Introduction
En quelques années à peine, les grands modèles de langage comme ChatGPT ou Claude se sont imposés dans les usages en santé. Si les institutions se montrent encore largement fermées au déploiement de ces solutions, les cliniciens, eux, y recourent de plus en plus de manière informelle : ils copient des notes dans ChatGPT pour en obtenir une synthèse, ou posent une question diagnostique face à un cas complexe. Cette adoption spontanée révèle à la fois une forte demande d’assistance par l’IA et une limite de plus en plus évidente : les LLM généralistes n’ont pas été conçus pour les usages propres à la psychiatrie.
En consultation, un psychiatre ne se contente pas d'écouter ce que raconte son patient. Il observe sa manière de parler, la qualité de son sommeil, son évolution depuis la dernière consultation, l'effet des traitements, les changements de comportement. Chacun de ces éléments prend sens au regard d'une histoire clinique, d'un contexte et d'une trajectoire. C'est cette capacité à interpréter des indices faibles, à les mettre en perspective et à leur donner une signification clinique qui s'acquiert avec les années d'expérience. Or c'est précisément cette dimension que les modèles d'IA généralistes peinent aujourd'hui à reproduire.
La psychiatrie n'est pas le premier domaine à se heurter à ce mur. La biologie est arrivée au même constat : adapter une IA généraliste à la biologie, même en la réentraînant sur la littérature scientifique, produisait des modèles qui raisonnaient sur une description textuelle de la biologie, pas sur la biologie elle-même. La réponse du secteur a été une nouvelle classe de modèles entraînés directement sur les données brutes du vivant : séquences, structures, données omiques. La psychiatrie est aujourd'hui confrontée au même défi.
Cet article explore pourquoi l'IA généraliste atteint ses limites en santé mentale, et pourquoi la voie à suivre passe par des modèles de fondation spécialisés, entraînés sur des données psychiatriques.
Un besoin clinique réel, mais encore mal adressé
Les études montrent que 90 % des patients atteints de troubles bipolaires rechutent au cours de leur vie, près de la moitié dans les deux ans suivant la rémission. Dans la schizophrénie, le taux de rechute peut atteindre 72 % dans les deux ans suivant un premier épisode psychotique. Toutes ces rechutes ne sont pas inéluctables. Beaucoup pourraient être anticipées grâce à une détection plus précoce des signes d'alerte. Mais le système actuel ne capte que ce qui est visible pendant les consultations programmées — et l'essentiel se joue entre deux rendez-vous.
Les soins fondés sur la mesure (measurement-based care) offrent une voie éprouvée vers de meilleurs résultats cliniques. Nous l'avons détaillé dans notre manifesto, ainsi que les raisons pour lesquelles les outils existants — des échelles administrées par le clinicien aux auto-questionnaires patients — restent largement inutilisés en pratique.
L'IA peut contribuer à combler cet écart. Mais les outils vers lesquels les cliniciens se tournent aujourd'hui n'ont pas été pensés pour la complexité de la santé mentale.
Les limites des modèles d'IA généralistes en psychiatrie
Lorsqu’un clinicien utilise ChatGPT ou Claude pour l’aider à résumer des notes psychiatriques, il mobilise un outil puissant, mais qui n’a pas été conçu pour ce contexte. Ces modèles ont été entraînés principalement sur du texte généraliste, issu d’internet, de livres, d’articles ou de conversations, et non sur les données cliniques propres à la psychiatrie.
Cette distinction est essentielle. Dans de nombreuses spécialités médicales, l’IA progresse rapidement parce qu’elle peut s’appuyer sur des cadres relativement structurés : des images à interpréter, des scores à calculer, des interactions médicamenteuses à détecter, des protocoles à suivre. La psychiatrie obéit à une logique différente. Le diagnostic y est évolutif, les traitements procèdent souvent par ajustements successifs, et une grande partie de l’information pertinente repose sur la capacité du clinicien à interpréter des signaux faibles dans la durée.
Ainsi, un même symptôme peut recouvrir des réalités très différentes. Lorsqu’un patient dit qu’il ne dort plus, cette plainte peut traduire un trouble du sommeil, un épisode dépressif, une phase maniaque, une anxiété sévère, une décompensation psychotique ou encore un effet secondaire du traitement. Pour en comprendre la signification, il ne suffit pas de traiter la phrase isolément. Il faut connaître l’histoire du patient, son état de référence, ses traitements, ses épisodes précédents, et la manière dont cette plainte s’inscrit dans l’ensemble du tableau clinique.
La même difficulté se retrouve dans la parole elle-même. En psychiatrie, ce qui compte n’est pas seulement ce que le patient dit, mais aussi la manière dont il le dit : le rythme, les silences, les ruptures du discours, la logorrhée, les barrages, les réponses tangentielles. Ces éléments pèsent directement dans l’évaluation clinique. Or les LLM généralistes travaillent avant tout sur du texte : ils peuvent analyser une transcription, mais pas capter toute la richesse du signal vocal et comportemental. Même les outils de transcription les plus performants montrent ici leurs limites. Un système comme Whisper peut être très fiable sur une parole standard, mais devenir beaucoup moins robuste face à des patients présentant des troubles neuropsychiatriques, dont la parole peut être altérée ou désorganisée. Une transcription approximative peut alors devenir cliniquement trompeuse.
Cela ne signifie pas que les outils actuels n’ont aucune valeur. Des scribes médicaux aux assistants de documentation, tout un champ de l’IA clinique apporte déjà un gain réel aux soignants : ces solutions sont plus sécurisées, mieux adaptées à la terminologie médicale et mieux intégrées aux flux de travail qu’un modèle généraliste utilisé tel quel. Mais elles reposent encore souvent sur des LLM généralistes enrichis d’un contexte médical, plutôt que sur des modèles spécialisés en profondeur. Or être entraîné sur davantage de textes médicaux ne revient pas à être construit pour les signaux propres à la psychiatrie. Dans ce domaine, la parole n’est pas seulement un support d’information : elle est elle-même une donnée clinique. L’enjeu n’est donc pas seulement d’adapter un modèle généraliste à un contexte médical, mais de le spécialiser en profondeur sur les signaux qui font la spécificité de la psychiatrie.
Pour des modèles propres à la psychiatrie
La psychiatrie a besoin de modèles construits autour de l’ensemble des signaux qui définissent la pratique clinique en santé mentale — non pas seulement le texte, mais aussi la parole, le comportement, l’histoire clinique et l’évolution dans le temps. Entraînés sur des données psychiatriques et comportementales, ces modèles multimodaux offrent trois atouts particulièrement adaptées à la complexité de la prise en charge psychiatrique.
Une meilleure capacité de généralisation. En psychiatrie, l’hétérogénéité n’est pas l’exception : elle est la norme. Les symptômes se recouvrent, les diagnostics évoluent, les trajectoires diffèrent fortement d’un patient à l’autre. Des modèles entraînés sur plusieurs pathologies — dépression, troubles bipolaires, schizophrénie — peuvent donc apprendre des représentations plus proches de la réalité clinique que des systèmes conçus autour d’un seul diagnostic. Ce qui rendait jusqu’ici les données psychiatriques difficiles à exploiter — leur complexité, leur caractère longitudinal et non structuré — peut devenir une source d’enseignements, précisément parce qu’elles permettent de replacer les signaux cliniques dans leur contexte.
L’intégration de données multimodales. Le raisonnement psychiatrique ne repose jamais sur l’analyse d’un seul type de donnée. Il naît de la mise en relation entre ce que dit le patient, la manière dont il le dit, son comportement, ses antécédents, ses traitements et son évolution dans le temps. Des modèles construits pour la psychiatrie peuvent apprendre à intégrer ces différentes sources — audio, langage, signaux comportementaux, histoire clinique — au sein d’une représentation commune, plus proche de la manière dont les cliniciens synthétisent réellement l’information.
Une adaptation à plusieurs usages cliniques. Un même modèle peut être adapté à plusieurs applications cliniques (suivi des symptômes, prédiction des rechutes, réponse au traitement), sans réentraînement complet. L’entraînement sur une tâche peut améliorer les performances sur d’autres, et faire émerger des compétences pour lesquelles le système n’avait pas été explicitement conçu.
Ces avantages ne se concrétiseront toutefois qu’à une condition : disposer de données d’entraînement à la hauteur de la complexité du soin psychiatrique.
Bâtir l’infrastructure de données dont la psychiatrie a besoin
La limite de l’IA en psychiatrie n’est pas seulement algorithmique. Elle tient d’abord à la qualité, à la profondeur et à la structuration des données disponibles.
Les jeux de données psychiatriques ne se construisent pas comme des archives de radiologie. Dans certaines spécialités médicales, il est possible de repartir de données existantes, de les annoter rétrospectivement, puis d’entraîner des modèles performants. En psychiatrie, l’exercice est beaucoup plus difficile. Un diagnostic ne peut pas être inféré de manière fiable à partir de signaux isolés : un échantillon vocal d’une minute, quelques nuits de sommeil ou quelques réponses à un questionnaire ne suffisent pas à déterminer si une personne traverse un épisode dépressif.
Une évaluation fiable exige une collecte menée au plus près de la pratique clinique : des évaluations structurées réalisées en parallèle des données comportementales, un suivi longitudinal sur plusieurs mois voire plusieurs années, et des populations suffisamment diverses en termes de diagnostics, de sévérité et de profils démographiques. Chaque donnée réellement exploitable suppose donc un travail considérable de coordination entre chercheurs, cliniciens et patients.
Les acteurs du secteur font alors face à un choix structurant : composer avec les limites des modèles généralistes, ou investir dans les jeux de données spécialisés nécessaires à l’émergence de modèles réellement adaptés à la psychiatrie.
Callyope a fait le second choix. À travers des essais cliniques et des partenariats de recherche avec des hôpitaux universitaires, nous avons constitué le plus grand jeu de données comportementales au monde en neurosciences, couvrant un large spectre de pathologies cérébrales. Non parce que c’était la voie la plus rapide vers le marché, mais parce que c’est la condition pour développer une IA véritablement utile à la santé mentale.
L’avenir de l’IA en psychiatrie ne dépendra donc pas seulement de modèles plus puissants. Il dépendra de notre capacité à bâtir l’infrastructure clinique et scientifique qui leur permettra de comprendre les bons signaux, dans le bon contexte.
