La surveillance numérique des habitudes de sommeil et de l’activité quotidienne pourrait offrir une nouvelle approche pour détecter les premiers signes d’instabilité de l’humeur chez les personnes atteintes de trouble bipolaire, et permettre une intervention rapide grâce à des thérapies éprouvées.
Des études récentes, publiées dans le Journal psychiatrique scandinave et npj Médecine Numérique, mettent en évidence la corrélation entre les variations du rythme veille-sommeil, la durée totale du sommeil et la régularité des activités quotidiennes, et les fluctuations de l’humeur chez les patients bipolaires. Ces changements précèdent souvent une détérioration de l’état mental, reflétant des perturbations du rythme circadien.
Parallèlement, la thérapie cognitivo-comportementale numérique pour l’insomnie (TCC-I) s’impose comme une solution thérapeutique accessible. Des recherches publiées dans Réseau JAMA ouvert et Frontières en psychiatrie jusqu’en 2024 et 2025 démontrent que les programmes numériques axés sur le sommeil améliorent non seulement les symptômes de l’insomnie, mais réduisent également la comorbidité dépressive et anxieuse.
Cette convergence ouvre la voie à une utilisation concrète et à faible risque du phénotypage numérique. Les équipes de développement peuvent concevoir des modules de surveillance et d’intervention spécifiquement adaptés aux patients bipolaires, tout en s’inscrivant dans les protocoles de soins existants. Cela permettrait aux professionnels de santé de :
- Suivre des indicateurs pertinents et peu contraignants.
- Modéliser les risques à court terme de manière transparente et vérifiable.
- Intervenir avec des méthodes éprouvées et remboursables.
Contrairement aux tentatives antérieures qui se concentraient sur des volumes massifs de données (temps d’écran, activité sur les réseaux sociaux, etc.), les recherches actuelles privilégient un ensemble restreint de mesures passives liées à la stabilité du rythme circadien :
- Régularité du sommeil (cohérence des heures de coucher et de réveil).
- Variabilité de l’heure du coucher (écart par rapport à la moyenne habituelle).
- Tendances de la durée totale du sommeil.
Ces données peuvent alimenter des modèles d’apprentissage automatique simples ou des analyses statistiques permettant d’évaluer les risques. Pour garantir l’efficacité de ces solutions, il est essentiel de respecter trois principes directeurs :
- Utiliser des horizons temporels courts : la prédiction à court terme (le lendemain ou sur une période de 7 à 14 jours) permet de détecter les risques émergents et de déclencher une réponse rapide (sensibilisation, ajustement, micro-intervention) avant qu’un épisode complet ne se développe. Les études mentionnées ci-dessus montrent des performances prometteuses, avec une capacité de prédiction des changements dépressifs et hypomaniaques allant de 0,80 à 0,98 sur une période d’un jour, et une précision de 80 à 89 % sur une fenêtre de deux semaines.
- Privilégier une évaluation en catégories ordinales : plutôt que de fournir un résultat binaire (oui/non), il est préférable d’évaluer l’instabilité sur une échelle (stable, légèrement instable, risque élevé). Cette approche correspond à la manière dont les cliniciens évaluent les risques et réduit le risque de fausses certitudes.
- Signaler les incertitudes et réétalonner régulièrement les modèles : les modèles doivent indiquer une marge d’erreur et être régulièrement mis à jour pour tenir compte de l’évolution du comportement des patients.
L’approche idéale consiste à mettre en place un système d’intervention à plusieurs niveaux :
Le premier niveau est une intervention adaptative juste-à-temps (JATAI), une aide légère et personnalisée basée sur le signal détecté. Par exemple, un patient dont l’heure du coucher a considérablement varié pourrait recevoir un message l’invitant à se détendre plus tôt, à ajuster son exposition à la lumière du matin ou à consulter son journal de bord. Des recherches récentes montrent que même de petites interventions, lorsqu’elles sont proposées au bon moment, peuvent favoriser l’adhésion et l’autorégulation.
Si la tendance persiste, le programme peut proposer automatiquement un module de TCC-I numérique, sans nécessiter l’approbation d’un clinicien. Cela pourrait inclure des conseils pour ajuster l’heure du coucher afin de consolider le sommeil (thérapie de restriction du sommeil) ou pour modifier les croyances erronées concernant le sommeil (restructuration cognitive). Ces éléments clés de la TCC-I ont démontré leur efficacité dans les essais cliniques et dans la pratique numérique.
Enfin, si les troubles du sommeil s’aggravent ou si d’autres symptômes apparaissent (via des questionnaires ou des évaluations intégrées à l’application), le système peut alerter l’équipe soignante, envoyer un message au patient ou l’inviter à prendre rendez-vous. À ce stade, un clinicien prend le relais pour décider s’il faut initier un contact, ajuster le traitement ou intensifier les soins. Ce transfert garantit que le jugement clinique reste au cœur des décisions diagnostiques et thérapeutiques, tout en permettant au système numérique d’assurer une détection précoce des risques.
Pour garantir un déploiement responsable, il est essentiel de définir des limites opérationnelles claires, en particulier lors de l’utilisation de données comportementales collectées passivement. La confiance des patients, des cliniciens et des équipes chargées de la protection de la vie privée est primordiale.
Il est recommandé de limiter la collecte de données aux mesures de sommeil et d’activité suivies passivement (via des appareils portables ou des capteurs de téléphone) et, éventuellement, aux échelles d’humeur ou de sommeil auto-déclarées par les patients. Il faut éviter de collecter des données sensibles telles que l’historique de localisation, les enregistrements audio ou les scores de « stress » généraux des appareils portables qui n’ont pas été validés dans des populations cliniques. Cela simplifie également la conformité aux réglementations sur la protection des données de santé.
Le consentement éclairé est également crucial. Les participants doivent être informés de manière claire et concise des données collectées, de leur utilisation, de leur accès et de la possibilité de retirer leur consentement à tout moment. Un message de consentement simple et direct peut être affiché avant les conditions générales formelles :
« Nous aimerions collecter des données sur votre sommeil, vos pas et votre activité dans les applications pour vous aider à repérer les schémas pouvant signaler des signes précoces de changement d’humeur. Ces données restent privées et ne sont partagées avec votre équipe soignante que si un schéma à risque apparaît. Vous pouvez désactiver cette option à tout moment. »
Enfin, le système ne doit pas tenter de diagnostiquer le trouble bipolaire ou de modifier les soins sur la seule base de données passives. Les signaux de risque doivent servir à amorcer une conversation, à soutenir une prise de décision partagée ou à encourager des interventions autoguidées, telles qu’un module de TCC-I numérique. Les résultats du modèle ne sont pas des directives cliniques, mais un contexte à considérer par les cliniciens et les patients.
Pour évaluer l’efficacité d’un tel programme, il est recommandé de suivre deux types de résultats : l’amélioration cliniquement significative de la gravité de l’insomnie (à l’aide d’une échelle validée) et les changements dans la gravité des symptômes de l’humeur, l’adhésion au programme et la réduction des escalades de soins. Une période d’observation de 6 à 12 mois, avec des enregistrements hebdomadaires ou bihebdomadaires, permet d’évaluer les tendances et les fluctuations de l’humeur. La transparence et la validation des modèles sont également essentielles, en documentant leur sensibilité, leur spécificité, leur calibrage et leur cohérence entre les sous-groupes.
Le phénotypage numérique représente une opportunité réaliste pour améliorer la prise en charge du trouble bipolaire, en se concentrant sur les habitudes de sommeil, les signaux de risque à court terme et les interventions fondées sur des preuves.