Analyser de façon critique les principaux usages actuels et émergents de l’intelligence artificielle (IA) en psychiatrie de l’enfant et de l’adolescent, dans trois domaines à forte charge de morbidité – troubles du spectre de l’autisme (TSA), trouble déficit de l’attention avec ou sans hyperactivité (TDAH), dépression et risque suicidaire – et examiner le niveau de preuve, les limites méthodologiques et les enjeux éthiques, sécuritaires et relationnels propres à cette population.

Revue critique de la littérature. Interrogation de PubMed/MEDLINE et des documents de référence d’organismes internationaux (OMS, UNICEF, UNESCO) et du cadre réglementaire européen, sur la période 2018–2025, à partir de termes combinant intelligence artificielle, apprentissage automatique, phénotypage numérique et agents conversationnels, d’une part, et autisme, TDAH, dépression, suicide, enfant, adolescent, d’autre part. Les travaux ont été regroupés en trois axes : aide au diagnostic et au repérage ; interventions et thérapeutiques numériques ; détection de la dépression et du risque suicidaire. La sélection a privilégié les revues systématiques, les méta-analyses, les essais contrôlés randomisés, les études de cohorte de référence et les dispositifs ayant fait l’objet d’une autorisation réglementaire. La synthèse est narrative et critique, sans méta-analyse quantitative.

Dans les TSA, des dispositifs fondés sur la vidéo, les capteurs et l’apprentissage automatique soutiennent le repérage précoce ; le seul dispositif autorisé (Canvas Dx, FDA, procédure De Novo) rapporte en étude pivot puis en vie réelle des performances élevées sur les résultats déterminés, mais laisse une proportion notable de résultats indéterminés et ne dispose pas de données robustes sur son impact sur les parcours. Dans le TDAH, les tests attentionnels instrumentés (QbTest) et une thérapeutique numérique autorisée (EndeavorRx) présentent des tailles d’effet modérées et un accès inégal. Pour la dépression et le suicide, les modèles prédictifs issus des dossiers médicaux électroniques et du phénotypage numérique atteignent des performances discriminatives correctes (aire sous la courbe fréquemment comprise entre 0,80 et 0,86), mais restent en validation interne, avec des enjeux majeurs de biais, de faux positifs et de gouvernance. De façon transversale, les adolescents décrivent fréquemment les agents conversationnels comme disponibles, non jugeants et parfois perçus comme plus « empathiques » que des interlocuteurs humains, ce qui pose la question d’une reconfiguration de la relation de soin.

L’IA ouvre des perspectives réelles pour le repérage, le suivi et certaines interventions en psychiatrie de l’enfant et de l’adolescent, sur la base de preuves encore limitées et rarement évaluées en conditions de soins courants. Dans une population en développement, l’intégration de ces outils doit rester subordonnée au jugement clinique, à une protection renforcée des données et à la centralité de la rencontre incarnée. L’IA doit être pensée comme un auxiliaire du soin, non comme un substitut à la relation.

To critically appraise the main current and emerging uses of artificial intelligence (AI) in child and adolescent psychiatry across three high-burden domains – autism spectrum disorder (ASD), attention-deficit/hyperactivity disorder (ADHD), and depression and suicide risk – and to examine the level of evidence, methodological limitations, and the ethical, safety and relational challenges specific to this population.

Critical review of the literature. PubMed/MEDLINE and reference documents from international bodies (WHO, UNICEF, UNESCO) and the European regulatory framework were searched for 2018–2025, combining terms for artificial intelligence, machine learning, digital phenotyping and conversational agents with autism, ADHD, depression, suicide, child and adolescent. Studies were grouped into three domains: diagnostic and screening support; digital and AI-supported interventions; detection of depression and suicide risk. Systematic reviews, meta-analyses, randomised controlled trials, landmark cohort studies and regulatory-cleared devices were prioritised. Synthesis is narrative and critical, without quantitative meta-analysis.

In ASD, video-, sensor- and machine-learning-based systems support early detection; the only cleared device (Canvas Dx, FDA De Novo) reports high accuracy on determinate outputs in both pivotal and real-world studies, but leaves a substantial proportion of indeterminate results and lacks robust data on care-pathway impact. In ADHD, instrumented attention tests (QbTest) and a cleared digital therapeutic (EndeavorRx) show moderate effect sizes and unequal access. For depression and suicide, predictive models derived from electronic health records and digital phenotyping achieve fair discrimination (area under the curve often 0.80–0.86) but remain internally validated, with major concerns regarding bias, false positives and governance. Across domains, adolescents frequently describe conversational agents as available, non-judgmental and sometimes perceived as more “empathic” than human interlocutors, raising the question of a reconfiguration of the care relationship.

AI offers genuine opportunities for detection, monitoring and some interventions in child and adolescent psychiatry, on the basis of evidence that remains limited and rarely tested in routine care. In a developing population, the integration of these tools must remain subordinate to clinical judgement, reinforced data protection and the centrality of the embodied encounter. AI should be conceived as an adjunct to care, not a substitute for the therapeutic relationship.