Une IA détecte le risque de psychose via la parole des jeunes

L'Université technologique de Nanyang (NTU Singapore) et l'Institut de santé mentale (IMH) ont conjointement élaboré une nouvelle architecture d'intelligence artificielle. Ce système permet de repérer, chez les jeunes, les signes avant-coureurs de la psychose, une pathologie psychiatrique sévère se manifestant généralement entre l'adolescence et le début de l'âge adulte par des hallucinations, des délires ou des troubles de la pensée. La particularité de cet outil réside dans sa capacité à analyser de courts extraits de discours informels et spontanés.

Il s'agit de la première étude menée à Singapour à mobiliser spécifiquement les grands modèles de langage (LLM) pour évaluer le risque précoce de psychose chez cette population. Les chercheurs estiment que cette technologie pourrait, à terme, assister les professionnels de soins primaires et les travailleurs communautaires dans la détection des vulnérabilités avant l'aggravation des symptômes cliniques. L'identification des individus considérés comme étant à ultra-haut risque (UHR) demeure complexe, car les jeunes n'expriment rarement leurs difficultés mentales de manière directe lors des échanges quotidiens.

Défis liés à la non-divulgation verbale

Le concept d'ultra-haut risque désigne un état clinique où des signaux d'alerte précoces augmentent significativement la probabilité de développer une psychose. Par exemple, une personne souffrant de dépression peut ne jamais mentionner explicitement son état. Ce phénomène, qualifié de « discours non divulgateur », implique l'absence de toute référence directe à la condition psychique du locuteur. Évaluer si l'intelligence artificielle peut percevoir ces risques potentiels uniquement à travers des conversations anodines constitue donc un enjeu majeur pour l'intervention précoce.

Publiée dans la revue scientifique npj Mental Health Research, l'étude a examiné des transcriptions textuelles issues de 429 participants âgés de 14 à 29 ans, recrutés dans le cadre de l'étude longitudinale LYRIKS. Initié en 2008, ce programme phare singapourien vise à évaluer les facteurs de risque sociaux, cliniques et biologiques associés aux jeunes à ultra-haut risque. Chaque participant a fourni un échantillon de parole de 45 secondes, sans auto-divulgation, en réponse à une consigne neutre, telle que justifier pourquoi il mériterait un prix pour être la « personne la plus intéressante ».

Performance accrue du modèle LEMon-AID

Les résultats initiaux ont montré que les LLM standards peinaient à prédire le risque clinique directement à partir des transcriptions brutes. Leur performance était comparable à celle d'une estimation aléatoire, manquant la majorité des individus à risque. Les chercheurs attribuent cette inefficacité à l'absence de jeux de données d'entraînement adaptés et à la nature même du langage spontané, qui contient rarement des informations cliniques structurées ou des descriptions explicites de symptômes.

Pour surmonter cet obstacle, l'équipe a développé LEMon-AID (Latent Emotion Proxy for Mental Health Detection with AI-integrated Decision-making). Cette approche utilise les grands modèles de langage pour extraire des profils émotionnels subtils — tels que la joie, la confiance, la peur ou la tristesse — qu'elle combine ensuite avec des prédictions issues de méthodes traditionnelles d'apprentissage automatique. Le système a démontré une supériorité nette par rapport aux conventions établies : la précision globale a progressé de 55 % à 67 %, tandis que la sensibilité de détection a permis d'identifier jusqu'à 93 % des jeunes à risque.

Wilson Goh, co-investigateur principal et professeur assistant en informatique biomédicale au sein de LKCMedicine et du Centre NTU pour l'IA en médecine, explique que les modèles standards échouent car les patients ne parlent pas ouvertement de leurs symptômes. LEMon-AID contourne cette difficulté en utilisant les modèles de langage pour décrypter les indices émotionnels sous-jacents, reliant ainsi les schémas affectifs aux risques psychiatriques tout en préservant la confidentialité des données et en fournissant des explications claires.

Contrairement aux algorithmes classiques fonctionnant comme des boîtes noires, LEMon-AID génère des explications en langage naturel parallèlement à ses évaluations de risque. Cette transparence permet aux cliniciens de comprendre le raisonnement derrière chaque prédiction, rendant l'outil plus sûr pour l'aide à la décision médicale. Dr Jimmy Lee, directeur de la recherche et de l'innovation au NHG Health et consultant senior à l'IMH, souligne que la détection précoce est cruciale pour prévenir l'invalidité à long terme et restaurer l'avenir des jeunes malades. Il voit dans cette avancée un moyen d'équiper mieux les acteurs de terrain pour repérer ceux qui passent souvent inaperçus.

Matheus Calvin Lokadjaja, premier auteur de l'étude et assistant de recherche à LKCMedicine, précise que lorsque les modèles standards étaient sollicités pour identifier les personnes à risque à partir de transcripts informels, ils manquaient presque tous les cas. En recentrant l'attention de l'IA sur la cartographie des signaux émotionnels au fil de la conversation, l'équipe a réussi à faire émerger des motifs significatifs auparavant dissimulés dans le langage quotidien.

Perspectives de validation clinique

Le cadre LEMon-AID fait actuellement l'objet d'explorations pour divers déploiements cliniques futurs. Les chercheurs envisagent d'intégrer des approches multimodales, incluant des indices acoustiques, la hauteur tonale de la voix, le rythme de la parole et les expressions faciales. Cette évolution viserait à améliorer la fiabilité du système et à approfondir la compréhension de l'interaction entre les patterns vocaux, comportementaux et acoustiques dans la progression des troubles mentaux. Une validation extensive en conditions réelles reste nécessaire avant toute mise en œuvre pratique.

Ces travaux bénéficient du soutien du ministère de la Santé de Singapour via le bureau du National Medical Research Council (NMRC), ainsi que de MOH Holdings Pte Ltd dans le cadre du Programme phare de recherche translationnelle et clinique du NMRC (subvention numéro NMRC/TCR/003/2008).