Résumé technique : Le rôle de l'intelligence artificielle dans les interventions visant à réduire la consommation d'alcool et le tabagisme

Énoncé du problème

La consommation d'alcool et le tabagisme demeurent des causes majeures de morbidité et de mortalité évitables dans les pays à revenu élevé, nécessitant des interventions de santé publique efficaces. Bien que les interventions numériques de changement de comportement offrent un mécanisme de diffusion évolutif, l'efficacité spécifique de l'intégration de l'intelligence artificielle (IA) dans ces interventions reste incertaine. L'IA, qui englobe des techniques telles que l'apprentissage automatique, le traitement du langage naturel et les modèles génératifs, offre théoriquement des avantages grâce à la personnalisation et à la réduction des barrières à l'engagement (ex. : stigmatisation, accessibilité). Cependant, l'évolution rapide des technologies d'IA, particulièrement l'émergence des grands modèles de langage (LLM), crée un besoin de preuves actualisées pour déterminer si les composantes assistées par l'IA améliorent réellement les résultats par rapport aux interventions numériques non assistées par l'IA ou aux soins usuels.

Méthodologie

Cette revue systématique respecte le manuel Cochrane pour les revues systématiques d'interventions et la déclaration PRISMA 2020. La revue a été enregistrée sur PROSPERO (CRD42025642317 et CRD42025642334).

• Critères d'éligibilité : La revue a inclus des essais contrôlés randomisés (ECR) menés dans des pays à revenu élevé (selon la définition de la Banque mondiale) entre le 1er janvier 2010 et le 14 janvier 2025. Les interventions devaient être assistées par l'IA (définie comme des algorithmes apprenant à partir de données pour effectuer des tâches automatisées sans programmation humaine explicite) dans un contexte de santé publique ciblant la consommation d'alcool ou le tabagisme. Les contextes cliniques ont été exclus, à moins que l'intervention elle-même n'utilise des ressources de santé au-delà des soins usuels.
• Stratégie de recherche : Une recherche exhaustive a été effectuée dans Medline, Embase, Web of Science et Scopus. La stratégie comprenait trois éléments :
  1. Recherche directe d'ECR utilisant des termes liés à l'IA et à l'usage de substances.
  2. Recherche de revues systématiques d'interventions de santé publique (2023–2025) pour extraire des références pour le criblage.
  3. Recherche de citations en amont et en aval des essais inclus.
• Synthèse des données : En raison de l'hétérogénéité significative des interventions, des résultats et des points temporels, la méta-analyse n'était pas réalisable. Les résultats ont été synthétisés de manière narrative. Le risque de biais a été évalué indépendamment par deux examinateurs à l'aide de l'outil Cochrane Risk of Bias 2 (RoB2).
• Exclusions : Un changement post-hoc a exclu les interventions où les systèmes experts ou la personnalisation informatique étaient l'unique assistance de l'IA afin de se concentrer sur des applications d'IA plus modernes. Aucune étude utilisant des LLM n'a été identifiée.

Contributions clés

• Synthèse exhaustive des preuves : La revue agrège les données de 16 essais (4 pour l'alcool, 12 pour le tabac) impliquant un total de 73 377 participants randomisés.
• Différenciation des types d'IA : La revue distingue les chatbots basés sur des règles, les systèmes de recommandation et le contenu adapté par l'IA, notant l'absence d'interventions basées sur les LLM dans la littérature actuelle.
• Caractérisation du risque de biais : La revue souligne que les risques de biais élevés, particulièrement concernant les données de résultats manquantes (attrition) et la mesure des résultats (auto-évaluation sans aveugle), sont omniprésents dans les essais inclus.
• Intégration des parties prenantes : Les conclusions ont été contextualisées par des consultations avec des praticiens de la santé publique et des directeurs stratégiques, identifiant des lacunes dans le signalement de la co-production, la préparation des participants et la science de la mise en œuvre.

Résultats

Interventions sur la consommation d'alcool

Quatre essais (4 718 participants) ont été inclus :

• Applications de chatbot : Trois essais ont évalué des applications avec chatbots (deux basés sur des règles, un non spécifié). Les preuves sont mitigées ; deux essais n'ont montré aucune différence dans la consommation d'alcool par rapport aux groupes témoins, tandis qu'un essai impliquant des étudiants a suggéré une réduction de la consommation.
• Sites web adaptés par l'IA : Un essai a évalué une IA basée sur des règles qui adaptait le contenu du site web. Cette intervention a démontré une efficacité dans la réduction de la consommation d'alcool par rapport aux soins usuels.
• Biais : Les quatre essais ont été évalués comme ayant un risque de biais global élevé, principalement en raison de l'attrition et des résultats auto-déclarés.

Interventions de sevrage tabagique

Douze essais (68 659 participants) ont été inclus :

• Chatbots / Applications de messagerie : Huit essais ont évalué des chatbots (principalement basés sur des règles). Les preuves sont mitigées :
  • Les comparaisons contre des applications sans chatbots ont montré des résultats mixtes (certaines augmentant le sevrage à 1 mois, d'autres ne montrant aucun changement à 3 mois).
  • Les comparaisons contre la pratique habituelle ont donné des résultats mitigés, certains essais montrant une augmentation du sevrage à 6–12 mois et d'autres ne montrant aucune différence significative.
  • Les analyses d'équité (modération par l'âge, le sexe, l'éducation) sont incohérentes selon les essais.
• Systèmes de recommandation : Quatre essais ont évalué des systèmes de recommandation.
  • Trois essais comparant des systèmes de recommandation à des systèmes basés sur des règles n'ont trouvé aucune différence dans les résultats de sevrage à 1 ou 6 mois.
  • Un essai comparant un système de recommandation à la pratique habituelle a trouvé l'application nettement plus efficace à 12 mois.
• Biais : Dix des douze essais sur le tabac ont été évalués avec un risque de biais élevé ; deux présentaient « des préoccupations ».

Efficacité globale

La revue n'a trouvé aucune preuve forte et cohérente que l'assistance par l'IA procure un effet bénéfique par rapport aux interventions numériques non assistées par l'IA ou aux soins usuels pour réduire la consommation d'alcool ou le tabagisme. Bien que certains essais individuels aient rapporté des effets positifs, ceux-ci ont souvent été compensés par des essais montrant des résultats nuls, et le risque élevé de biais dans l'ensemble des preuves réduit la confiance dans les conclusions.

Signification et affirmations

L'article conclut qu'il n'existe aucune preuve solide d'un effet bénéfique de l'assistance par l'IA dans les interventions de santé publique pour la réduction de la consommation d'alcool ou du tabagisme dans les pays à revenu élevé.

• Affirmations modestes : Les auteurs précisent explicitement que l'absence de preuves ne prouve pas que l'IA est inefficace, mais plutôt que les preuves actuelles sont insuffisantes pour présumer de l'efficacité ou de la sécurité. L'hétérogénéité des interventions et le risque élevé de biais empêchent des conclusions quantitatives définitives.
• Absence de LLM : La revue note une absence totale d'essais utilisant les grands modèles de langage (LLM), suggérant que le potentiel de ces nouvelles technologies reste non testé dans ce domaine spécifique de la santé publique.
• Équité et sécurité : L'article souligne que les recherches futures doivent intégrer des considérations d'équité dans la conception et l'analyse pour garantir que les interventions assistées par l'IA n'exacerbent pas les inégalités de santé existantes ou ne nuisent pas aux groupes défavorisés.
• Normes de signalement : Les auteurs préconisent une meilleure description des composantes d'IA dans les interventions de santé publique, suggérant l'adoption de directives de signalement spécifiques à l'IA (ex. : CONSORT-AI, SPIRIT-AI) pour améliorer la transparence et la reproductibilité.

En résumé, bien que l'IA soit théoriquement prometteuse pour personnaliser le changement de comportement, la base empirique actuelle dans les contextes de santé publique des pays à revenu élevé est caractérisée par des résultats mitigés et des limites méthodologiques, justifiant la prudence avant l'adoption généralisée des interventions assistées par l'IA sans une évaluation plus rigoureuse.