Résumé

L’un des défis de la psychiatrie contemporaine est de réussir à articuler des données collectées à différentes échelles (moléculaire, neuronale, comportementale, etc.) en un cadre théorique unifié. Une telle approche permettrait d’affiner nos classifications nosographiques, de prédire l’évolution des troubles mentaux et d’accompagner nos décisions thérapeutiques. Malgré d’indéniables progrès dans le champ de la psychiatrie, ce transfert du fondamental vers la clinique reste complexe, notamment du fait de la très grande hétérogénéité de troubles tels que la schizophrénie. Je souhaite ici défendre l’idée qu’une approche computationnelle pourrait permettre d’atteindre cet objectif : (i) en psychiatrie de manière générale et (ii) dans la schizophrénie en particulier. Afin d’illustrer mon propos, j’exposerai le rôle complémentaire que jouent les modèles computationnels « guidés par les données » et ceux « fondés sur une théorie », en m’appuyant respectivement sur la prédiction diagnostique et pronostique par apprentissage-machine dans la schizophrénie et sur les modèles Bayésiens hiérarchiques de l’expérience psychotique.