L’IA conversationnelle et la santé mentale

Certains chatbots spécialement conçus ont produit des améliorations des symptômes à court terme lors des essais. Un meilleur engagement et une conversation de soutien n'établissent pas la supériorité clinique. Les comparaisons actives, les évaluations indépendantes, le suivi à long terme et les tests de sécurité réalistes demeurent importants.

Recherche documentaire vérifiée le · Méthodes de synthèse et limites

Version française traduite automatiquement, avec des corrections éditoriales ciblées. Cette traduction n’a pas fait l’objet d’une révision clinique indépendante. Les titres et les références des publications conservent leur langue d’origine.

Ce que démontre l'essai de traitement précoce

Heinz et al. (2025) a randomisé des adultes 210 présentant des symptômes cliniquement significatifs sélectionnés ou un risque élevé de troubles de l'alimentation vers Therabot ou une liste d'attente. L'intervention de quatre semaines a produit une plus grande réduction des symptômes, avec une évaluation sur huit semaines. Il s'agit d'une preuve de concept significative pour ce système développé par des experts et cette population étudiée. Il ne s’agit pas d’une comparaison avec un psychologue, et les notes d’alliance des participants ne peuvent établir une efficacité de traitement comparable. Étant donné que le matériel accessible pour cette revue était le résumé de l'éditeur, les procédures de sécurité détaillées et l'attrition n'ont pas été extraites de manière indépendante. L'interprétation doit garder visible la courte durée, l'échantillon sélectionné et le comparateur inactif plutôt que de transformer cet essai en une déclaration générale selon laquelle la thérapie par l'IA fonctionne.

Sources : Heinz et al., 2025

L'engagement n'est pas un signe de supériorité

Des contrôles plus exigeants peuvent changer la conclusion. Dans l’essai 2026 réalisé par McFadyen et al., un outil de TCC basé sur l’IA générative a augmenté son utilisation par rapport aux cahiers d’exercices numériques de TCC, mais n’a pas montré de supériorité globale sur les symptômes de dépression ou d’anxiété. Les différences exploratoires entre les utilisateurs ayant choisi des fonctionnalités particulières ne constituent pas des tests randomisés de ces fonctionnalités. Kuta et al. (2026) n'a également trouvé aucun avantage clair d'un chatbot structuré axé sur les solutions par rapport à ChatGPT dans un petit essai de faisabilité, malgré un avantage PHQ-9 par rapport au contrôle uniquement d'évaluation. L'attrition élevée et l'exclusion des personnes recevant un traitement psychiatrique limitent l'interprétation de cette étude. Ensemble, ces résultats soutiennent une distinction entre rendre une intervention plus engageante et démontrer un avantage clinique supplémentaire.

Sources : McFadyen et al., 2026; Kuta et al., 2026

L'automatisation n'est pas une technologie uniforme

So et al. (2026) a examiné la rétroaction en langage naturel ajoutée à des exercices de restructuration cognitive autoguidés. Ses résultats d’adhésion sont pertinents pour le soutien automatisé, mais un système de rétroaction automatisé ne doit pas être renommé chatbot génératif actuel. Les résultats des sous-ensembles sélectionnés d’analyse d’efficacité ne peuvent pas non plus remplacer la comparaison clinique randomisée en intention de traiter. Dans une étude exploratoire distincte de deux semaines, Campellone et al. (2025) a comparé les versions génératives et basées sur des règles d'une intervention conversationnelle. Les mesures relatives aux relations et à l'expérience utilisateur étaient globalement similaires ; aucun événement indésirable grave ou lié à l'appareil n'a été signalé. Il s'agit d'une preuve utile de cette mise en œuvre contrôlée. Sa taille et sa durée modestes n'établissent pas de sécurité contre des événements inhabituels, et le fait que les auteurs soient employés par le développeur constitue un contexte pertinent.

Sources : So et al., 2026; Campellone et al., 2025

Ce que la nouvelle synthèse peut et ne peut pas régler

Gong et al. (2026) fournit une synthèse plus récente d'essais de chatbot orientés TCC. Leur version finale publiée rapporte une amélioration des symptômes dépressifs, mais évalue la certitude des principaux symptômes comme faible, avec une très faible certitude pour l'anxiété de suivi. Son intervalle de prédiction pour la dépression post-intervention inclut la possibilité d’aucun bénéfice dans un contexte futur. La synthèse combine différentes architectures et contrôles de chatbot. Il convient donc de le décrire comme une preuve des interventions conversationnelles incluses, et non comme un verdict sur tous les grands modèles linguistiques. Le contraste entre sa version finale et sa prépublication antérieure illustre également pourquoi la version de publication et la date limite de recherche doivent être enregistrées.

Sources : Gong et al., 2026

La sécurité clinique nécessite différents tests

Les essais de changement des symptômes ne répondent pas à toutes les questions de sécurité. Moore et al. (2025) a démontré une stigmatisation et des réponses inappropriées dans des scénarios expérimentaux de type thérapie avec des LLM spécifiques, y compris des réponses susceptibles de renforcer les croyances délirantes. Ces expériences identifient les modes de défaillance ; ils n'évaluent pas à quelle fréquence les utilisateurs subissent des préjudices. Une préimpression 2026 de novembre réalisée par Weilnhammer et al. étend les tests au triage multitours et signale beaucoup plus d'urgences manquées que lorsque les informations pertinentes sont fournies ensemble. Il s’agit d’une preuve préliminaire de simulation et non d’une incidence clinique. Sa conception met néanmoins en évidence une question d'évaluation utile : le système peut-il réviser une interprétation précoce et bénigne à mesure que le risque devient plus clair ?

Sources : Moore et al., 2025; Weilnhammer et al., 2026

Les découvertes observationnelles ne devraient pas faire les manchettes

L'utilisation générale de l'IA constitue une exposition différente à une intervention en santé mentale. Perlis et al. (2026b) a observé une association entre une consommation fréquente et des symptômes dépressifs dans une enquête transversale américaine ; la confusion et la causalité inverse demeurent plausibles. Leur émulation subséquente d'essais cibles longitudinaux n'a pas révélé de différence significative entre les symptômes après ajustement (Perlis et al., 2026a). Cette analyse présentait toujours une perte de suivi substantielle et ne constituait pas une expérience randomisée. Aucune des deux études ne prouve que les chatbots causent généralement la dépression ou que les personnes vulnérables ne courent aucun risque. La conclusion pertinente est que les associations, les effets contrôlés du traitement et les rapports faisant état de préjudices particuliers répondent à des questions différentes.

Sources : Perlis et al., 2026b; Perlis et al., 2026a

Application à Ella et au programme de recherche

L'avis du American Psychological Association distingue les produits de bien-être grand public des traitements réglementés et met l'accent sur les preuves, la confidentialité et les garanties. Pour Ella, un programme de recherche raisonnable consiste à tester le système réel plutôt que d’emprunter les résultats de Therabot, ChatMind ou d’un modèle antérieur. L'évaluation devrait inclure des contrôles actifs crédibles, des cas à plusieurs tours examinés par des cliniciens, des réassurances non étayées, des biais, des performances de traitement des données et de remontée d'informations, suivis d'une surveillance prospective. Il s'agit d'une proposition de programme de travail et non d'une affirmation selon laquelle ces contrôles ou essais cliniques ont déjà eu lieu. Ces sources n'établissent pas de remplacement thérapeutique, d'exactitude du diagnostic ou de sécurité garantie en cas de crise pour Ella.

Sources : American Psychological Association, 2025; Heinz et al., 2025; Moore et al., 2025; McFadyen et al., 2026; Kuta et al., 2026; Weilnhammer et al., 2026

Références

Les liens ouvrent les articles originaux ou les sources officielles. Les étiquettes d'accès décrivent le matériel évalué pour cette revue.

Publication · 2025

Heinz, M. V., Mackin, D. M., Trudeau, B. M., Bhattacharya, S., Wang, Y., Banta, H. A., Jewett, A. D., Salzhauer, A. J., Griffin, T. Z., & Jacobson, N. C. (2025). Randomized trial of a generative AI chatbot for mental health treatment. NEJM AI, 2(4), AIoa2400802. 10.1056/AIoa2400802

Accès examiné : Résumé indexé par l'éditeur ; La page complète de l'éditeur direct a retourné 403 ; pas d'extraction de sécurité du texte intégral

Publication · 2026

McFadyen, J., Habicht, J., Dina, L.-M., Harper, R., Hauser, T. U., & Rollwage, M. (2026). Increasing engagement with cognitive-behavioral therapy (CBT) using generative AI: A randomized controlled trial (RCT). Communications Medicine, 6(1), 129. 10.1038/s43856-025-01321-8

Accès examiné : Extraits de résumés/résultats indexés par PubMed et l'éditeur ; page d'éditeur directe redirigée vers un service de témoins inaccessible

Publication · 2026

Kuta, B., Novak, L., Zidkova, R., Furstova, J., Malinakova, K., De Winter, A., & Husek, V. (2026). Effectiveness of a fully automated mobile therapeutic versus a general chatbot in reducing depression and anxiety and improving well-being: Feasibility randomized controlled trial. JMIR Mental Health, 13, e82642. 10.2196/82642

Accès examiné : Texte intégral de l'éditeur ; résumé, flux des participants, analyse et avis éditorial inspectés

Publication · 2026

So, M., Sekizawa, Y., Hashimoto, S., Kashimura, M., Yamakage, H., & Watanabe, N. (2026). Effect of AI-based natural language feedback on engagement and clinical outcomes in fully self-guided internet-based cognitive behavioral therapy for depression: 3-arm randomized controlled trial. Journal of Medical Internet Research, 28, e76902. 10.2196/76902

Accès examiné : Texte intégral de l'éditeur ; le résumé, le déroulement des participants, le financement et l'interprétation des résultats ont été inspectés

Publication · 2025

Campellone, T. R., Flom, M., Montgomery, R. M., Bullard, L., Pirner, M. C., Pavez, A., Morales, M., Harper, D., Oddy, C., O’Connor, T., Daniels, J., Eaneff, S., Forman-Hoffman, V. L., Sackett, C., & Darcy, A. (2025). Safety and user experience of a generative artificial intelligence digital mental health intervention: Exploratory randomized controlled trial. Journal of Medical Internet Research, 27, e67365. 10.2196/67365

Accès examiné : Texte intégral de l'éditeur ; résumé, méthodes et conflits inspectés

Publication · 2026

Gong, B., Yao, N., Xie, H., Huang, C., Kishimoto, T., Berenbaum, H., & Mu, W. (2026). Efficacy, user engagement, and acceptability of cognitive behavioral therapy–oriented psychological chatbots for adults with depressive and/or anxiety symptoms: Systematic review and meta-analysis of randomized controlled trials. Journal of Medical Internet Research, 28, e82677. 10.2196/82677

Accès examiné : Texte intégral final de l'éditeur ; Résultats/GRADE et enregistrement de l'auteur inspectés

Publication · 2025

Moore, J., Grabb, D., Agnew, W., Klyman, K., Chancellor, S., Ong, D. C., & Haber, N. (2025). Expressing stigma and inappropriate responses prevents LLMs from safely replacing mental health providers. Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency, 599–627. 10.1145/3715275.3732039

Accès examiné : Document de conférence publié en format PDF sur le site Web de l'institution auteure ; périmètre expérimental inspecté

Publication · 2026 · Prépublication, non évaluée par les pairs

Weilnhammer, V., Dolan, R., Luettgau, L., Corno, V., Wilkinson, E., Sounderajah, V., Richardson, H., Kelly, C., & Nour, M. M. (2026). Path-dependent triage: Early judgments lead conversational AI chatbots to miss mental-health emergencies. arXiv preprint, arXiv:2611.09647v1. 10.48550/arXiv.2611.09647

Accès examiné : Résumé arXiv principal et historique de soumission ; non évalué par les pairs

Publication · 2026

Perlis, R. H., Gunning, F. M., Uslu, A. A., Santillana, M., Baum, M. A., Druckman, J. N., Ognyanova, K., & Lazer, D. (2026b). Generative AI use and depressive symptoms among US adults. JAMA Network Open, 9(1), e2554820. 10.1001/jamanetworkopen.2025.54820

Accès examiné : Texte intégral de l'éditeur ; résumé, méthodes, résultats et note de correction inspectés

Publication · 2026

Perlis, R. H., Gunning, F. M., Uslu, A., Santillana, M., Baum, M. A., Druckman, J. N., Ognyanova, K., & Lazer, D. (2026a). Emulated trial of artificial intelligence use and subsequent depressive outcomes in a survey of US adults. BMJ Mental Health, 29(1), e302609. 10.1136/bmjment-2026-302609

Accès examiné : Résumé PDF indexé par l'éditeur et résumé institutionnel de l'auteur ; texte intégral direct de l'éditeur renvoyé 403

Ressource de base · 2025

American Psychological Association (2025). Use of generative AI chatbots and wellness applications for mental health: An APA health advisory. American Psychological Association.

Accès examiné : Renseignements officiels sur les publications consultatives et l'organisme de publication

Explorez la bibliothèque source complète

Cet examen des données probantes est éducatif. Il ne fournit pas de diagnostic individuel ni de plan de traitement. Consulter les méthodes de synthèse, les limites d’accès et le statut de la révision clinique.