Acceptability and implementation feasibility of a mobile application powered by generative artificial intelligence for mental health screening and referral in Uganda

Résumé technique : Acceptabilité et faisabilité de la mise en œuvre d'une application mobile d'IA générative pour la santé mentale en Ouganda

Énoncé du problème

L'Ouganda est confronté à une crise critique de santé mentale, avec environ 14 millions de personnes affectées par la dépression et les troubles anxieux. Ce fardeau est exacerbé par une grave pénurie de spécialistes (environ un psychiatre pour un million d'habitants), un financement limité (1 % du budget national de la santé) et une stigmatisation omniprésente. Bien que les outils de santé numérique et les interventions pilotées par l'IA soient prometteurs à l'échelle mondiale, il existe un manque de preuves concernant leur acceptabilité et la faisabilité de leur mise en œuvre dans les contextes africains à faible revenu. Les outils de santé mentale par l'IA existants sont principalement développés pour des populations occidentales anglophones à haut revenu, ce qui soulève des préoccupations concernant l'adéquation culturelle, le biais algorithmique et la performance dans les langues locales. De plus, les contraintes infrastructurelles telles qu'un accès internet peu fiable, des coûts de données élevés et une possession limitée de smartphones menacent l'accès équitable.

Méthodologie

Cette étude a employé un dessein de preuve de concept à méthodes mixtes mené entre janvier et mai 2026 à Kampala, en Ouganda.

• Participants : Un échantillon par choix raisonné de 50 participants a été recruté, composé de 25 membres du grand public et de 25 agents de santé (incluant des psychiatres, des officiers cliniques en psychiatrie, des infirmiers et des médecins généralistes).
• Intervention : L'étude a évalué une application mobile alimentée par l'IA générative conçue pour le dépistage de la santé mentale, l'auto-assistance et l'orientation.
  • Architecture technique : L'application utilise un modèle de langage étendu (LLM) intégré à des outils de dépistage validés : le Patient Health Questionnaire (PHQ-4, PHQ-9) et l'échelle du Generalized Anxiety Disorder (GAD-7).
  • Mécanisme de l'IA : Contra�à un chatbot traditionnel basé sur des règles, le système utilise un système de connaissances basé sur des documents. Il extrait et interprète des informations de protocole pré-chargées (directives PHQ/GAD) pour générer des réponses dynamiques, contextuelles et en langage naturel. Bien que le système soit conçu pour construire des réponses à partir d'un ensemble de fichiers curatés plutôt que de s'appuyer sur Internet pour générer le texte lui-même, l'application nécessite toujours une connectivité Internet pour la transmission des données et l'interaction, une dépendance explicitement identifiée comme un principal obstacle à la mise en œuvre.
  • Fonctionnalités de sécurité : L'application inclut une logique de référence automatique pour les symptômes graves, y compris une fonction de numérotation automatique vers les établissements de santé à proximité en cas de suicidalité. Elle n'est explicitement pas un outil de diagnostic ou de prescription.
  • Sécurité : Les données sont protégées par un protocole TLS 1.2+ et un chiffrement AES-256 au repos. L'identification de l'utilisateur est minimisée, utilisant les numéros de téléphone mobile comme identifiants uniques avec une option d'enregistrement du nom.
• Collecte de données : L'étude a utilisé une évaluation pré-post mise en œuvre.
  • Quantitative : Des enquêtes de base et de fin d'étude ont mesuré les perceptions, l'acceptabilité et les modèles d'utilisation.
  • Qualitative : Des entretiens avec des informateurs clés (KII) et des retours ouverts ont été menés pour explorer les expériences des utilisateurs et les barrières.
• Cadres analytiques :
  • Acceptabilité : Évaluée via le Modèle d'Acceptation de la Technologie (TAM), se concentrant sur l'Utilité Perçue (UP) et la Facilité d'Utilisation Perçue (FUP).
  • Faisabilité : Évaluée via le cadre de faisabilité de Bowen, couvrant cinq domaines : la demande, la mise en œuvre, la praticité, l'intégration et l'expansion.

Résultats clés

L'étude a démontré une haute acceptabilité et une grande faisabilité, bien que des barrières infrastructurelles importantes subsistent.

1. Acceptabilité (Résultats du TAM) :

• Utilité Perçue : Après la mise en œuvre, 95,6 % des participants du grand public ont jugé les informations pertinentes pour leurs besoins, et 90,9 % ont déclaré qu'ils recommanderaient l'application. Les agents de santé (HCW) ont considéré l'outil comme un mécanisme précieux d'aide à la décision qui réduit la charge de travail et améliore la précision du diagnostic pour les non-spécialistes.
• Facilité d'Utilisation Perçue : 90,9 % ont convenu que les fonctionnalités étaient faciles à utiliser, et 77,3 % pouvaient utiliser l'application sans l'aide d'un tiers. Cependant, des problèmes techniques (questions répétitives) et des barrières linguistiques (interface uniquement en anglais) ont été notés comme des points de friction.

2. Faisabilité (Résultats du cadre de Bowen) :

• Demande : Il y avait une demande latente substantielle ; 100 % des participants de base ont exprimé leur volonté d'utiliser l'application. Après la mise en œuvre, 56,7 % du grand public a utilisé l'application pour le dépistage ou l'auto-assistance au cours d'un mois.
• Mise en œuvre : Les principaux obstacles identifiés étaient la dépendance à Internet, les coûts élevés des données mobiles et l'absence de fonctionnalité multilingue. 40 % des participants de fin d'étude ont cité les coûts de données comme un obstacle majeur.
• Praticité : L'application a été jugée pratique pour les contextes cliniques et communautaires, avec 45,45 % des utilisateurs complétant une session de dépistage en 5 à 10 minutes.
• Intégration : 96 % des participants au début préféraient que l'application soit liée aux établissements de santé. À la fin de l'étude, 36,4 % des utilisateurs avaient donné suite à une recommandation de l'application.
• Expansion : 100 % des participants étaient prêts à recommander l'application à d'autres. Cependant, 76 % des participants initiaux ont indiqué qu'une fonctionnalité bilingue (anglais + langues locales) est essentielle pour une portée plus large.

Contributions clés

• Validation contextuelle : Il s'agit de la première étude évaluant un outil de santé mentale alimenté par l'IA générative spécifiquement dans le contexte ougandais, fournissant la preuve que de telles technologies peuvent être acceptables et réalisables dans des contextes à faibles ressources.
• Application de l'IA générative : L'étude démontre l'utilité des LLM pour fournir un dépistage de la santé mentale structuré et basé sur des protocoles (PHQ/GAD) avec la flexibilité d'une conversation en langage naturel, allant au-delà des chatbots rigides basés sur des arbres de décision.
• Soutien au partage des tâches : Les résultats suggèrent que l'outil peut efficacement soutenir le partage des tâches en permettant aux prestataires non spécialisés et au grand public de mener des dépistages initiaux et de l'auto-assistance, réduisant potentiellement la charge sur les ressources spécialisées rares.
• Perspectives de mise en œuvre : La recherche identifie des barrières spécifiques et exploitables pour le déploiement à grande échelle en Afrique subsaharienne, à savoir le besoin de capacités hors ligne, l'accès aux données sans frais (zero-rated) et la localisation dans les langues locales.

Signification et affirmations

L'article affirme qu'une application mobile alimentée par l'IA générative est une solution réalisable et hautement acceptable pour le dépistage, l'auto-assistance et l'orientation en santé mentale en Ouganda. Les auteurs affirment que l'application est prometteuse pour :

• Réduire la stigmatisation : En offrant l'anonymat et la confidentialité, l'outil encourage la divulgation chez les individus réticents à chercher des soins en face à face.
• Améliorer l'accès : Elle répond aux barrières structurelles telles que les coûts de transport, les temps d'attente et la pénurie de spécialistes.
• Renforcer les soins non spécialisés : Elle sert de ressource de renforcement des capacités pour les agents de santé, fournissant des directives structurées et réduisant la charge cognitive.

Cependant, les auteurs maintiennent une position modérée concernant l'extensibilité. Ils concluent que bien que la preuve de concept soit réussie, le passage à l'échelle dépend de la résolution des barrières structurelles liées à la connectivité Internet, aux coûts des données, à l'accessibilité linguistique et à la possession de smartphones. L'article stipule explicitement que des études plus larges sont nécessaires pour évaluer l'efficacité à long terme, le rapport coût-efficacité et l'intégration de l'outil dans les systèmes de santé de routine avant un déploiement national généralisé.