pallier la pénurie de professionnels et d'améliorer l'accès aux soins...

Approches pilotées par l'IA Plusieurs technologies d'IA permettent déjà une détection précoce de nombreux troubles mentaux, des recommandations de traitement personnalisées et un suivi en temps réel du bien-être des patients. Elles s'appuient sur l'apprentissage automatique, le traitement automatique des langues, l'apprentissage profond, la vision par ordinateur, les modèles linguistiques et l'IA générative.

Apprentissage automatique L'apprentissage automatique permet aux ordinateurs d'identifier des tendances dans de vastes ensembles de données et d'effectuer des prédictions à partir de ces tendances. Contrairement à la recherche médicale traditionnelle (qui part d'une hypothèse), les modèles d'apprentissage automatique analysent le big data des données existantes pour détecter des corrélations et développer des algorithmes prédictifs. En psychiatrie, cet usage est cependant limitée par la disponibilité et la qualité des données et en raison du fait que de nombreux diagnostics reposent sur des évaluations subjectives, des entretiens et des observations comportementales, qui rendent difficile la collecte de données structurées. Certains chercheurs ont appliqué l'apprentissage par transfert, une technique qui adapte les modèles d'apprentissage automatique entraînés dans d'autres domaines, afin de surmonter ces difficultés dans le domaine de la santé mentale..

Apprentissage profond L'apprentissage profond, une branche de l'apprentissage automatique, utilise des réseaux neuronaux composés de nombreuses couches de neurones, capables de comprendre des schémas complexes, à l'instar du cerveau humain. Il est très utile pour identifier des schémas subtils dans la parole, l'imagerie et les données physiologiques.. Il est utilisé en recherche en neuro-imagerie, notamment pour identifier des anomalies cérébrales associées à des pathologies telles que la schizophrénie, la dépression et le syndrome de stress post-traumatique (SSPT)..

Mais pour être efficace, il nécessite des ensembles massifs de données structurées de haute qualité, ce qui est un défi dans le domaine de la santé mentale en raison notamment de la confidentialité associée aux données de santé (qui restreint l'accès aux dossiers médicaux). De plus, les premiers de ces modèles d'apprentissage profond fonctionnent comme des « boîtes noires », c'est-à-dire avec des processus internes de décision difficilement interprétables par les cliniciens, soulevant des questions de transparence et de confiance clinique..

Traitement automatique des langues Le traitement automatique des langues (TAL) permet aux systèmes d'IA de mieux en mieux analyser et interpréter le langage humain (parole, texte, rythme et le ton de la voix et autres signaux non verbaux). En santé mentale, le TAL permet d'extraire des informations pertinentes des conversations, des notes cliniques et des symptômes rapportés par les patients. Le TAL peut aider à évaluer les sentiments, les schémas de parole et les indices linguistiques et à détecter les indices de détresse psychologique. Ceci est crucial car de nombreux diagnostics et troubles mentaux du DSM-5 sont établis par l'analyse de la parole lors des entretiens médecin-patient, en exploitant la capacité du clinicien à reconnaître les schémas comportementaux et à les traduire en informations médicalement pertinentes, documentées et utilisées pour le diagnostic. À mesure que la recherche progresse, les modèles de TAL doivent prendre en compte les questions éthiques liées à la confidentialité des données des patients, au consentement et aux biais potentiels d'interprétation du langage..

Les progrès du traitement automatique des langues, avec notamment l'analyse de sentiments, permettent d'identifier les nuances de ton et de voix afin de détecter l'anxiété et la dépression. « Woebot » utilise l'analyse des sentiments pour examiner et détecter les schémas de dépression ou de désespoir et suggère une aide professionnelle aux patients. De même, « Cogito », une plateforme d'intelligence artificielle, utilise l'analyse vocale pour repérer les variations de hauteur et d'intensité et ainsi identifier les symptômes de dépression ou d'anxiété. L'application du TAL peut contribuer à un diagnostic précoce et à l'amélioration des stratégies de traitement...

Vision par ordinateur La vision par ordinateur permet à l'IA d'analyser des données visuelles, y compris les expressions faciales, le langage corporel et les micro-expressions, afin d'évaluer les états émotionnels et psychologiques. Cette technologie est de plus en plus utilisée en recherche en santé mentale pour détecter les signes de dépression, d'anxiété et de stress post-traumatique grâce à l'analyse faciale.. Des progrès importants sont faits dans l'analyse de la communication non verbale ( hésitations, changements de contact visuel, nuances de couleur de peau ou du tonus musculaire…), pouvant être corrélés à une surcharge ou détresse émotionnelle, de la colère

Malgré son potentiel, utiliser la vision par ordinateur, en santé mentale, soulève des questions éthiques et de précision. Par exemple, les algorithmes de reconnaissance faciale peuvent révéler des émotions que le patient ne souhaite pas communiquer, et/ou être influencés par des biais culturels et raciaux pouvant entraîner des interprétations erronées d'expressions émotionnelles.. Le consentement éclairé et la confidentialité des données médicales doivent être pris en compte avant toute utilisation clinique.

LLMs et IA générative L'introduction de chatbots basés sur des grands modèles de langage (LLM de l'anglais Large Language Model) tels que ChatGPT et Gemini, Claude, a rapidement engendré de nombreux usages. Les LLM ont été entraînés sur une grande quantité de données, ce qui leur permet d'imiter l'empathie et divers comportements humains. Inversement, les chatbots alimentés par des données préprogrammées donnent l'impression d'un manque d'empathie envers les patients.

Les LLM se montrent utiles pour les personnes qui hésitent à demander de l'aide ou qui n'ont pas accès aux soins., mais ils peuvent aussi être sujets à des hallucinations et donner des conseils médicaux erronés, potentiellement dangereux. Des LLM ont déjà été pris en défaut de capacité à montrer des formes de compassion et d'empathie adéquates à l'âge et à l'état mental de leur interlocuteur, notamment dans les situations à risque de suicidalité.

Applications

Diagnostic L'IA, grâce au traitement automatique des langues et à l'apprentissage automatique, peut contribuer au diagnostic des troubles mentaux et neurologiques. Elle permet de différencier des troubles très similaires en fonction de leur présentation initiale, permettant alors d'instaurer un traitement précoce avant que la maladie ne progresse. Par exemple, elle pourrait distinguer la dépression unipolaire de la dépression bipolaire en analysant l'imagerie médicale. L'IA peut aussi identifier de nouvelles maladies, passées inaperçues en raison de l'hétérogénéité des manifestations d'un même trouble. Pour les neuroatypies et des états psychiques (dépression par exemple) pouvant se manifester sous différentes formes et par divers comportements, l'IA peut analyser la variabilité des données d'expression humaine et potentiellement identifier différents types de dépression.

Une start-up française, Callyope, développe un outil basé sur l'intelligence artificielle et l'analyse vocale pour aider les psychiatres à détecter les risques de rechute chez leurs patients atteints de troubles mentaux comme la schizophrénie, la dépression ou Alzheimer. La plateforme utilise un modèle d'IA générative capable d'évaluer des symptômes spécifiques dans plusieurs pathologies. Le marquage CE est prévu pour fin .

Pronostic