Une exploration systématique des biomarqueurs numériques pour la détection des épisodes dépressifs dans le trouble bipolaire

Pourquoi votre téléphone et une bague pourraient signaler une rechute

Pour de nombreuses personnes atteintes de trouble bipolaire, les épisodes dépressifs semblent parfois survenir sans prévenir, perturbant le travail, les relations et la vie quotidienne. Cette étude pose une question simple aux implications étendues : les modèles dans les données quotidiennes — provenant d’une bague connectée qui suit l’activité et le sommeil, et de très brèves autoscales quotidiennes d’humeur — peuvent-ils signaler de manière fiable quand une personne est passée d’une phase stable à un épisode dépressif ? Si oui, la technologie que les gens possèdent déjà pourrait aider patients et cliniciens à intervenir plus tôt, bien avant qu’une crise n’impose un traitement.

Suivre la vie réelle sur des mois, pas des minutes

Les chercheurs ont suivi 133 adultes atteints de trouble bipolaire de type I ou II pendant une médiane d’environ huit mois. Les participants ont porté une bague Oura, un dispositif commercial qui enregistre en continu les mouvements et le sommeil, et ont rempli de très brèves évaluations quotidiennes de leur humeur, énergie et anxiété par e‑mail. Une fois par semaine, ils complétaient aussi un questionnaire standard de dépression utilisé en clinique. À partir de ces questionnaires hebdomadaires, l’équipe a repéré les moments où un participant entrait dans un épisode dépressif — défini comme au moins deux semaines consécutives avec des symptômes cliniquement significatifs — et ceux où il se trouvait dans un état stable, ou euthymique. Cela a créé de longs « flux » détaillés de comportements et de ressentis pendant les périodes favorables et difficiles.

Transformer des milliers de points de données en quelques signaux clairs

À partir des données brutes, les scientifiques ont construit 49 variables de base (comme l’activité quotidienne liée aux pas, le temps d’endormissement et la note moyenne d’humeur) à plusieurs échelles temporelles, puis ont extrait sept descripteurs mathématiques décrivant le comportement de chaque variable au fil du temps. Ces descripteurs saisissaient non seulement les niveaux, mais aussi la façon dont une mesure oscillait d’un jour à l’autre, l’amplitude de ces variations et la similarité d’un jour à l’autre. Le résultat a été 343 « biomarqueurs numériques » candidats décrivant des motifs de sommeil, d’activité et d’autodéclarations d’humeur, d’énergie et d’anxiété. Les chercheurs ont ensuite utilisé des méthodes d’apprentissage automatique explicables — des algorithmes capables à la fois de classer les motifs et de révéler quelles entrées importaient le plus — pour voir quelles combinaisons séparaient le mieux les jours dépressifs des jours stables.

À quoi ressemblait la dépression dans les schémas quotidiens

Parmi tous les signaux, les auto‑évaluations quotidiennes constituaient la source d’information la plus forte. Les modèles n’utilisant que les trois curseurs quotidiens pour l’humeur, l’énergie et l’anxiété distinguaient les épisodes dépressifs des périodes stables avec une précision élevée (aire sous la courbe ROC d’environ 0,82, où 1,0 est parfait et 0,5 équivaut au hasard). Pendant les épisodes dépressifs, les personnes notaient clairement une humeur et une énergie plus faibles. En même temps, leurs scores fluctuaient dans une fourchette basse et étroite — produisant un motif statistique que les auteurs appellent le paradoxe de la variabilité relative‑absolue : l’humeur et l’énergie paraissaient plus « variables » si on les considérait par rapport à leur moyenne basse, mais en termes absolus les personnes se sentaient de façon persistante basses et « coincées ». Autrement dit, la dépression ici ressemblait davantage à une vallée prolongée et plate qu’à de fortes montées et descentes.

Des changements subtils de mouvement et de sommeil qui comptent quand même

Même sans les auto‑évaluations, la seule bague portable apportait des indices utiles. Les épisodes dépressifs étaient associés à moins de variation quotidienne de l’activité globale — les niveaux de mouvement étaient plus uniformément bas. Les rythmes du sommeil ont également changé. Le temps d’endormissement variait davantage d’une nuit à l’autre, tandis que les mesures de sommeil profond montraient moins de variations extrêmes. Bien que les modèles basés sur l’activité et le sommeil aient été moins précis que ceux utilisant les rapports d’humeur quotidiens, ils surpassaient néanmoins le hasard et se montraient robustes à de nombreux tests statistiques, suggérant que les rythmes corporels eux‑mêmes deviennent plus rigides et moins adaptables pendant les phases dépressives.

De la description aux systèmes d’alerte précoce

Les auteurs soulignent que ce travail est une étape précoce mais cruciale : il se concentre sur la description précise du moment où une personne est dépressive, et non encore sur la prédiction d’un épisode avant son début. Néanmoins, le tableau qui émerge est intuitivement reconnaissable : pendant les épisodes dépressifs, les personnes se sentent de façon continue plus mal et moins énergiques, bougent moins et de façon plus monotone, et ont des horaires de coucher plus erratiques. Parce que les biomarqueurs numériques clés identifiés sont relativement simples — la variabilité jour‑à‑jour de l’humeur, de l’activité et du temps d’endormissement — ils pourraient éventuellement être intégrés dans des applications ou des tableaux de bord cliniques. Pour les patients, cela pourrait signifier qu’un téléphone et une bague suivent discrètement ces schémas en arrière‑plan et alertent eux et leur clinicien quand leurs rythmes quotidiens commencent à ressembler à des épisodes dépressifs antérieurs, ouvrant la voie à des soins plus rapides et mieux personnalisés.

Citation: Halabi, R., Mulsant, B.H., Tolend, M. et al. A systematic exploration of digital biomarkers for the detection of depressive episodes in bipolar disorder. npj Mental Health Res 5, 13 (2026). https://doi.org/10.1038/s44184-026-00195-5

Mots-clés: trouble bipolaire, biomarqueurs numériques, capteurs portables, détection de la dépression, phénotypage numérique