Le ministère de la Santé mentionne l’élaboration d’un Plan stratégique national multisectoriel de la santé mentale à l’horizon 2030. La prévention et le repérage précoce appellent, dans ce cadre, des réponses concrètes. Les Groupements sanitaires territoriaux (GST) auront un rôle à jouer dans leur mise en œuvre. L’intelligence artificielle est souvent présentée comme un moyen de détecter plus tôt les situations à risque. Les travaux scientifiques récents invitent toutefois à la prudence. L’avancée décisive dépendra moins de la performance des algorithmes que de la capacité des organisations de santé à les intégrer avec discernement, au bénéfice réel des patients.
Une crise psychiatrique ne commence pas toujours aux portes des urgences. Elle est parfois précédée d’une dégradation progressive de l’état de santé, de rendez-vous manqués ou d’une interruption du suivi. Ces signes, dispersés entre le centre de santé, l’hôpital, la pharmacie et l’entourage du patient, sont rarement rapprochés les uns des autres. Ils ne suffisent pas toujours à prévoir la crise, mais ils constituent autant d’occasions d’intervenir plus tôt. Dans ce contexte et avec la mise en place des GST, une question mérite d’être posée. L’intelligence artificielle peut-elle contribuer à repérer ces situations suffisamment tôt pour améliorer la prise en charge des patients ?
Anticiper sans prétendre tout prédire
La prédiction demeure particulièrement difficile en psychiatrie, où les troubles résultent de l’interaction de facteurs biologiques, psychologiques, sociaux et environnementaux dont le poids varie d’un patient à l’autre. Une méta-analyse publiée en septembre 2025 dans PLOS Medicine par l’équipe de Matthew Spittal, de l’Université de Melbourne, en apporte une illustration éloquente. Portant sur 53 études consacrées à la prédiction du suicide et de l’automutilation par apprentissage automatique, elle montre que plus de la moitié des personnes ayant ensuite présenté un geste d’automutilation ou étant décédées par suicide avaient été classées à faible risque. Les algorithmes ne faisaient pas mieux que les échelles d’évaluation habituelles, et les auteurs concluent qu’il n’y a pas lieu de modifier les recommandations cliniques actuelles. Ces résultats, limités au suicide et à l’automutilation, ne sauraient être étendus à l’ensemble des crises psychiatriques. Néanmoins, ils rappellent qu’une probabilité statistique ne renseigne pas, à elle seule, sur l’évolution d’un patient donné. L’intelligence artificielle peut mettre en évidence des associations que les méthodes classiques repèrent mal, sans restituer nécessairement toute l’histoire du patient ni son environnement. Elle ne se substitue donc ni à l’évaluation globale de ses besoins ni au jugement du clinicien.
La multiplication des modèles prédictifs ne garantit pas pour autant leur fiabilité. Une étude publiée en octobre 2025 dans BMC Medicine, portant sur 167 modèles destinés à prédire les risques de suicide et d’automutilation, révèle que seuls 8 % avaient été évalués auprès de patients différents de ceux utilisés pour les développer. Autrement dit, pour la grande majorité de ces modèles, nous ne savons pas encore s’ils fonctionneraient aussi bien dans d’autres établissements ou auprès d’autres populations. Quelques modèles présentent néanmoins des résultats encourageants, mais leur utilisation à grande échelle exige encore des évaluations rigoureuses. Pour les responsables des organisations de santé, cette distinction est essentielle. Avant d’adopter un outil d’intelligence artificielle, il ne suffit pas de vérifier sa capacité à détecter un risque. Il faut également s’assurer de sa fiabilité dans les conditions réelles de prise en charge et, surtout, de son utilité pour améliorer la sécurité des patients et la continuité des soins.
Les territoires ne sont pas égaux devant les données
L’approche territoriale des GST soulève un autre défi majeur. Les besoins en santé mentale, l’accès aux soins et la disponibilité des professionnels varient considérablement d’une région à l’autre. Or, la fiabilité de l’intelligence artificielle dépend directement de la qualité et de la représentativité des données utilisées. Une étude publiée en 2019 dans la revue Science, par Ziad Obermeyer et ses collègues, illustre bien ce risque. Aux États-Unis, un algorithme destiné à identifier les patients nécessitant un suivi médical renforcé s’appuyait principalement sur leurs dépenses de santé pour évaluer leurs besoins. Cette méthode conduisait à sous-estimer les besoins de certains groupes de patients, dont les dépenses étaient plus faibles malgré un état de santé comparable à celui d’autres patients. Bien que cette étude ne porte pas sur la psychiatrie, elle met en évidence un risque qui mérite une attention particulière dans l’organisation territoriale des soins. En effet, un patient qui consulte peu n’est pas nécessairement en meilleure santé. Il peut simplement vivre loin des établissements de soins, rencontrer des difficultés financières ou ne pas avoir accès aux professionnels dont il a besoin. Si ces réalités ne sont pas prises en compte, les algorithmes risquent de sous-estimer les besoins des populations moins bien desservies.
Pour les GST, l’enjeu dépasse donc le choix des technologies. Il consiste aussi à disposer de données fiables et représentatives des réalités sanitaires de chaque territoire. La digitalisation du système de santé prend ici tout son sens. Sans une connaissance suffisamment précise des besoins des populations, même les outils d’intelligence artificielle les plus performants risquent de produire des analyses incomplètes et d’orienter les décisions dans la mauvaise direction.
Quand l’anticipation devient une question d’organisation
À supposer qu’un outil parvienne à repérer de façon fiable une situation de vulnérabilité, encore faudrait-il déterminer qui reçoit l’alerte, dans quel délai et quelle réponse apporter au patient. Une alerte sans suite ne protège personne, et un score de risque ne remplace pas une évaluation clinique. Mon expérience de près de vingt ans dans le financement et l’accompagnement des organisations de santé au Canada m’a enseigné une réalité essentielle. La performance d’un outil dépend moins de sa sophistication que de la capacité des équipes à l’intégrer dans leurs pratiques et à en traduire les résultats en actions concrètes.
C’est précisément à ce niveau que les GST peuvent faire la différence. Leur ancrage territorial offre un cadre pour améliorer l’articulation entre soins de santé primaires, hôpitaux et structures spécialisées, à condition de clarifier les responsabilités et d’organiser les échanges d’informations dans le respect du droit. Les réflexions engagées autour des filières de soins, notamment en santé mentale dans le GST Rabat-Salé-Kénitra, s’inscrivent dans cette logique. Avant même de chercher à prédire, l’enjeu consiste souvent à mieux exploiter ce qui est déjà connu. Pour les GST, il ne s’agit donc pas d’accumuler les outils numériques, mais de construire des réponses adaptées à la réalité de chaque territoire, en associant la recherche clinique et les équipes de terrain. Préserver la confiance et la dimension humaine
Préserver la confiance et la dimension humaine
L’utilisation de l’intelligence artificielle en santé mentale soulève également des questions éthiques sensibles. Les informations relatives à l’état psychologique d’une personne, à ses comportements ou à ses antécédents psychiatriques relèvent de sa sphère la plus intime, et leur exploitation exige des garanties solides de confidentialité, de sécurité et de respect des droits. L’Organisation mondiale de la santé l’a rappelé dans ses orientations sur l’éthique et la gouvernance de l’intelligence artificielle en santé, publiées en 2021 et complétées en 2024 pour les grands modèles multimodaux, en insistant sur la transparence, la responsabilité humaine et l’évaluation des risques. En psychiatrie, une erreur de classement peut entraîner une inquiétude injustifiée, une stigmatisation ou une décision inadaptée. À l’inverse, une confiance excessive dans un score peut conduire à sous-estimer une situation qui exigeait toute l’attention du clinicien. Au Maroc, la loi 09-08 encadre le traitement des données personnelles de santé, considérées comme sensibles. Leur utilisation et leur partage entre établissements doivent respecter les exigences de confidentialité et de sécurité, ainsi que les formalités applicables auprès de la CNDP. La relation thérapeutique doit donc demeurer au centre, et l’intelligence artificielle ne doit intervenir qu’en appui des professionnels, une fois son utilité et sa sécurité démontrées.
De la capacité à prédire à la capacité d’agir
L’intelligence artificielle apportera-t-elle pour autant une réelle valeur ajoutée? À mon sens, oui, mais pas nécessairement dans le rôle qu’on lui prête le plus souvent. Les études citées mettent surtout en évidence les limites actuelles de la prédiction individuelle du suicide et de l’automutilation; elles ne permettent pas de conclure de la même manière pour toutes les crises psychiatriques. Faire reposer la prévention sur la seule prédiction algorithmique serait donc prématuré. Trois pistes méritent plutôt d’être examinées. La première consiste à rendre visibles, pour les équipes autorisées, des informations de suivi aujourd’hui dispersées, comme des rendez-vous manqués ou des passages répétés aux urgences, sous réserve d’un partage légal et sécurisé. La deuxième serait d’aider à identifier les ruptures de suivi déjà observables, afin que les soignants puissent envisager des relances adaptées, sans assimiler cette démarche à une prédiction de crise. La troisième, à l’échelle des GST, consisterait à analyser des données agrégées pour mieux connaître les besoins des territoires et orienter l’offre de soins. Toutes ces applications ne nécessitent d’ailleurs pas des algorithmes complexes. Certaines reposent d’abord sur des systèmes d’information fiables et une meilleure coordination entre les professionnels. L’intelligence artificielle n’est pertinente que si elle apporte un bénéfice supplémentaire démontrable par rapport aux outils existants. Dans chaque cas, l’outil assiste les professionnels ; il ne décide pas à leur place.
Encore faut-il que l’organisation des soins soit en mesure d’en tirer parti. Les ambitions nationales en santé mentale impliquent de répondre à des besoins importants en personnel, en capacités d’accueil et en services spécialisés. Ces investissements demeurent essentiels, mais ils ne suffiront pas si les ruptures de suivi persistent et si les patients n’accèdent aux soins qu’au stade de la crise. Le repérage précoce doit être organisé parallèlement au développement de l’offre. L’intelligence artificielle n’y apportera une valeur réelle que si ses usages ont été évalués auprès des populations concernées, encadrés par des garanties juridiques et éthiques et intégrés à une organisation capable de donner suite aux informations utiles. À défaut, elle risque de produire davantage d’indicateurs que d’améliorations pour les patients.
À l’horizon 2030, le progrès ne se mesurera pas au nombre d’algorithmes déployés dans les établissements, mais à notre capacité collective de prévenir les ruptures de soins, de reconnaître les situations de vulnérabilité et d’intervenir avant qu’elles ne deviennent critiques. Les GST auront un rôle déterminant à jouer dans cette ambition, en favorisant la coordination des professionnels, l’exploitation de données fiables et l’intégration raisonnée des nouvelles technologies. En santé mentale, anticiper ne suffit pas. Encore faut-il être capable d’agir.
Rafik Ikram, MBA
Conseiller stratégique en financement et transformation des organisations de santé
Fondateur de Rafium Consulting, il possède près de vingt ans d’expérience au Canada dans le financement et l’accompagnement des professionnels et des organisations de santé. Il consacre aujourd’hui ses travaux à la réforme sanitaire marocaine, à la performance des organisations de soins et aux Groupements sanitaires territoriaux.
Références scientifiques
Spittal, M. J., et al. (2025). Machine learning algorithms and their predictive accuracy for suicide and self-harm: Systematic review and meta-analysis. PLOS Medicine, 22(9), e1004581. https://doi.org/10.1371/journal.pmed.1004581
Seyedsalehi, A., Bailey, J., Ogonah, M. G. T., Fanshawe, T. R., & Fazel, S. (2025). Prediction models for self-harm and suicide: a systematic review and critical appraisal. BMC Medicine, 23, 549. https://doi.org/10.1186/s12916-025-04367-6
Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342
Organisation mondiale de la Santé (2021). Ethics and governance of artificial intelligence for health: WHO guidance. https://www.who.int/publications/i/item/9789240029200
Organisation mondiale de la Santé (2024). Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models. https://www.who.int/publications/i/item/9789240084759
Commission nationale de contrôle de la protection des données à caractère personnel (CNDP). Conditions de traitement et notification des données sensibles. https://www.cndp.ma/conditions/ ; https://www.cndp.ma/notifier-un-traitement/
Ministère de la Santé et de la Protection sociale (2025). Rapport national sur la mise en œuvre de l’ODD 3 au titre de l’année 2024, section « Santé mentale », sante.gov.ma.