#SuicidalitéAdolescente #IA #MachineLearning #Prévention Le suicide se classe parmi les principales causes de mortalité chez les adolescents. De fait, il représente un enjeu de santé publique particulièrement préoccupant. Les méthodes classiques d’évaluation du risque reposent principalement sur des entretiens cliniques et des questionnaires
Par Ana Espino | Publié le 28 août 2025| 3 min de lecture
Le suicide se classe parmi
les principales causes de mortalité chez les adolescents. De fait, il
représente un enjeu de santé publique particulièrement préoccupant. Les
méthodes classiques d’évaluation du risque reposent principalement sur des
entretiens cliniques et des questionnaires standardisés. Elles présentent toutefois
plusieurs limites majeures : sous-déclaration des symptômes, difficulté
à détecter les signaux faibles et précoces, subjectivité dans
l’interprétation des réponses, et pouvoir prédictif limité pour
anticiper les comportements suicidaires. Un défi majeur réside dans la
mise au point d’outils capables de détecter de façon précoce, fiable et
personnalisée les jeunes à risque, en intégrant une approche dynamique,
sensible aux évolutions dans le temps, et adaptable à des contextes
culturels variés. Dans cette perspective, l’essor de l’intelligence
artificielle et des modèles d’apprentissage automatique ouvre de nouvelles possibilités pour
analyser de larges volumes de données et identifier des schémas prédictifs
complexes, invisibles aux approches traditionnelles. C’est dans ce contexte que cette
étude a été menée afin d’évaluer la capacité des modèles de machine
learning à prédire le risque suicidaire chez les adolescents, de
déterminer les facteurs prédictifs les plus pertinents et d’identifier
les algorithmes les plus performants en vue d’améliorer la prévention et
l’intervention ciblée.
Et si un algorithme voyait
ce que l’on ne voit pas ?
24 études, publiées entre 2018 et
2024, portant sur plus de 14 000 participants adolescents ou jeunes adultes ont
été sélectionnées.
Les données utilisées provenaient principalement de
questionnaires psychométriques (PHQ-9, GAD-7), de dossiers médicaux
électroniques et d’analyses de contenus issus des réseaux sociaux. Les modèles
testés incluaient des algorithmes supervisés et non supervisés tels que Random
Forest, Convolutional Neural Networks (CNN), Long
Short-Term Memory (LSTM), ainsi que des approches plus classiques comme
la régression logistique. Les facteurs prédictifs les plus puissants étaient la
présence de dépression, d’anxiété, d’antécédents
d’automutilation, l’isolement social et les conflits familiaux.
Les meilleurs résultats
prédictifs ont été observés avec le Random Forest et les CNN,
suivis de près par les LSTM. En comparaison, les modèles plus simples affichaient
des performances nettement inférieures, confirmant l’intérêt des approches
d’apprentissage avancées.
Par ailleurs, l’intégration de données
multimodales – combinant simultanément des informations cliniques, comportementales
et sociales – permettait d’améliorer sensiblement la précision
prédictive, soulignant l’importance d’une vision globale et contextuelle
pour anticiper le risque suicidaire.
Prédire pour prévenir :
l’IA en première ligne
Le suicide chez l’adolescent
constitue un problème majeur de santé publique, nécessitant des outils
de détection plus performants que les approches cliniques traditionnelles. Le
défi est d’intégrer l’intelligence artificielle dans des stratégies de
prévention précoces, fiables et personnalisées, capables
d’identifier les signaux faibles avant que la crise ne survienne. Cette étude
visait à déterminer si les modèles de machine learning pouvaient prédire
efficacement le risque suicidaire à partir de données variées et à identifier
les approches les plus prometteuses.
Les résultats confirment que
certains algorithmes, notamment le Random Forest et les Convolutional
Neural Networks, offrent une capacité prédictive élevée, en
particulier lorsqu’ils s’appuient sur des données multimodales combinant
informations cliniques, comportementales et sociales. Les prochaines étapes
devraient inclure le développement de cohortes longitudinales à grande
échelle, l’intégration de modèles interprétables pour une
application clinique, et l’évaluation de leur efficacité au sein de programmes
de prévention intégrésdans les établissements scolaires et les structures
de santé, afin de renforcer la capacité d’action face à ce fléau.
À propos de l'auteure – Ana Espino Docteure en immunologie, spécialisée en virologie
Rédactrice scientifique, Ana est animée par la volonté de relier la recherche à l’impact concret. Spécialiste en immunologie, virologie, oncologie et études cliniques, elle s’attache à rendre la science complexe claire et accessible. Sa mission : accélérer le partage des savoirs et favoriser des décisions éclairées grâce à une communication percutante.
Connexion requise pour lire la suite
Réservé aux professionnels de santé, inscription gratuite.
Référence scientifique
Metri, P., et al. (2025). Predictive modeling of adolescent suicidal behavior using machine learning: Key features and algorithmic insights. MethodsX, 15, 103454
