Generative AI Purpose-built for Social and Mental Health: A Real-World Pilot

Résumé Technique : IA Générative Spécialisée pour la Santé Sociale et Mentale : Un Pilote en Conditions Réelles

Énoncé du Problème
Les défis de santé mentale demeurent une cause majeure d'invalidité à l'échelle mondiale, avec des barrières significatives à l'accès aux soins, notamment l'éloignement géographique, les contraintes financières, la pénurie de praticiens et la stigmatisation. Bien que les interventions numériques aient amélioré l'accessibilité, la plupart des recherches se sont concentrées sur la thérapie par vidéo en direct ou sur des chatbots basés sur des règles avec une personnalisation limitée. Bien que des études préliminaires suggèrent que les chatbots basés sur des modèles de langage étendus (LLM) offrent des promesses de conversations naturelles et personnalisées, il existe un manque de preuves concernant leur faisabilité, leur sécurité et leur efficacité dans des contextes réels et longitudinaux en dehors des essais contrôlés randomisés (ECR). Plus précisément, il est nécessaire d'évaluer si les modèles de fond entraînés sur des données cliniques peuvent maintenir des garde-fous de sécurité, soutenir l'engagement de l'utilisateur et produire des trajectoires de symptômes hétérogènes dans un environnement naturaliste.

Méthodologie
Cette étude était un pilote naturaliste longitudinal à un seul bras évaluant « Ash », un modèle de fond spécifiquement entraîné pour le soutien à la santé mentale.

• Participants : L'étude a recruté 1 808 utilisateurs via des publicités Meta, aboutissant à un échantillon analytique final de $N=305$ adultes (âges de 18 à 73 ans, âge moyen de 41,7) situés aux États-Unis. Les critères d'inclusion exigeaient la maîtrise de l'anglais, l'accès à un smartphone et des scores initiaux $\ge$10 sur le Questionnaire de Santé du Patient (PHQ-9) ou l'Échelle de Trouble d'Anxiété Généralisée (GAD-7). Les critères d'exclusion comprenaient la suicidalité active (items 3–6 du C-SSRS), les troubles psychotiques, l'usage sévère de substances ou les conditions médicales expliquant mieux les symptômes.
• Intervention : Les utilisateurs interagissaient avec Ash via texte ou voix sur des appareils mobiles. Le modèle a été pré-entraîné sur plus de 100 000 heures de transcriptions de santé mentale déidentifiées (entretiens cliniques, études de cas) et aligné via un ajustement fin supervisé avec des annotations cliniques. Les données d'entraînement englobaient diverses modalités thérapeutiques (ex. : TCC, DBT, ACT, entretien motivationnel). Le système employait une architecture de sécurité à deux passages : un classificateur basé sur les plongements (embeddings) pour une détection à haut rappel du contenu nocif, suivi d'une couche de vérification de sécurité par LLM pour bloquer ou remplacer les messages signalés.
• Procédure : Les participants ont donné leur consentement éclairé et ont complété des évaluations initiales. Les mesures ont été répétées toutes les deux semaines pendant six semaines, avec un suivi final à 10 semaines. Les mesures comprenaient le PHQ-9, le GAD-7, l'Échelle d'Activation Comportementale pour la Dépression (BADS), l'Échelle de Solitude de l'UCLA, l'Échelle Multidimensionnelle du Soutien Social Perçu (MSPSS) et l'Inventaire de l'Alliance Thérapeutique – Rapport Court (WAI-SR).
• Stratégie Analytique :
  • Sécurité : Des cliniciens ont examiné toutes les sessions signalées (1,02 % du total) pour vérifier les protocoles d'escalade. L'adéquation du modèle a été testée contre 10 scénarios cliniques (ex. : délires, manie) avec 100 générations chacun.
  • Modélisation de Trajectoire : La modélisation de croissance latente de mélange (LGMM) a été utilisée pour identifier des modèles de changement hétérogènes à travers la dépression, l'anxiété, le soutien social et l'activation comportementale simultanément.
  • Analyse de l'Engagement : Des modèles à effets mixtes ont examiné la relation entre les mesures d'engagement (jours actifs, minutes, mots échangés) et la réduction des symptômes ($\Delta$PHQ-9), stratifiée par classe de trajectoire.
  • Prédicteurs : Une régression logistique multinomiale a identifié les données démographiques de base et l'alliance thérapeutique à la semaine 2 comme prédicteurs de l'appartenance à une trajectoire.

Résultats Clés

• Résultats Cliniques : Des réductions significatives des symptômes dépressifs et anxieux ont été observées. Au suivi de 10 semaines, les tailles d'effet de Cohen étaient de 0,93 pour le PHQ-9 (IC 95 % [0,76, 1,13]) et de 0,79 pour le GAD-7 (IC 95 % [0,65, 0,96]). Les taux de détérioration étaient faibles (1,83 % pour le GAD-7, 2,29 % pour le PHQ-9).
• Hétérogénéité des Trajectoires : La LGMM a identifié trois trajectoires distinctes à travers les quatre résultats cliniques :
  1. Amélioration Rapide : 9,5 % ($n=29$)
  2. Amélioration : 42,3 % ($n=129$)
  3. Non-répondeurs : 48,2 % ($n=147$)
     La sévérité initiale était comparable entre les groupes ; les différences étaient dictées par le taux et la synchronie du changement.
• Résultats Sociaux et Fonctionnels : Les améliorations de la solitude, du soutien social perçu et des comptes d'interactions sociales se sont maintenues au suivi de 10 semaines.
• Sécurité et Adéquation : Sur 7 493 sessions, 76 (1,02 %) ont été signalées pour risque ; toutes ont été correctement escaladées vers des ressources humaines. Un échantillon aléatoire de 1 200 sessions n'a révélé aucun message de crise manqué (faux négatifs). Lors des tests de résistance contre 10 scénarios cliniques, le modèle a atteint un taux de réussite de 87,7 %, comparable aux références des thérapeutes humains.
• Engagement et Alliance : L'utilisation moyenne était de 9,02 heures ($SD=11,5$). Un engagement plus élevé (jours actifs, minutes, mots) était significativement associé à de plus grandes réductions du PHQ-9, particulièrement pour les classes « Amélioration » et « Amélioration Rapide ». L'alliance thérapeutique (WAI-SR) était comparable aux soins traditionnels (score moyen ~4,0) et prédisait l'appartenance aux trajectoires d'amélioration.

Signification et Revendications
Les auteurs affirment que cette étude fournit la première preuve naturaliste en conditions réelles qu'un modèle de fond d'IA générative, ancré cliniquement, est réalisable, engageant et acceptable pour le soutien à la santé mentale. L'étude démontre que :

1. La sécurité est gérable : Les garde-fous automatisés peuvent détecter et escalader efficacement les risques dans un cadre réel sans intervention humaine pour chaque message.
2. L'efficacité est observable : Des réductions de symptômes comparables aux résultats d'ECR peuvent être obtenues dans une utilisation réelle non structurée, sans rappels quotidiens ou surveillance structurée.
3. Les mécanismes s'alignent sur la thérapie : La relation entre l'alliance thérapeutique, l'engagement et l'amélioration des symptômes reflète les découvertes de la psychothérapie traditionnelle, suggérant que les modèles d'IA peuvent fonctionner comme des ponts relationnels plutôt que de simples substituts.
4. Potentiel de scalabilité : Le haut niveau d'engagement et les faibles taux de détérioration suggèrent que de tels outils pourraient étendre la portée des services de santé mentale, bien que les auteurs notent que l'exclusion des populations à haut risque (suicidalité aiguë, psychose) limite la généralisabilité à ces groupes.

L'article conclut que ces résultats soutiennent une investigation plus approfondie de l'IA générative pour la santé mentale dans des contextes réels, positionnant la technologie comme une composante viable pour étendre l'accès aux soins tout en maintenant des normes de sécurité.