IA et neurosciences au service de la santé mentale

La neuropsychiatrie vise à comprendre et à traiter les troubles mentaux en articulant neurosciences et pratique clinique. L’essor des approches computationnelles a introduit des outils capables de traiter des volumes de données d’une ampleur et d’une complexité inédites. L’IA regroupe les méthodes permettant à un système informatique d’accomplir des tâches habituellement réservées aux capacités cognitives humaines, telles que la détection de schémas, l’apprentissage à partir de données ou la prise de décision. Ces schémas peuvent concerner des relations entre données cliniques, biologiques, d’imagerie ou comportementales, afin de mieux comprendre un trouble et orienter la stratégie thérapeutique.
L’apprentissage automatique (machine learning) occupe une place centrale. Il repose sur des algorithmes capables d’améliorer leurs performances à mesure qu’ils analysent de nouvelles données, par exemple pour estimer le risque de rechute dépressive. Le deep learning mobilise des réseaux de neurones multicouches particulièrement efficaces pour analyser des IRM cérébrales ou des enregistrements électroencéphalographiques. D’autres approches complètent ces techniques : le traitement automatique du langage naturel (TALN) pour analyser la parole et les écrits ; l’analyse de réseaux (network analysis), qui estime et représente les associations directes entre symptômes ou variables cliniques, offrant une cartographie des liens potentiels à explorer ; et la modélisation bayésienne, qui ajuste les estimations diagnostiques à mesure que de nouvelles données sont intégrées, reproduisant un raisonnement clinique évolutif¹, ².
En combinant ces approches, l’IA ne se limite pas à ajouter des outils diagnostiques : elle permet une lecture plus dynamique et intégrée des troubles mentaux, ouvrant la voie à des interventions plus précises et potentiellement plus efficaces.
Une revue exploratoire récente consacrée à l’enseignement en psychiatrie et en psychologie a analysé dix études internationales et identifié huit grandes catégories d’applications : aide à la décision clinique, création de contenu éducatif, outils thérapeutiques et suivi de la santé mentale, assistance administrative et à la recherche, traitement du langage naturel, élaboration de politiques, soutien aux étudiants et développement professionnel³. Ce cadre offre une vision structurée pour intégrer l’IA, de la formation théorique au développement des compétences cliniques et à la prise en charge.

Promesses concrètes

En neuropsychiatrie, l’IA renforce l’efficacité des soins par trois leviers : améliorer la précision diagnostique, anticiper l’évolution des troubles et personnaliser les traitements. Sa capacité à traiter des volumes massifs de données met en évidence des tendances souvent imperceptibles pour les cliniciens ⁴.
Sur le versant neurologique, elle exploite les données cérébrales et neurobiologiques pour affiner le diagnostic et personnaliser la prise en charge. En neuro-imagerie, le deep learning appliqué à l’IRM structurelle distingue avec précision les patients atteints de schizophrénie de sujets sains, en identifiant des altérations clés dans les structures sous-corticales et ventriculaires⁵. L’intégration multimodale de données d’IRM fonctionnelle et structurelle améliore encore la performance diagnostique dans la psychose⁶.
Sur le plan psychiatrique, des modèles prédictifs identifient déjà les risques d’épisodes dépressifs ou de rechutes dans la schizophrénie et le trouble bipolaire, en combinant données cliniques, physiologiques et comportementales⁷. Des travaux montrent que certains modèles peuvent aussi prédire l’évolution des troubles psychotiques et la réponse aux traitements⁸. Dans le champ de la pédopsychiatrie, l’IA pourrait devenir un outil d’aide au dépistage précoce et à l’orientation thérapeutique, notamment grâce aux méthodes bayésiennes et aux modèles prédictifs⁹.
Sur le plan clinique, l’IA contribue à une psychiatrie de précision, adaptant les traitements à des profils biomédicaux détaillés. En mobilisant données biologiques, imagerie cérébrale, mesures comportementales et historique clinique, elle permet de cibler les interventions et d’en optimiser l’efficacité¹⁰. Par ailleurs, l’IA ouvre de nouvelles perspectives en psychiatrie pour la génération d’hypothèses et soutient le raisonnement clinique grâce à deux approches complémentaires. D’abord, la classification affine les diagnostics et les décisions à partir de données multimodales. Ensuite, les réseaux bayésiens jouent un rôle moteur dans la génération de nouvelles hypothèses, y compris d’hypothèses potentiellement novatrices. En effet, ceux-ci permettent d’explorer la complexité des données et de suggérer des relations ou directions causales potentielles, ouvrant la voie à des études confirmatoires mieux ciblées¹¹. De même, l’analyse de réseaux en psychopathologie fournit des outils puissants pour représenter les interactions entre symptômes, variables cliniques et facteurs contextuels, et pour orienter la formulation d’hypothèses, y compris à partir de données transversales¹².
Le phénotypage digital ouvre quant à lui la voie à un suivi en temps réel et à des interventions précoces. Il consiste à recueillir en continu des données comportementales et physiologiques via des smartphones et des capteurs en combinant collecte passive de données (sommeil, activité physique, localisation, interactions sociales et temps d’écran) et mesures actives régulières telles que des questionnaires brefs¹³. Des chercheurs ont montré la faisabilité et l’acceptabilité de ces dispositifs par les étudiants, y compris en contexte de perturbation comme la pandémie de covid-19¹⁴. Les flux les plus informatifs concernaient le sommeil, l’activité physique et les interactions sociales, trois dimensions clés de la santé mentale, dont le suivi longitudinal permet d’envisager des interventions personnalisées¹⁵.
Enfin, l’IA optimise l’organisation du travail médical, en automatisant des tâches administratives et répétitives et en libérant du temps pour la relation thérapeutique ¹⁶.

Défis à relever

La mise en place d’outils basés sur l’IA ne doit pas se limiter à une optimisation technique. Elle doit s’accompagner d’une réflexion interdisciplinaire sur ses impacts humains et sociétaux¹⁷. L’adoption de l’IA en neuropsychiatrie ne repose pas uniquement sur la performance des algorithmes : elle dépend aussi de la capacité des professionnels de santé à se les approprier. Comprendre le fonctionnement, les forces et les limites des outils numériques est essentiel pour pouvoir les intégrer avec confiance dans la pratique clinique.
Les facilitateurs de l’adoption de l’IA en psychiatrie (et en psychologie) incluent la disponibilité croissante des outils, des attitudes positives, une infrastructure adaptée et des fonctionnalités permettant de gagner du temps. Les principaux obstacles sont la formation limitée, les préoccupations éthiques, le déficit de culture numérique, l’opacité des algorithmes et leur intégration insuffisante dans les curricula¹⁸.
Sur le plan technique et méthodologique, la qualité et la représentativité des données utilisées sont déterminantes : des prédictions fiables exigent des ensembles de données vastes, diversifiés et exempts de biais. En psychiatrie, la variabilité et la subjectivité des mesures cliniques imposent un effort important de standardisation et d’harmonisation. Le manque d’interprétabilité de certains modèles, souvent qualifiés de « boîtes noires », peut freiner la confiance des professionnels et des patients¹⁹.
À cela s’ajoutent des enjeux éthiques, tels que la protection des données, la transparence des algorithmes et la réduction des biais potentiels. Le phénotypage digital, bien qu’il offre un suivi inédit grâce à la collecte continue de données comportementales et physiologiques, soulève par exemple des questions majeures de confidentialité, de sécurité des données et d’acceptabilité pour les patients. Son développement se heurte d’ailleurs à plusieurs obstacles : forte hétérogénéité des méthodes, petites tailles d’échantillon et absence de standards pour la collecte et l’analyse des données ²⁰. L’adhésion des utilisateurs est globalement bonne pour certaines données passives (activité, localisation), mais diminue face à des mesures jugées intrusives, comme l’enregistrement des frappes clavier ou l’accès aux messageries. L’intégration de l’IA dans la pratique neuropsychiatrique nécessite ainsi un cadre éthique robuste et une protection stricte des données cliniques. De plus, pour une application rigoureuse, l’IA doit demeurer un outil d’aide à la décision clinique, et non se substituer au jugement humain ²¹. En effet, la valeur ajoutée de l’IA réside dans sa capacité à traiter des volumes massifs de données, tout en laissant à l’humain le soin d’interpréter et de prendre les décisions finales. L’IA peut ainsi être envisagée comme prolongement du regard clinique, et non comme un remplacement de celui-ci.
Finalement, un consensus émerge sur la nécessité de politiques institutionnelles claires et d’une collaboration interdisciplinaire entre cliniciens, chercheurs, ingénieurs et décideurs pour encadrer une utilisation sûre et équitable.

Former et accompagner

L’appropriation des outils d’intelligence artificielle en neuropsychiatrie repose en grande partie sur la formation des professionnels de santé. Comprendre le fonctionnement des algorithmes, leurs forces et leurs limites, est une condition indispensable pour les intégrer avec discernement dans la pratique clinique. Cependant, malgré l’intérêt croissant pour l’IA, la compréhension globale de son utilisation dans l’enseignement de la santé mentale reste limitée. Le développement de formations centrées sur l’IA dans le contexte de la santé parait pourtant indispensable à son application en milieu médical.
Pour relever ce défi, la Belgique se positionne en pionnière. En plus de proposer un certificat interuniversitaire en intelligence artificielle dans le domaine de la médecine et de la santé digitale, l’UMons propose des cours d’intelligence artificielle appliquée au domaine de la santé en collaboration avec l’alliance EUNICE²²
. Ce partenariat unique permet aux étudiants en sciences biomédicales et en médecine de travailler sur des projets communs avec leurs homologues issus de neuf autres universités européennes. Ce modèle de formation, qui combine enseignement théorique, mise en pratique et réflexion éthique, constitue un levier pour favoriser une adoption éclairée et sécurisée de l’IA dans les parcours de soins. Il illustre la nécessité d’accompagner le développement technologique par un investissement tout aussi ambitieux dans les compétences humaines et les politiques institutionnelles.

Quel avenir pour la collaboration IA-neuropsychiatrie ?

L’IA transformera inévitablement notre pratique. La question est de savoir comment guider cette évolution pour qu’elle serve pleinement le bien-être psychologique et social des patients. L’avenir de la neuropsychiatrie se jouera ainsi dans l’alliance subtile entre intelligence humaine et artificielle, ce qui impliquera une collaboration étroite entre l’humain et l’IA, où la machine soutient le jugement humain. L’intégration de l’IA dans la psychiatrie représente une opportunité pour améliorer le diagnostic, le pronostic et le traitement des troubles mentaux, à condition d’être guidée par une approche éthique et rigoureuse. Pour ce faire, une intégration éthique et progressive, adaptée au niveau de compétence des utilisateurs, soutenue par des initiatives de formation qui permettent aux praticiens de comprendre les principes, les limites et les biais de ces outils, pourrait faire de l’IA un prolongement du regard clinique, capable d’éclairer nos décisions sans en altérer la profondeur humaine²³.
Il s’agira de préserver cet équilibre : mettre la puissance de la machine au service de la décision et la profondeur humaine au cœur du soin.

1. G. Briganti et al., “A tutorial on Bayesian networks for psychopathology researchers”, Psychol Methods, 2023;28(4).
2. G. Briganti et al., “Network analysis: An overview for mental health research”, Int J Methods Psychiatr Res, 2024;33(4).
3. J. Melcherer al., “Digital phenotyping for mental health of college students: a clinical review”, Evid Based Ment Health, 2020;23(4).
4. G. Briganti, “Artificial intelligence in psychiatry”, Psychiatr Danub, 2023;35.
5. MR Arbabshirani et al., “Single subject prediction of brain disorders in neuroimaging: promises and pitfalls”, NeuroImage. 2017;145.
6. G. Briganti, op. cit.
7. ABR Shatte et al., “Machine learning in mental health: a scoping review of methods and applications”, Psych Med, 2019 Jul;49(9).
8. N. Koutsouleris et al., “Prediction models of functional outcomes for individuals in the clinical high‐risk state for psychosis or with recent‐onset depression”, JAMA Psychiatry, 2018;75(5).
9. AC Till et al., “AI in child psychiatry: exploring future tools for the detection and management of mental disorders in children and adolescents”, Psychiatr Danub, 2023;35.
10. D. Bzdok et al., “Machine learning for precision psychiatry: opportunities and challenges”, Biol Psychiatry Cogn Neurosci Neuroimaging, 2018;3(3).
11. G. Briganti, “The potential role of Bayesian networks in mental health care: A narrative review”, Front Psychiatry, 2022;13.
12. G. Briganti et al., “Network analysis: An overview for mental health research”, op. cit.
13. G. Briganti, “Artificial intelligence in psychiatry”, op. cit.
14. J. Melcherer al., op. cit.
15. Ibid.
16. G. Briganti, “Artificial intelligence in psychiatry”, op. cit.
17. Ibid.
18. DB Dwyer et al., “Machine learning approaches for clinical psychology and psychiatry”, Annu Rev Clin Psychol, 2018;14.
19. Ibid.
20. AC Till et al., op. cit.
21. DB Dwyer et al., op. cit.
22. European University for Customised Education, https://eunice-university.eu
23. G. Briganti, “Artificial intelligence in psychiatry”, op. cit.