La psychiatrie de précision vise à adapter les soins aux caractéristiques cliniques, biologiques et contextuelles de chaque patient. L’intelligence artificielle pourrait soutenir cette ambition en intégrant des données multimodales, en modélisant les trajectoires individuelles et en améliorant la stratification pronostique ou thérapeutique. Cette seconde partie de l’article « Adapter les soins à l’esprit : le rôle émergent de l’intelligence artificielle en psychiatrie de précision » examine les conditions nécessaires pour transformer une performance algorithmique en innovation clinique fiable, acceptable et responsable.

Une revue narrative et conceptuelle a été conduite autour de trois dimensions : l’évaluation clinique des modèles prédictifs, leur intégration dans les pratiques de soins et les enjeux éthiques, réglementaires et relationnels associés à leur utilisation en psychiatrie. L’analyse porte notamment sur la discrimination, la calibration, l’utilité décisionnelle, la validation externe, les biais, l’acceptabilité, l’interprétabilité, la responsabilité et la supervision humaine.

Les performances statistiques ne suffisent pas à établir l’intérêt clinique d’un modèle. Une évaluation complète doit vérifier la concordance entre les probabilités prédites et les événements observés, la valeur ajoutée par rapport aux stratégies existantes et le bénéfice réel pour la décision. La validation externe, l’analyse des performances dans différents sous-groupes et la surveillance de la dérive après déploiement constituent des exigences de sécurité. L’intégration clinique dépend également de l’ergonomie, de la compatibilité avec les flux de soins et de l’acceptabilité par les cliniciens et les patients. La protection des données, l’équité, l’interprétabilité et la clarification des responsabilités conditionnent enfin la légitimité de ces outils.

L’intelligence artificielle ne doit être envisagée ni comme un substitut au psychiatre ni comme un simple dispositif technique. Elle introduit un troisième terme dans la relation clinique, dont les résultats doivent être contextualisés par l’expertise du clinicien et discutés avec le patient.

Le passage de la performance algorithmique à l’innovation clinique suppose validation, surveillance continue, gouvernance robuste et respect de l’alliance thérapeutique.

Precision psychiatry seeks to tailor care to the clinical, biological, cognitive, behavioral, and contextual characteristics of each patient. Artificial intelligence may help achieve this goal by combining multimodal data, identifying complex patterns, following individual trajectories, and refining prognostic or therapeutic stratification. Yet strong statistical performance does not automatically translate into meaningful clinical benefit. This second part of Tailoring Care to the Mind: The Emerging Role of Artificial Intelligence in Precision Psychiatry explores the conditions required for an algorithm to become a reliable, acceptable, equitable, and responsible clinical innovation.

We conducted a narrative and conceptual review organized around three main questions. First, how should predictive models be evaluated from a clinical perspective? Second, under what conditions can they be integrated into routine psychiatric care? Third, what ethical, regulatory, and relational issues arise when these tools are used in practice? Particular attention was given to discrimination, calibration, decision usefulness, external validation, bias, acceptability, interpretability, responsibility, and human oversight.

Statistical performance alone is not enough to establish the clinical value of a model. A useful system must not only distinguish between patients with different outcomes, but also provide risk estimates that match what is actually observed in practice. It should demonstrate added value compared with clinical judgment, existing scores, or standard care, while taking into account the consequences of false-positive and false-negative predictions. External validation is essential because a model that performs well in one population or center may be less reliable elsewhere. Performance must also be examined across clinically relevant subgroups to identify unequal or potentially discriminatory effects. Once deployed, models require ongoing monitoring, as changes in populations, data collection, or clinical practice may lead to model drift and loss of calibration. Their integration into care also depends on practical factors: the information provided must be understandable, timely, useful, and compatible with clinical workflows. Acceptability among clinicians and patients is shaped by perceived usefulness, reliability, transparency, preservation of professional roles, maintenance of human contact, and confidence in the protection of sensitive psychiatric data. Ethical legitimacy further requires clear rules for data access, secondary use, accountability, and the possibility of questioning or overriding an algorithmic recommendation.

Artificial intelligence should be seen neither as a replacement for the psychiatrist nor as a neutral technical device. It becomes a third component within the clinical relationship, capable of influencing how problems are framed, risks are estimated, and treatment options are discussed. Its outputs must therefore be interpreted in light of the patient's history, context, preferences, values, and lived experience. A hybrid model, combining algorithmic information, clinical expertise, and patient participation, appears most consistent with the nature of psychiatric care.

Moving from algorithmic performance to clinical innovation requires rigorous validation, continuous monitoring, robust governance, practical and social acceptability, and preservation of the therapeutic alliance. The future of precision psychiatry will depend less on autonomous systems than on the careful integration of artificial intelligence into shared, contextualized, and accountable clinical decision-making.