Apprentissage profond pour détecter la dépression chez des personnes avec ou sans alexithymie

Pourquoi parler de ses émotions peut être si difficile

Beaucoup de personnes vivent avec la dépression, et nos principaux outils pour la repérer reposent encore sur des questionnaires où chacun doit dire comment il se sent. Mais que se passe-t-il quand une personne a du mal à comprendre ou à décrire ses propres émotions ? Cette étude s’intéresse à un groupe de personnes présentant un trait appelé alexithymie — difficulté à reconnaître et à mettre des mots sur les émotions — et se demande si l’intelligence artificielle (IA) peut aider les médecins à détecter la dépression avec plus de précision dans ces cas.

Quand les auto-tests montrent leurs limites

Les outils de dépistage standard de la dépression, comme les listes de contrôle courtes que les patients remplissent en clinique ou en ligne, sont rapides et pratiques. Cependant, ils partent du principe que les gens peuvent repérer et rapporter leur tristesse, leur perte d’intérêt ou leur inquiétude avec une certaine exactitude. Pour les personnes atteintes d’alexithymie, cette hypothèse se révèle souvent fausse. Elles peuvent se sentir mal sans pouvoir facilement nommer leurs émotions, et sous-déclarer ainsi leur souffrance sur les auto-questionnaires, même lorsqu’elles sont réellement dépressives. Les chercheurs ont constaté que l’alexithymie n’est pas rare — elle touche près d’une personne sur dix — et que des niveaux plus élevés d’alexithymie étaient liés, de manière générale, à une dépression plus sévère.

Laisser les ordinateurs écouter la conversation

Plutôt que de se fier uniquement aux formulaires, l’équipe s’est tournée vers les mots prononcés lors d’entretiens cliniques. Près de 300 adultes cantonais, comprenant des patients atteints de trouble dépressif majeur et des volontaires de la communauté, ont participé à des entretiens structurés avec un psychiatre utilisant une échelle standard d’évaluation de la dépression. Ces entretiens ont été retranscrits en texte. Les chercheurs ont ensuite entraîné huit grands modèles de langage — des systèmes d’IA avancés qui analysent du texte — à décider si chaque personne était dépressive, en prenant le jugement du psychiatre comme référence. Les modèles n’ont pas vu les scores des questionnaires ; ils ont appris directement à partir de la manière dont les personnes parlaient de leur sommeil, de leur énergie, de leur vie quotidienne et de leur humeur.

IA contre la case à cocher

L’étude a comparé la capacité des modèles d’IA et d’une échelle d’auto-évaluation largement utilisée, la sous-échelle Dépression de l’Hospital Anxiety and Depression Scale (HADS-D), à identifier la dépression. Sur l’ensemble des participants, quatre des huit modèles d’IA ont nettement dépassé l’échelle d’auto-évaluation. Lorsque l’équipe s’est focalisée sur les personnes présentant une alexithymie, le contraste fut saisissant : la précision de l’échelle d’auto-évaluation est tombée au niveau d’une mauvaise estimation, tandis que les modèles d’IA sont restés performants, affichant des performances allant de bonnes à excellentes. Fait important, les systèmes d’IA fonctionnaient tout aussi bien que les personnes aient une absence d’alexithymie, une alexithymie possible ou une alexithymie nette, ce qui suggère que les difficultés à décrire les émotions ne perturbaient pas ces modèles.

Pourquoi l’IA reste stable quand les mots font défaut

Pourquoi les ordinateurs réussissent-ils là où les listes échouent ? Les auteurs avancent que le langage parlé lors d’un entretien contient de nombreuses indices subtiles — choix de mots, niveau de détail, schémas d’hésitation — qui reflètent l’état intérieur d’une personne, même lorsqu’elle ne peut pas nommer ses émotions. Les grands modèles de langage sont conçus pour repérer de tels motifs sur de longues portions de texte. En revanche, les échelles d’auto-évaluation proposent un ensemble fixe de questions brèves se focalisant principalement sur pensées et sentiments ; elles laissent peu de marge pour les personnes qui ne savent pas comment s’évaluer. Les résultats suggèrent que des outils IA, lorsqu’ils sont conçus et testés avec soin, pourraient servir d’assistants puissants aux cliniciens, notamment dans des contextes où le temps des spécialistes est limité et les listes d’attente longues.

Ce que cela implique pour les soins futurs

Pour un non-spécialiste, le message clé est simple : certaines personnes sont moins capables de décrire ce qu’elles ressentent, et pour elles, les questionnaires standard de dépression peuvent manquer des problèmes importants. Cette étude montre que des systèmes d’IA qui analysent ce que disent les patients lors d’un entretien peuvent souvent détecter la dépression plus fiablement que les formulaires d’auto-évaluation, et qu’ils conservent leur précision même en présence d’alexithymie. Bien que l’IA ne remplace pas les cliniciens humains, elle pourrait aider à repérer plus tôt les personnes à risque et orienter des soins plus personnalisés. Les auteurs suggèrent que des approches similaires pourraient un jour améliorer la détection d’autres troubles mentaux, nous rapprochant d’évaluations de santé mentale mieux adaptées à chaque personne, au lieu d’imposer à chacun de se conformer au même formulaire.

Citation: Lam, C., Xian, L., Huang, R. et al. Deep learning for detecting depression in individuals with and without alexithymia. Commun Med 6, 123 (2026). https://doi.org/10.1038/s43856-026-01393-0

Mots-clés: détection de la dépression, alexithymie, intelligence artificielle, entretiens cliniques, dépistage en santé mentale