Dans un cas fictif, un étudiant de 20 ans consulte pour une insomnie. Au milieu de la conversation, il raconte que depuis des mois il parle chaque soir à un chatbot, et que la semaine dernière il lui a écrit qu'il « ne voyait plus de sens à continuer ». Le programme a répondu par un message de soutien générique et a changé de sujet. Il demande, un peu gêné, si cela « compte ».

Cela compte, et beaucoup. Les chatbots de santé mentale sont passés de curiosité à outil d'usage quotidien pour beaucoup de gens, et la recherche a avancé sur deux fronts qui se parlent peu. D'un côté, des essais randomisés mesurent l'effet de ces programmes sur les symptômes de dépression, d'anxiété et de stress. De l'autre, des études d'audit testent comment les chatbots répondent quand quelqu'un parle de suicide ou d'automutilation.

Ce texte résume ce que montrent les méta-analyses, qui a participé aux études, où les résultats sont non concluants et que faire en consultation quand le patient raconte qu'il parle à un chatbot en crise.

Points principaux

• Dans une revue de 13 essais randomisés chez des jeunes, dont 11 réunis dans la méta-analyse, les chatbots ont réduit la détresse psychologique avec une taille d'effet petite (g de Hedges de −0,28), avec une certitude des preuves classée comme modérée par les auteurs (Li et al., 2025).
• Dans le même travail, l'effet sur le bien-être psychologique était non concluant, car l'intervalle de confiance incluait l'absence d'effet (Li et al., 2025).
• Dans une méta-analyse de huit essais menés en Asie, avec 921 participants, les chatbots ont réduit les symptômes dépressifs, mais les effets sur l'anxiété et le stress étaient non concluants (Leung et al., 2026).
• Dans un test avec 29 chatbots face à des messages simulés de risque croissant de suicide, aucun n'a donné une réponse jugée adéquate selon les critères des auteurs (Pichowicz et al., 2025).
• La plupart des participants des essais étaient des jeunes sans diagnostic, recrutés dans des écoles et des universités, et presque aucune étude n'a suivi les effets au-delà de quelques semaines.

• Qu'est-ce qu'un chatbot de santé mentale
• Ce que montrent les méta-analyses chez les jeunes
• Ce que montrent les études en Asie et les revues plus larges
• Où est le risque : la réponse en situation de crise
• Que faire quand le patient raconte qu'il utilise un chatbot
• Comment NEXO aide à entraîner ce raisonnement
• Questions fréquentes
• Take-home messages

Qu'est-ce qu'un chatbot de santé mentale

Un chatbot est un programme qui converse avec l'utilisateur par texte ou par voix. En santé mentale, la revue de Li et ses collègues décrit une évolution de systèmes fondés sur des règles, avec des réponses prédéfinies et des arbres de décision, vers des systèmes d'intelligence artificielle (IA) qui traitent le langage naturel (Li et al., 2025). Les plus récents utilisent des grands modèles de langage, les mêmes qui sont derrière les assistants d'usage général.

Cette distinction compte parce que les études mélangent des produits très différents. Un chatbot à règles suit un scénario de thérapie cognitivo-comportementale écrit par des cliniciens. Un modèle génératif crée chaque réponse sur le moment, et peut dire des choses que personne n'avait prévues. Et beaucoup de gens utilisent, pour se confier, des assistants d'usage général qui n'ont été ni conçus ni testés comme intervention de santé mentale.

En quoi ce sujet diffère des vérificateurs de symptômes

Le post sur les vérificateurs de symptômes traite d'applications qui reçoivent une liste de plaintes et renvoient des hypothèses et un degré d'urgence. Ici le sujet est autre : des programmes qui conversent de façon continue avec la personne, avec l'intention de réduire les symptômes, et ce qui se passe quand cette conversation arrive à une crise. La question centrale n'est plus de savoir si le programme pose le bon diagnostic, mais s'il aide et s'il protège.

Ce que montrent les méta-analyses chez les jeunes

La revue systématique avec méta-analyse de Li et ses collègues a recherché des études d'intervention avec des chatbots pour des jeunes de 10 à 24 ans, publiées entre janvier 2014 et septembre 2024 (Li et al., 2025). Les auteurs ont inclus 29 études, dont 13 étaient des essais randomisés ; 11 d'entre elles sont entrées dans la méta-analyse, et deux ont été écartées faute de données.

Le résultat principal a été une réduction de la souffrance psychologique, qui regroupait dépression, anxiété, stress et affect négatif, avec un g de Hedges de −0,28 et un intervalle de confiance de 95 pour cent de −0,46 à −0,10 (Li et al., 2025). Un g de Hedges autour de 0,2 à 0,3 est généralement lu comme un effet faible. Les auteurs ont classé la certitude de cette preuve comme modérée, abaissée par l'hétérogénéité entre les études.

Pour le bien-être psychologique, le g de Hedges était de 0,13, avec un intervalle de −0,16 à 0,41 (Li et al., 2025). Comme l'intervalle inclut zéro, le résultat est non concluant : les données sont compatibles avec un bénéfice, avec aucun effet et avec un léger préjudice. La certitude de cette preuve a été classée comme faible, en raison du risque de biais et de l'incohérence.

Ce que montrent les sous-groupes

Les auteurs ont réalisé des analyses de sous-groupe prédéfinies, et chacune compte peu d'études, ce qui appelle à la prudence. Pour la souffrance psychologique, la réduction était statistiquement significative dans les populations cliniques ou subcliniques, avec un g de −0,34 et un intervalle de −0,57 à −0,10, dans cinq essais (Li et al., 2025). Dans les populations sans symptômes cliniques, le g était de −0,19, avec un intervalle de −0,48 à 0,10, dans six essais, un résultat non concluant.

Les chatbots fondés sur l'IA avaient un g de −0,36, avec un intervalle de −0,58 à −0,14, dans huit essais, tandis que ceux fondés sur des règles avaient un g de −0,09, avec un intervalle de −0,39 à 0,20, dans quatre essais, un résultat non concluant (Li et al., 2025). L'interaction multimodale avait un g de −0,39 et celle par texte seul, un g de −0,19 avec un intervalle qui inclut zéro. Pour le bien-être, la direction s'inverse : seuls les chatbots fondés sur des règles ont montré un effet statistiquement significatif, avec un g de 0,29 et un intervalle de 0,01 à 0,57, dans trois essais.

Ces contrastes proviennent de comparaisons entre des études différentes, avec des populations et des contrôles différents, et servent à générer des hypothèses, et non à choisir un type de chatbot.

Qui a été étudié

L'âge des participants variait de 8 à 33 ans, et les hommes représentaient en moyenne 38,3 pour cent des échantillons (Li et al., 2025). Vingt des 29 études ont recruté des populations sans diagnostic, cinq ont inclus des personnes avec des symptômes psychologiques, quatre ont recruté des populations cliniques, et la majorité s'est déroulée dans des écoles et des universités. Les pays à revenu élevé représentaient 62,1 pour cent des études, et les plus représentés étaient les États-Unis, la Chine et la Nouvelle-Zélande, selon les auteurs (Li et al., 2025).

Les auteurs eux-mêmes signalent les limites : des échantillons sans diagnostic, issus de pays développés, un risque de biais et une hétérogénéité, peu d'études pour évaluer les effets à long terme et une inclusion limitée aux publications en anglais et en chinois. Ils notent aussi que seulement 14 des 29 études disposaient de mesures de protection, comme une assistance d'urgence, l'identification de crise ou un accompagnement professionnel.

Le premier essai avec des étudiants

L'un des essais les plus cités illustre le type de preuve derrière ces moyennes. Fitzpatrick et ses collègues décrivent un essai randomisé sans aveugle avec 70 étudiants de 18 à 28 ans qui rapportaient des symptômes d'anxiété et de dépression, recrutés par un réseau social universitaire (Fitzpatrick et al., 2017). Un groupe a utilisé pendant deux semaines un chatbot avec du contenu de thérapie cognitivo-comportementale, et l'autre a reçu un livre électronique informatif sur la dépression.

Dans l'analyse en intention de traiter, le groupe du chatbot a réduit les symptômes dépressifs mesurés par le PHQ-9, et le groupe contrôle non (Fitzpatrick et al., 2017). Dans l'analyse de ceux qui ont terminé l'étude, l'anxiété a baissé dans les deux groupes, sans avantage démontré pour le chatbot. Les auteurs le décrivent comme une étude de faisabilité, avec un petit échantillon, une intervention courte et sans suivi. L'une des autrices a fondé l'entreprise qui a créé le chatbot, un conflit déclaré dans l'article.

Ce que montrent les études en Asie et les revues plus larges

La revue de Leung et ses collègues a réuni huit essais randomisés, avec 921 participants, réalisés en Chine, en Corée du Sud, en Inde, au Japon et à Taïwan, publiés entre 2020 et 2023 (Leung et al., 2026). Les chatbots ont réduit la gravité des symptômes dépressifs de 0,46 dans la mesure d'effet regroupée des auteurs, avec un intervalle de confiance de 95 pour cent de −0,76 à −0,16 et une hétérogénéité élevée (Leung et al., 2026).

Dans les sous-groupes, la réduction de la dépression était significative dans les populations cliniques et chez les participants chinois, mais pas chez les participants sud-coréens, et elle était significative par rapport à la bibliothérapie, mais pas dans les comparaisons avec d'autres contrôles (Leung et al., 2026). Pour l'anxiété, l'affect positif et le stress, la revue n'a pas trouvé d'effet significatif, ce qui rend ces résultats non concluants.

Les auteurs concluent qu'aucun événement indésirable n'a été signalé, mais l'information provient de seulement trois études ayant décrit la sécurité (Leung et al., 2026). Ils citent comme limites environ 40 pour cent des essais à haut risque de biais (trois sur huit), peu d'études avec un suivi au-delà de quatre semaines et une puissance limitée dans la plupart des comparaisons (Leung et al., 2026).

Des revues avec davantage d'essais

Une méta-analyse plus vaste a réuni 48 essais randomisés, avec 28 071 participants de 31 pays, mêlant des chatbots fondés sur l'IA et sur des règles (Mokhtari Masoumi Alamdarloo et al., 2026). Les effets, exprimés en différence moyenne standardisée, étaient de −0,27 pour la dépression, −0,20 pour l'anxiété et −0,26 pour le stress, tous avec des intervalles excluant zéro. Les auteurs notent que la plupart des études ont eu lieu dans des pays à revenu élevé, que moins de la moitié abordaient la sécurité, le recours humain ou la surveillance des événements indésirables, et que les données à long terme manquent.

Pour les chatbots génératifs, une revue systématique a réuni 26 études et une méta-analyse de 14 essais avec 6314 participants (Zhang et al., 2025). La taille d'effet groupée était de 0,30 pour la réduction des problèmes de santé mentale, avec un intervalle de confiance de 0,004 à 0,59. L'intervalle de prédiction, de −0,85 à 1,67, inclut l'absence d'effet : dans une nouvelle étude, le résultat peut aller d'un préjudice à un bénéfice important, ce qui rend non concluante la prédiction pour un contexte précis.

Source et plan	Qui a été étudié	Critère de jugement	Résultat tel que rapporté	Lecture
Li 2025, méta-analyse de 11 essais	Jeunes de 8 à 33 ans, majorité sans diagnostic	Détresse psychologique	g de −0,28 (IC 95 : −0,46 à −0,10)	Effet faible, certitude modérée
Li 2025, même analyse	Même échantillon	Bien-être psychologique	g de 0,13 (IC 95 : −0,16 à 0,41)	Non concluant, certitude faible
Leung 2026, méta-analyse de 8 essais	921 participants en Asie	Symptômes dépressifs	−0,46 (IC 95 : −0,76 à −0,16)	Réduction, hétérogénéité élevée
Leung 2026, même analyse	Même échantillon	Anxiété et stress	Effet non significatif	Non concluant
Mokhtari 2026, méta-analyse de 48 essais	28 071 participants, 31 pays	Dépression, anxiété, stress	DMS de −0,27, −0,20 et −0,26	Effets faibles
Zhang 2025, méta-analyse de 14 essais	6314 participants, chatbots génératifs	Problèmes de santé mentale	0,30 (IC 95 : 0,004 à 0,59)	L'intervalle de prédiction inclut zéro

Sources : Li et al., 2025 ; Leung et al., 2026 ; Mokhtari Masoumi Alamdarloo et al., 2026 ; Zhang et al., 2025. IC 95 : intervalle de confiance de 95 pour cent (Li et al., 2025) ; DMS : différence moyenne standardisée. Les valeurs négatives indiquent une réduction des symptômes, sauf pour le bien-être et la ligne de Zhang, où les auteurs expriment le bénéfice avec un signe positif.

Le problème de l'abandon

Les effets moyens valent pour ceux qui continuent d'utiliser l'outil. Une méta-analyse de 39 études a estimé un taux groupé d'abandon de 17,04 pour cent, avec un intervalle de 11,46 à 23,38, dans des interventions de santé mentale avec IA (Yang et al., 2026). Les chatbots génératifs ont eu un abandon plus faible, de 9,25 pour cent, que les systèmes fondés sur la récupération de réponses, de 23,12 pour cent, selon les auteurs (Yang et al., 2026). Dans les interventions pour la dépression, un abandon plus faible était associé à des effets plus grands. Les auteurs ont aussi trouvé un indice de biais de publication : avec l'ajustement par imputation des études manquantes, le taux groupé est monté à 36,49 pour cent (Yang et al., 2026).

Dans la revue de Li, la médiane d'abandon était de 23,4 pour cent, avec une variation de zéro à 89,7 pour cent entre les études (Li et al., 2025). Ceux qui abandonnent disparaissent des données, et c'est justement là que peuvent se trouver ceux qui ont empiré.

Où se situe le risque : la réponse en situation de crise

Les essais randomisés mesurent les symptômes sur des semaines. Ils ne mesurent presque jamais ce qui se passe la nuit où quelqu'un écrit qu'il pense à mourir. Pour cela, les chercheurs ont commencé à tester les chatbots avec des messages simulés.

Vingt-neuf chatbots face à un risque croissant

Pichowicz et ses collègues ont testé 29 chatbots dotés d'IA, 24 spécifiques à la santé mentale et cinq d'usage général, avec une séquence standardisée de messages fondée sur l'échelle d'évaluation de la gravité du suicide de Columbia, simulant un risque croissant (Pichowicz et al., 2025). La réponse aurait été adéquate si le programme, entre autres critères, recommandait une aide professionnelle, insistait sur la recherche immédiate d'aide, indiquait un contact d'urgence correct sans qu'on ait besoin de le lui demander et affirmait qu'il n'était pas en mesure de gérer une crise suicidaire.

Sur les 29 programmes, aucun n'a rempli les critères de réponse adéquate. Quinze, soit 51,72 pour cent, ont rempli des critères plus souples de réponse marginale, et 14, soit 48,28 pour cent, ont été jugés inadéquats (Pichowicz et al., 2025). Cinq seulement, soit 17,24 pour cent, ont explicitement interrogé à un moment donné sur les idées suicidaires (Pichowicz et al., 2025). Beaucoup ont présumé que l'utilisateur se trouvait aux États-Unis et ont proposé des contacts d'urgence inutiles pour qui vit dans un autre pays, et certains ont répondu de façon hors sujet ou même en confirmant l'intention.

Les auteurs reconnaissent la principale limite : les messages suivaient une échelle clinique et ne reproduisaient pas des conversations réelles, où la personne en crise emploie souvent un langage indirect.

Ce qui se passe avec les questions indirectes

L'étude d'Arnaiz-Rodriguez et de ses collègues a constitué un ensemble de 2046 messages de test, tirés de 12 bases publiques de conversations sur la santé mentale et classés en six catégories de crise, puis a audité les réponses de cinq modèles de langage (Arnaiz-Rodriguez et al., 2026). Plusieurs modèles ont répondu de façon cohérente et globalement fiable à des révélations explicites de crise, mais une proportion non négligeable des réponses a été classée comme inadéquate ou préjudiciable, surtout dans les catégories d'automutilation et d'idées suicidaires, avec de grandes différences entre les modèles.

La faiblesse commune était le signal indirect. Les personnes en crise demandent souvent des informations sur des méthodes en termes neutres, et les modèles évalués ont eu tendance à ne pas percevoir la sensibilité de ces questions, en répondant de façon neutre ou même instructive, au lieu de sonder l'intention et d'offrir un soutien (Arnaiz-Rodriguez et al., 2026). L'évaluation des réponses a été faite par un modèle de langage validé par rapport à des spécialistes, et les messages provenaient de bases publiques, et non d'utilisateurs en temps réel.

Le même modèle, une autre porte d'entrée

Cantor et ses collègues décrivent une étude observationnelle transversale qui a envoyé 30 questions liées au suicide, réparties en cinq niveaux de risque définis par des cliniciens, à cinq modèles d'usage général, chacune 100 fois par l'application grand public et 100 fois par l'interface de programmation, soit 30 000 réponses au total (Cantor et al., 2026). Le critère de jugement était la réponse directe, c'est-à-dire donner l'information ou l'orientation demandée.

Au total, 69,8 pour cent des réponses ont été directes, 77,4 pour cent par l'interface de programmation et 62,2 pour cent par l'application (Cantor et al., 2026). Pour les questions à risque très élevé, 24,8 pour cent des réponses par l'interface de programmation ont été directes, contre 4,6 pour cent par l'application (Cantor et al., 2026). L'accès par l'application était associé à des chances bien plus faibles de réponse directe, avec un rapport de cotes de 0,09 et un intervalle de 0,08 à 0,10. La direction n'était pas la même pour tous les modèles : l'un d'eux a répondu directement un peu plus par l'application. Les auteurs notent qu'ils n'ont utilisé que des questions en anglais, sur un seul échange de messages, et que les modèles changent sans préavis, de sorte que le résultat est un instantané d'un moment.

Cela compte parce que le même modèle peut être intégré à d'autres applications, par l'interface de programmation, avec moins de couches de protection que la version que le fabricant offre au public.

Ce qu'a trouvé une revue narrative

Une revue narrative a réuni 11 études primaires sur les chatbots dans l'évaluation du risque suicidaire (Elbarbary et al., 2026). L'évaluation faite par les chatbots concordait avec les spécialistes aux extrêmes de risque, mais échouait de façon constante à distinguer les niveaux intermédiaires, et il y avait une sous-estimation systématique de la gravité. Les auteurs séparent les chatbots conçus par des cliniciens, qui ont montré une faisabilité, des produits commerciaux sans validation clinique. Ils reconnaissent que toutes les études venaient de pays à revenu élevé, que le dessin narratif comporte un risque de biais de sélection et que l'hétérogénéité a empêché une synthèse quantitative.

Que faire quand le patient raconte qu'il utilise un chatbot

La révélation que le patient converse avec un chatbot est une porte d'entrée, et non un détail. Elle peut indiquer la solitude, une difficulté d'accès aux soins ou la honte de parler à des personnes. Elle peut aussi indiquer que quelqu'un en souffrance a reçu, à un moment critique, une réponse qui ne l'a pas protégé.

Demandez sans juger

Demandez avec naturel à quelle fréquence la personne utilise le chatbot, à quels horaires, pour quoi faire et comment elle se sent ensuite. Demandez-lui, si elle le souhaite, de montrer ou de décrire une conversation difficile. Cela donne accès à ce qu'elle a dit à des moments où elle ne le dirait peut-être pas en consultation. Dévaloriser l'usage tend à fermer la conversation, et l'objectif est l'inverse.

Évaluez le risque directement

Si la personne a raconté au chatbot qu'elle pense à mourir, l'évaluation du risque suicidaire devient obligatoire en consultation. Poser directement des questions sur l'idéation, l'intention, la méthode et l'accès aux moyens est la base de cette évaluation, comme discuté dans risque suicidaire : ce que l'évaluation clinique capte. Les tests avec des chatbots montrent que peu de programmes posent cette question de leur propre initiative (Pichowicz et al., 2025), et que la gravité tend à être sous-estimée précisément aux niveaux intermédiaires (Elbarbary et al., 2026).

Quand il y a un risque, orientez la personne et sa famille vers l'aide nécessaire dans les services d'urgence et de santé mentale disponibles là où elles vivent, et convenez avec elle d'un plan de sécurité : signaux d'alerte, personnes à qui s'adresser, éloignement des moyens létaux et moment de revenir. Dans les situations aiguës après des événements traumatiques, les principes décrits dans premiers soins psychologiques aident à organiser l'accueil.

Situez le chatbot dans les soins

Expliquez ce que les données permettent de dire : chez les jeunes et dans les études portant sur des populations sans diagnostic, les chatbots ont réduit les symptômes de façon faible et sur une courte durée, et presque aucune étude n'a évalué la sécurité en situation de crise (Li et al., 2025 ; Mokhtari Masoumi Alamdarloo et al., 2026). Un chatbot peut être un complément entre les consultations, mais sa réponse en situation de crise ne remplace pas une personne. S'il y a une dépression, d'autres interventions fondées sur des données entrent dans la conversation, comme l'exercice physique dans la dépression.

Il vaut aussi la peine de demander si le chatbot est un produit de santé mentale, avec un contenu clinique et des mesures de protection décrites, ou un assistant d'usage général, et de rappeler que la même technologie peut répondre différemment selon l'application (Cantor et al., 2026).

Attention à la confiance excessive

Le professionnel est aussi utilisateur de ces outils. La tendance à accepter ce que dit la machine sans vérifier, décrite dans biais d'automatisation, vaut pour le patient qui fait confiance au chatbot et pour le médecin qui fait confiance à un résumé généré par IA, thème de scribes IA en consultation. Une vue plus générale se trouve dans usage de l'intelligence artificielle dans le raisonnement clinique.

Retour au cas

L'étudiant du cas fictif a écrit à un chatbot qu'il ne voyait plus de sens à continuer, et a reçu une réponse générique. En consultation, la médecin pose directement des questions sur l'idéation, l'intention, la méthode et l'accès aux moyens, et découvre que les pensées vont et viennent depuis des semaines, sans intention définie. Elle convient avec lui d'un plan de sécurité, oriente la famille vers l'aide nécessaire si les signes s'aggravent, l'adresse à un suivi en santé mentale et fixe un retour proche.

Elle n'interdit pas le chatbot. Elle explique ce que montrent les études, convient qu'il rapportera lors des prochaines consultations ce dont il a parlé avec le programme et traite l'insomnie comme une partie du tableau, et non comme une plainte isolée.

Comment NEXO aide à entraîner ce raisonnement

Dans NEXO, le cas du jour est fictif, avec une présentation clinique réelle et jusqu'à six indices progressifs, et vous proposez le diagnostic en cherchant le code dans la CIM-10. Percevoir qu'une plainte d'insomnie cache un risque plus grand exige le même exercice : traiter chaque information nouvelle comme un indice et réviser l'hypothèse, comme dans l'entraînement au diagnostic différentiel avec indices.

Les limites d'usage du jeu sont décrites sur la page d'économie de NEXO. Si vous faites de la recherche sur l'enseignement du raisonnement clinique, la page pour les Researcher explique comment prendre contact. Les professionnels qui écrivent ou révisent des cas trouvent des informations dans Curator et dans Creators, et les institutions peuvent découvrir la proposition sur la page pour les partenariats. Chercher le bon code dans la CIM-10 complète cet entraînement.

Questions fréquentes

Les chatbots de santé mentale fonctionnent-ils ?

Dans les méta-analyses, ils ont réduit les symptômes de dépression, d'anxiété, de stress ou de souffrance psychologique avec des effets faibles et à court terme, mais certains critères de jugement sont restés non concluants (Li et al., 2025 ; Leung et al., 2026).

Les résultats valent-ils pour les personnes ayant une dépression sévère ?

La plupart des participants étaient des jeunes sans diagnostic, recrutés dans des écoles et des universités, et il n'y a presque pas de données pour les personnes présentant des tableaux sévères (Li et al., 2025).

Les chatbots génératifs sont-ils meilleurs que ceux à règles ?

Dans la revue de Li, ceux fondés sur l'IA ont eu un effet plus important sur la souffrance psychologique, mais ceux à règles ont été les seuls à avoir un effet significatif sur le bien-être, et les comparaisons portent sur des études différentes (Li et al., 2025).

Le chatbot est-il sûr en cas de crise suicidaire ?

Les tests avec des messages simulés montrent des réponses souvent inadaptées et une difficulté face aux signaux indirects (Pichowicz et al., 2025 ; Arnaiz-Rodriguez et al., 2026). En cas de crise, la personne doit chercher l'aide nécessaire auprès de professionnels et de services de santé.

Dois-je conseiller au patient d'arrêter d'utiliser ?

La décision est individuelle. Le plus utile est de comprendre l'usage, d'évaluer le risque directement et de situer le chatbot comme un complément, et non comme un substitut aux soins.

Messages à retenir

• Les chatbots de santé mentale ont réduit les symptômes avec des effets faibles dans les méta-analyses, surtout chez des jeunes sans diagnostic et sur quelques semaines.
• Plusieurs critères de jugement sont restés non concluants, comme le bien-être chez les jeunes et l'anxiété et le stress dans les études asiatiques.
• Presque aucun essai n'a évalué la sécurité en cas de crise, et les tests avec des messages simulés montrent des réponses souvent inadaptées.
• Quand le patient raconte qu'il parle à un chatbot, interrogez sans juger et évaluez directement le risque de suicide.
• En cas de crise, orientez vers l'aide nécessaire dans les services locaux et convenez d'un plan de sécurité.

Références

1. Li J, Li Y, Hu Y, et al. Chatbot-delivered interventions for improving mental health among young people: a systematic review and meta-analysis. Worldviews Evid Based Nurs. 2025;22(4):e70059. [PubMed](https://pubmed.ncbi.nlm.nih.gov/40662463/).
2. Leung WKC, Lam SC, Chan BCL, et al. Chatbot interventions for improving mental health among people in Asia: a systematic review and meta-analysis of randomised controlled trials. BMJ Health Care Inform. 2026;33(1):e101479. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41534952/).
3. Fitzpatrick KK, Darcy A, Vierhile M. Delivering cognitive behavior therapy to young adults with symptoms of depression and anxiety using a fully automated conversational agent: a randomized controlled trial. JMIR Ment Health. 2017;4(2):e19. [PubMed](https://pubmed.ncbi.nlm.nih.gov/28588005/).
4. Mokhtari Masoumi Alamdarloo S, Mirzakhani A, Azhdarloo M, et al. Effectiveness of AI and rule-based conversational agents for depression, anxiety and stress: a meta-analysis. NPJ Digit Med. 2026;9(1). [PubMed](https://pubmed.ncbi.nlm.nih.gov/42209800/).
5. Zhang Q, Zhang R, Xiong Y, et al. Generative AI mental health chatbots as therapeutic tools: systematic review and meta-analysis of their role in reducing mental health issues. J Med Internet Res. 2025;27:e78238. [PubMed](https://pubmed.ncbi.nlm.nih.gov/41401240/).
6. Yang H, Liu J, Li L, et al. Ethical implications of high attrition in AI-based mental health interventions: a systematic review and meta-analysis. BMC Med Ethics. 2026;27(1). [PubMed](https://pubmed.ncbi.nlm.nih.gov/42374513/).
7. Pichowicz W, Kotas M, Piotrowski P. Performance of mental health chatbot agents in detecting and managing suicidal ideation. Sci Rep. 2025;15(1):31652. [PubMed](https://pubmed.ncbi.nlm.nih.gov/40866537/).
8. Arnaiz-Rodriguez A, Baidal M, Derner E, et al. Between help and harm: an evaluation study of mental health crisis handling by large language models. JMIR Ment Health. 2026;13:e88435. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42275418/).
9. Cantor J, Huang E, Zhang LA, et al. Suicide-related responses from AI chatbots through application programming interfaces and consumer-facing apps: observational cross-sectional comparative study. J Med Internet Res. 2026;28:e97968. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42855144/).
10. Elbarbary K, Alfudoul A, Samir AA, et al. Are artificial intelligence chatbots safe for suicide risk assessment? A narratively synthesized review of current evidence. Glob Ment Health (Camb). 2026;13:e135. [PubMed](https://pubmed.ncbi.nlm.nih.gov/42466259/).