La psychiatrie de précision cherche à réduire l’écart entre les connaissances produites à l’échelle des groupes et les décisions prises pour une personne singulière. Cette ambition répond aux limites des catégories diagnostiques actuelles, qui rassemblent des patients aux profils cliniques, biologiques, cognitifs et évolutifs très différents. L’intelligence artificielle pourrait soutenir cette évolution en croisant des données multiples, en repérant des configurations complexes et en suivant les trajectoires individuelles. Cette première partie de l’article « Adapter les soins à l’esprit : le rôle émergent de l’intelligence artificielle en psychiatrie de précision » précise ce que recouvre l’intelligence artificielle en psychiatrie, les données sur lesquelles elle s’appuie et la manière dont elle pourrait transformer le raisonnement clinique.

Une revue narrative et conceptuelle a été menée autour de trois axes : les principaux paradigmes d’apprentissage et leurs limites ; les différentes sources de données mobilisables en psychiatrie de précision ; les transformations possibles du raisonnement diagnostique, pronostique et thérapeutique. L’analyse porte sur les données cliniques, les dossiers médicaux électroniques, le texte libre, les données numériques et comportementales, la génomique et les autres données multi-omiques, la neuro-imagerie et l’électrophysiologie.

L’intelligence artificielle permet d’identifier dans les données des relations complexes qui ne sont pas toujours définies à l’avance. Selon les méthodes employées, elle peut prédire une issue, faire émerger des sous-groupes, extraire des caractéristiques à partir de données brutes, exploiter des données non annotées ou optimiser des séquences de décisions thérapeutiques. Ces possibilités restent toutefois étroitement dépendantes de la qualité, de la représentativité et de l’interopérabilité des données. De plus, les modèles mettent principalement en évidence des associations statistiques sans démontrer, à eux seuls, des relations causales. Aucune source de données ne paraît suffisante isolément : les informations cliniques, biologiques, neurophysiologiques et numériques apportent des éclairages complémentaires. Leur intégration multimodale constitue donc à la fois la principale promesse et l’un des défis majeurs du domaine. L’intelligence artificielle pourrait ainsi faire évoluer la psychiatrie d’une photographie clinique ponctuelle vers une compréhension plus dynamique des trajectoires, favoriser l’identification de biotypes transdiagnostiques et soutenir des décisions thérapeutiques régulièrement réévaluées. Les modèles du monde et les jumeaux numériques prolongent cette perspective en proposant de simuler plusieurs scénarios avant leur application clinique.

L’intérêt de l’intelligence artificielle ne réside pas seulement dans de meilleures prédictions, mais dans sa capacité potentielle à renouveler la manière d’observer, de relier et de suivre les phénomènes psychiatriques. Cependant, accumuler davantage de données ne garantit pas une meilleure précision. Sans cadre clinique solide, les modèles risquent de reproduire sous une forme algorithmique les limites des catégories existantes.

L’intelligence artificielle pourrait favoriser une psychiatrie plus dynamique, multimodale et individualisée. Son utilité dépendra toutefois de sa capacité à éclairer les trajectoires sans confondre performance prédictive, compréhension causale et pertinence clinique.

Precision psychiatry seeks to narrow the gap between knowledge generated at the group level and decisions made for an individual patient. This ambition responds to the limitations of current diagnostic categories, which bring together patients with markedly different clinical, biological, cognitive, and longitudinal profiles. Artificial intelligence may support this shift by combining multiple sources of data, identifying complex patterns, and tracking individual trajectories over time. This first part of the article, Tailoring Care to the Mind: The Emerging Role of Artificial Intelligence in Precision Psychiatry , clarifies what artificial intelligence means in psychiatry, the types of data on which it relies, and how it may reshape clinical reasoning.

A narrative and conceptual review was conducted around three main themes: the major learning paradigms used in artificial intelligence and their epistemological limitations; the different sources of data that may contribute to precision psychiatry; and the potential transformation of diagnostic, prognostic, and therapeutic reasoning. The analysis considers clinical data, electronic health records, free-text clinical notes, digital and behavioral data, genomiques and other multi-omiques approaches, neuroimaging, and electrophysiology.

Artificial intelligence can identify complex relationships within data that are not always specified in advance. Depending on the method used, it may predict clinical outcomes, uncover latent subgroups, extract relevant features from raw data, exploit unlabeled information, or optimize sequences of therapeutic decisions. Supervised learning is mainly used for prediction, whereas unsupervised learning may reveal previously unrecognized patient profiles. Deep and self-supervised learning can derive representations from imaging, physiological signals, or unstructured text, while reinforcement learning may support adaptive treatment strategies. Transfer learning and federated learning may help address limited sample sizes and fragmented multisite data. However, these possibilities remain highly dependent on data quality, representativeness, interoperability, and longitudinal completeness. Moreover, most models identify statistical associations without, by themselves, establishing causal relationships. No single data source appears sufficient. Clinical, biological, neurophysiological, imaging, and digital information provide complementary perspectives on the patient. Their multimodal integration therefore represents both the major promise and one of the central challenges of the field. Artificial intelligence may help psychiatry move beyond a static clinical snapshot toward a more dynamic understanding of trajectories, facilitate the identification of transdiagnostic biotypes, and support therapeutic decisions that are repeatedly updated as new information becomes available. World models and digital twins extend this perspective by aiming to construct dynamic representations of the patient in which different clinical scenarios and treatment strategies could be simulated before their real-world application.

The value of artificial intelligence lies not only in improving prediction, but also in its potential to change how psychiatric phenomena are observed, connected, and followed over time. Yet the accumulation of additional data does not necessarily produce greater precision. Without a robust clinical and conceptual framework, complex models may reproduce, in algorithmic form, the same limitations and ambiguities already present in current diagnostic systems.

Artificial intelligence may contribute to a more dynamic, multimodal, and individualized psychiatry. Its clinical value will depend on its ability to clarify meaningful patient trajectories without confusing predictive performance, causal understanding, and clinical relevance.