Modèles de langage à grande échelle
et crise de santé mentale

Selon le Global Burden of Disease 2023 publié dans The Lancet, 1,17 milliard de personnes vivaient avec un trouble mental en 2023 — soit une hausse standardisée de 24,2 % depuis 1990. Les troubles mentaux représentent désormais la 5ᵉ cause d'années de vie corrigées de l'incapacité (AVCI), avec un pic à l'adolescence qui en fait la première cause d'AVCI chez les 10-24 ans dans la plupart des pays à revenu élevé.

Or, cette augmentation des besoins ne s'est pas traduite par une augmentation proportionnelle des services : la densité mondiale de psychiatres reste inférieure à 1 pour 100 000 habitants dans 60 % des pays, et le délai médian d'accès à un premier rendez-vous spécialisé dépasse 8 semaines dans les pays à revenu élevé. C'est précisément sur cet écart que les LLMs sont appelés à se positionner — non pas pour remplacer les cliniciens, mais pour augmenter la capacité de réponse là où les systèmes de santé saturent.

Le projet GALENOS (Global Alliance for Living Evidence on anxiety, depression and psychosis), financé par Wellcome, conduit une série de revues systématiques évolutives sur l'anxiété, la dépression et la psychose. Ces revues s'appuient sur des LLMs pour deux tâches spécifiques :

Dans une étude publiée simultanément dans The Lancet Digital Health, Magdalena Katharina Wekenborg et ses collègues (DOI : 10.1016/j.landig.2026.101014) ont testé une hypothèse audacieuse : peut-on induire — et inverser — des états affectifs humains dans un LLM, comme on le ferait dans un modèle préclinique animal ?

Leur protocole : exposer le modèle à des stimuli textuels puisés dans la littérature psychopathologique (peur conditionnée, stress chronique, résilience), mesurer l'évolution de représentations internes, puis appliquer des prompts de « rétablissement ». Résultat : les états affectifs pertinents pour la psychopathologie sont effectivement modélisables, réversibles, et statistiquement distincts des états neutres.

L'ajout d'une couche cognitive aux modèles de langage généralistes — décrite dans une étude publiée simultanément dans Nature Medicine (s41591-026-04278-w) — constitue l'une des pistes les plus prometteuses pour faire entrer les LLMs en psychothérapie. Cette couche, entraînée sur des corpus cliniques supervisés (dialogues thérapeute-patient, échelles validées, vignettes diagnostiques), confère aux modèles généralistes les capacités thérapeutiques minimales requises pour des interactions sécurisées.

Testée dans des protocoles de psychothérapie simulée, cette couche a amélioré trois dimensions clés : la compréhension émotionnelle (reconnaissance des affects sous le langage), les compétences interpersonnelles (empathie, validation, reflet), et la capacité d'escalade (détection des signaux de crise, orientation vers un clinicien humain). Les résultats suggèrent que les LLMs peuvent servir de premier niveau de triage conversationnel — à condition d'être supervisés.

La pénétration des chatbots d'IA dans la population générale — et particulièrement chez les adolescents — est le phénomène qui préoccupe le plus l'éditorial de The Lancet Digital Health. Une enquête nationale représentative américaine révèle que près de 20 % des jeunes ont déjà utilisé un chatbot IA pour obtenir des conseils en santé mentale, dans un contexte de raréfaction des professionnels et d'isolement social post-pandémique.

L'éditorial de The Lancet Digital Health souligne que le déploiement des LLMs en santé mentale dépasse aujourd'hui la régulation. Trois corpus normatifs tentent pourtant de cadrer l'usage :

À l'horizon 2030, l'éditorial de The Lancet Digital Health identifie quatre trajectoires dans lesquelles les LLMs sont susceptibles de transformer la santé mentale :