Phénotypage numérique
En bref : Le phénotypage numérique consiste à collecter et analyser passivement des données comportementales via le smartphone (capteurs, usage, géolocalisation) pour quantifier en temps réel des patterns liés à la santé mentale.
Pourquoi ce concept est utile
De plus en plus de patients arrivent en séance avec des données issues de leurs smartphones ou objets connectés : suivi du sommeil, compteur de pas, temps d'écran. Le phénotypage numérique formalise cette idée et la pousse plus loin : il ambitionne de détecter des signaux comportementaux de rechute ou de détérioration avant même que le patient n'en ait conscience.
Pour le clinicien, comprendre ce concept est essentiel à deux titres : d'une part, pour évaluer de manière critique les outils numériques qui intègrent ces approches ; d'autre part, pour anticiper les questions éthiques que ces technologies soulèvent dans la relation thérapeutique (surveillance, autonomie, consentement).
Les 5 composantes clés
1. Capteurs passifs
L'accéléromètre mesure l'activité physique, le GPS trace la mobilité géographique, le microphone peut analyser des patterns vocaux, le capteur de luminosité ambiante infère les rythmes de sommeil, et le Bluetooth détecte la proximité sociale. Tout cela sans action requise de l'utilisateur.
2. Données d'usage actif
Fréquence des appels et SMS, usage des applications, temps d'écran, interactions sur les réseaux sociaux. Ces données reflètent les comportements sociaux numériques et peuvent révéler des changements dans l'engagement social du patient.
3. Évaluations écologiques momentanées (EMA)
Des micro-questionnaires contextualisés, envoyés à des moments pertinents, captent l'état subjectif du patient en temps réel. C'est la composante "active" qui complète les données passives en ajoutant la dimension du vécu.
4. Détection de patterns par apprentissage automatique
Des algorithmes identifient des signatures comportementales prédictives de rechute ou de détérioration. Par exemple, une diminution progressive de la mobilité géographique combinée à un usage nocturne accru du téléphone pourrait signaler un épisode dépressif en cours.
5. Plateformes ouvertes (ex. mindLAMP)
Des outils open-source comme mindLAMP (Learn, Assess, Manage, Prevent), développé par l'équipe de John Torous à Harvard, permettent aux chercheurs et cliniciens de déployer ces approches dans un cadre contrôlé et transparent.
Cas clinique illustratif
Thomas, 32 ans, suivi pour un trouble bipolaire de type II, utilise une application de suivi d'humeur recommandée par son psychiatre. L'application collecte aussi des données passives (sommeil via accéléromètre, mobilité GPS).
Lors d'une séance, il rapporte que l'application lui a envoyé une alerte "risque de rechute détecté" alors qu'il se sentait "très bien" : il venait de déménager (mobilité inhabituelle) et travaillait tard sur un projet stimulant (changement de pattern de sommeil).
Lecture avec le phénotypage numérique : ce cas illustre deux limites fondamentales. D'abord, le problème des faux positifs : un algorithme interprète un changement de pattern comme pathologique alors qu'il reflète un événement de vie positif. Ensuite, la question de l'impact de l'alerte elle-même : Thomas, d'abord serein, se met à douter de son propre état, introduisant une anxiété iatrogène. Le clinicien peut ici aider à contextualiser les données et restaurer la confiance du patient dans son auto-évaluation.
En pratique pour le clinicien
- Questionner les sources : quand un patient mentionne des données de santé issues de son téléphone, explorer avec lui ce qui est mesuré, comment, et ce que cela signifie réellement.
- Distinguer signal et diagnostic : un pattern algorithmique n'est pas un diagnostic. Rappeler que ces outils produisent des indicateurs, pas des vérités cliniques.
- Évaluer le consentement éclairé : le patient comprend-il vraiment quelles données sont collectées, par qui, et dans quel but ? La collecte "passive" rend cette question particulièrement importante.
- Surveiller l'effet iatrogène : le monitoring continu peut modifier le rapport du patient à ses propres symptômes, générant hypervigilance ou anxiété de performance.
Points de vigilance
Le phénotypage numérique n'est PAS :
- De la surveillance : il nécessite un consentement éclairé et une supervision clinique
- Un outil diagnostic : les patterns algorithmiques sont des signaux, pas des diagnostics
- Le Quantified Self : la démarche est clinique et encadrée, pas une optimisation personnelle individuelle
Limites et risques :
- Réductionnisme comportemental : les comportements observables via smartphone ne couvrent pas l'état psychologique subjectif
- Faux positifs et négatifs : une mobilité réduite peut refléter une dépression... ou un week-end pluvieux
- Biais socio-économiques : présuppose la possession d'un smartphone récent et un usage régulier
- Hyper-médicalisation : la collecte continue peut altérer la relation du patient à son propre comportement
- Validation clinique limitée : peu d'essais contrôlés randomisés démontrent une supériorité sur le suivi classique
Acteurs clés
| Chercheur | Contribution |
|---|---|
| Jukka-Pekka Onnela | Co-conceptualisation du cadre théorique du phénotypage numérique (Harvard) |
| John Torous | Pionnier de l'implémentation clinique, créateur de la plateforme mindLAMP (Harvard/BIDMC) |
Pour aller plus loin
- Article fondateur : Torous, J., Kiang, M. V., Lorme, J., & Onnela, J.-P. (2016). New tools for new research in psychiatry: A scalable and customizable platform to empower data driven smartphone research. JMIR Mental Health, 3(2), e16.
- Plateforme open-source : Division of Digital Psychiatry (Beth Israel Deaconess Medical Center, Harvard) — mindLAMP et ressources associées.
- Revue critique : Torous, J. et al. (2025). Scoping review on LLMs in mental health care — inclut une discussion sur l'intégration du phénotypage numérique dans les dispositifs de soin augmentés par l'IA.
Concepts liés : Quantified Self (glossaire)
Fiche mise à jour : janvier 2026