Des traits de personnalité aux profils comportementaux, les recherches montrent qu’un même message, un même nudge ou une même application de santé numérique ne fonctionne pas de la même manière pour tous les individus.
L’histoire des sciences comportementales appliquées à la santé peut se lire comme une remise en cause progressive du modèle du patient moyen.
Pendant longtemps, les interventions de prévention ont reposé sur une hypothèse implicite : si un message est clair, si le risque est bien expliqué, si la recommandation est scientifiquement fondée, alors la majorité des personnes devrait modifier son comportement dans la direction attendue.
Cette hypothèse est séduisante. Elle permet de concevoir des campagnes simples, de diffuser des messages homogènes et d’évaluer les interventions par leur effet moyen. Elle est pourtant insuffisante.
Dans les faits, un même message de prévention ne produit pas les mêmes effets selon les individus.
Le problème n’est donc pas seulement de savoir si une intervention « fonctionne ». La question devient plus exigeante : pour qui fonctionne-t-elle, dans quel contexte, à quel moment, par quel mécanisme, et avec quelles limites ?
Cette évolution est centrale pour les interventions comportementales, la prévention, les interventions non médicamenteuses, les digital therapeutics, les applications de santé, les objets connectés et le marketing social en santé. Elle oblige à distinguer les comportements de santé, les déterminants de santé, les facteurs de risque et les interventions.
Elle oblige aussi à abandonner l’idée qu’une population cible serait psychologiquement homogène.
Le patient moyen est une fiction statistique utile, mais dangereuse
Dans les essais cliniques, les études d’intervention et les campagnes de santé publique, l’effet moyen reste une mesure indispensable. Il permet de comparer des groupes, d’estimer une efficacité globale et d’orienter les décisions publiques.
Mais l’effet moyen peut masquer une forte hétérogénéité des réponses.
Une intervention peut produire un effet moyen modeste parce qu’elle fonctionne très bien chez certains profils et pas du tout chez d’autres. Elle peut aussi sembler efficace à court terme, mais ne pas produire de changement durable. À l’inverse, elle peut échouer dans une population générale tout en étant pertinente pour un sous-groupe précis.
C’est ici que le modèle du patient moyen devient problématique. Il conduit à concevoir des interventions pour une personne abstraite : suffisamment informée, disponible, motivée, autonome, dotée d’un accès numérique, capable de planifier, de résister aux sollicitations de l’environnement et de maintenir ses efforts dans le temps.
Or cette personne n’existe pas comme norme opérationnelle.
Les comportements de santé ne sont pas de simples décisions individuelles. Ils dépendent de caractéristiques psychologiques, mais aussi de ressources sociales, d’environnements physiques, d’habitudes, de contraintes financières, de charge mentale, de normes culturelles, de disponibilité temporelle, de compétences numériques et de relations avec les professionnels de santé.
L’intervention efficace commence donc rarement par une meilleure formulation du message. Elle commence par un meilleur diagnostic des profils, des freins, des contextes et des mécanismes d’action.
Première tentative : expliquer les comportements par la personnalité
La première manière de dépasser le patient moyen a consisté à s’intéresser aux différences individuelles relativement stables.
Les modèles de personnalité, notamment le modèle des Big Five, ont été largement utilisés pour analyser les comportements de santé. Ce modèle distingue généralement cinq dimensions : l’ouverture, la conscienciosité, l’extraversion, l’agréabilité et le neuroticisme.
Parmi ces dimensions, la conscienciosité est souvent celle qui apparaît la plus liée aux comportements favorables à la santé.
Les personnes plus consciencieuses tendent à être plus organisées, plus régulières, plus orientées vers les objectifs et plus capables de suivre des routines. Ces caractéristiques peuvent favoriser l’activité physique, l’observance thérapeutique, les comportements préventifs ou l’évitement de certains comportements à risque.
Le neuroticisme, de son côté, est plus difficile à interpréter. Il peut être associé à davantage d’anxiété, de stress ou de comportements défavorables, mais il peut aussi augmenter la vigilance face à certains symptômes ou risques. Les effets ne sont donc ni simples ni mécaniques.
L’intérêt des modèles de personnalité est réel. Ils rappellent que les individus ne partent pas tous du même point face à une intervention. Certains sont plus sensibles à la planification, d’autres à la récompense immédiate, d’autres au soutien social, d’autres encore à la réduction de l’incertitude.
Mais leur limite est majeure : les traits de personnalité ne sont pas directement modifiables par une intervention de prévention.
Une intervention ne peut pas raisonnablement viser à « augmenter la conscienciosité » d’une population.
Elle peut en revanche adapter son architecture : simplifier les routines, réduire les frictions, proposer des rappels, rendre l’action plus facile, structurer l’environnement ou fournir un accompagnement.
La personnalité peut donc aider à comprendre une partie de l’hétérogénéité des réponses. Elle ne suffit pas à concevoir une intervention, même si elle peut être d’une aide précieuse pour les interactions et la tonalité.
Le risque serait de transformer des tendances statistiques en typologies rigides : les « motivés », les « anxieux », les « impulsifs », les « résistants ».
Une telle lecture psychologisante serait scientifiquement fragile et opérationnellement dangereuse. Elle ferait porter sur les individus la responsabilité d’échecs qui relèvent souvent de l’environnement, de l’accès aux soins, du design des interventions ou des conditions sociales.
Deuxième tentative : expliquer les comportements par les croyances et attitudes face à la santé
Une seconde génération de modèles s’est moins intéressée à ce que les personnes « sont » qu’à ce qu’elles croient.
Le Health Belief Model, la Theory of Planned Behavior ou la Protection Motivation Theory ont placé au centre de l’analyse la perception du risque, la gravité perçue, les bénéfices attendus, les barrières perçues, le sentiment d’efficacité personnelle, les normes sociales et l’intention d’agir.
Ces modèles ont profondément structuré la prévention moderne.
Ils permettent de comprendre pourquoi deux personnes exposées au même risque peuvent réagir différemment. L’une peut se sentir vulnérable, croire que l’action proposée est utile et se sentir capable de la mettre en œuvre. L’autre peut considérer le risque comme lointain, le bénéfice comme incertain ou les obstacles comme trop importants.
Ces modèles sont particulièrement utiles pour analyser des comportements comme le dépistage, la vaccination, l’arrêt du tabac, l’activité physique, l’alimentation ou l’observance thérapeutique.
Mais ils ont une limite centrale : les attitudes et les intentions ne se transforment pas automatiquement en comportements.
Beaucoup de personnes souhaitent être plus actives, mieux manger, réduire leur consommation d’alcool, dormir davantage ou arrêter de fumer. Elles connaissent souvent les recommandations. Elles peuvent même y adhérer. Pourtant, le comportement ne change pas durablement.
Cet écart entre intention et action est l’un des résultats les plus robustes des sciences comportementales.
Il montre que l’information, la conviction et la motivation déclarée sont nécessaires dans certains cas, mais rarement suffisantes. Une personne peut vouloir agir sans disposer du temps, du soutien, de l’environnement, des compétences ou de l’énergie cognitive nécessaires pour passer à l’action.
L’intervention ne peut donc pas se limiter à corriger des croyances. Elle doit aussi comprendre ce qui rend le comportement possible ou impossible dans la vie réelle.
Troisième tentative : passer des attitudes aux barrières comportementales
Les modèles plus récents ont déplacé la focale. Le problème n’est plus seulement de savoir ce que les personnes pensent, mais ce qui permet concrètement à un comportement de se produire.
Le modèle COM-B, au centre de la Behaviour Change Wheel, repose sur une idée simple : pour qu’un comportement ait lieu, il faut une capacité, une opportunité et une motivation.
La capacité renvoie aux ressources physiques et psychologiques nécessaires. Comprendre une consigne médicale, savoir cuisiner certains aliments, pouvoir utiliser une application, être capable de planifier une activité physique ou comprendre les effets d’un traitement relève de cette dimension.
L’opportunité désigne les conditions externes qui rendent le comportement possible : environnement alimentaire, organisation du travail, accès aux soins, coût, soutien social, disponibilité d’un professionnel, normes familiales, ergonomie d’un outil numérique.
La motivation inclut les processus réflexifs et automatiques : intentions, émotions, habitudes, désir de récompense, évitement de l’inconfort, identité personnelle ou routines acquises.
L’intérêt du modèle COM-B est de rendre e changement comportemental moins moralisateur. Il ne demande pas seulement : « Pourquoi cette personne ne veut-elle pas changer ? » Il demande : « Qu’est-ce qui manque pour que ce comportement devienne possible, acceptable et soutenable ? »
Cette distinction est essentielle.
Un faible niveau d’activité physique peut être lié à une faible motivation, mais aussi à une douleur chronique, à des horaires de travail incompatibles, à l’absence d’équipement, à un quartier peu propice à la marche, à une fatigue chronique ou à une mauvaise expérience passée.
Un défaut d’observance peut être lié à une attitude défavorable au traitement, mais aussi à des effets indésirables, à une compréhension insuffisante, à une organisation quotidienne instable, à un coût, à une dépression ou à une relation thérapeutique dégradée.
Le comportement n’est donc pas un simple reflet de la volonté. Il est le produit d’un système.
Le marketing social : cibler les mécanismes plutôt que les catégories démographiques
Le marketing social en santé a largement contribué à remettre en cause l’idée d’un public homogène.
Les campagnes de prévention ont longtemps segmenté les publics selon des critères démographiques : âge, sexe, niveau d’éducation, statut socio-économique, territoire ou pathologie. Ces critères restent utiles, notamment pour documenter les inégalités sociales de santé. Mais ils ne suffisent pas à expliquer la réponse à une intervention.
Deux personnes du même âge, vivant avec la même maladie chronique et appartenant à la même catégorie socio-professionnelle peuvent avoir des freins très différents. L’une peut manquer d’information, l’autre de confiance, une troisième de temps, une quatrième de soutien, une cinquième d’accès aux ressources.
La segmentation comportementale vise donc à identifier des groupes non pas seulement par ce qu’ils sont, mais par ce qui les empêche ou les incite à agir.
Cette approche explique pourquoi les extrêmes ne sont pas toujours les cibles les plus pertinentes.
Dans de nombreux comportements de santé, les personnes déjà convaincues sont faciles à mobiliser mais offrent parfois une marge de progression limitée. À l’inverse, les personnes fortement opposées ou très éloignées du changement peuvent nécessiter des interventions intensives, longues et coûteuses.
Entre les deux existe souvent un public intermédiaire : des individus ni hostiles ni pleinement engagés, parfois ambivalents, parfois disposés à changer partiellement, mais freinés par la praticité, le coût, les habitudes, l’environnement ou la fatigue décisionnelle.
Ce « milieu disposé » peut constituer une cible stratégique. Non parce qu’il serait plus vertueux, mais parce que le rapport entre effort d’intervention et potentiel de changement peut y être plus favorable.
Cette idée est particulièrement pertinente en nutrition, en activité physique, dans la réduction du tabac ou de l’alcool, mais aussi dans l’adoption d’outils numériques de santé.
Elle oblige à distinguer le risque sanitaire du potentiel de changement. Les personnes les plus à risque ne sont pas toujours celles qui répondent le mieux à une intervention légère. Les personnes les plus faciles à mobiliser ne sont pas toujours celles chez qui l’impact sanitaire sera le plus important.
Une stratégie d’intervention rigoureuse doit donc articuler trois questions : qui est exposé au risque, qui peut changer, et quelle intervention est proportionnée à ses freins réels ?
Les nudges : efficaces dans certains contextes, insuffisants comme théorie générale du changement
Les nudges ont occupé une place importante dans les politiques comportementales. Ils consistent à modifier l’architecture des choix sans interdire d’options ni modifier fortement les incitations économiques. Les rappels, les options par défaut, la mise en visibilité d’un choix favorable, les comparaisons sociales ou la simplification d’un parcours en sont des exemples.
Leur intérêt est réel. Ils peuvent réduire certaines frictions, faciliter des choix bénéfiques, augmenter la participation à un dépistage, soutenir l’observance ou rendre un comportement favorable plus accessible.
Mais les nudges ont aussi des limites.
Ils fonctionnent mieux lorsque le comportement visé est ponctuel, simple, peu coûteux et déjà relativement acceptable. Ils sont moins adaptés lorsque le changement exige des efforts répétés, une transformation de routines, une modification de l’environnement ou une gestion durable de contraintes sociales et psychologiques.
Un rappel peut aider une personne qui oublie de prendre un médicament. Il sera insuffisant si cette personne doute du traitement, en subit des effets indésirables, ne comprend pas son utilité ou vit dans une situation de grande instabilité.
Une application peut envoyer une notification pour inciter à marcher. Elle sera peu efficace si l’utilisateur est épuisé, douloureux, isolé, en horaires décalés ou dans un environnement peu favorable à l’activité physique.
Le nudge est donc un outil, pas une théorie complète du changement. Il doit être relié à un diagnostic comportemental. Sinon, il risque de devenir une intervention standardisée de plus, appliquée à un public supposé homogène.
La santé numérique a révélé brutalement les limites du patient moyen
La santé numérique a promis une personnalisation massive des interventions. Applications de suivi, objets connectés, coaching automatisé, plateformes de prévention, solution de thérapie numérique et digital therapeutics ont été présentés comme des moyens de rendre l’accompagnement plus accessible, plus continu et plus individualisé.
Cette promesse est partiellement fondée.
Le numérique permet de suivre des comportements dans le temps, de délivrer des contenus à distance, de proposer des feedbacks, d’adapter certains messages, d’automatiser des rappels et de collecter des données d’usage.
Mais les résultats empiriques invitent à la prudence.
Dans de nombreuses interventions numériques, l’engagement est faible ou décroît rapidement. L’abandon est fréquent. Les indicateurs d’usage sont hétérogènes. Et surtout, l’engagement avec l’outil ne garantit pas toujours un changement de comportement ni une amélioration clinique.
Trois confusions sont fréquentes.
La première consiste à confondre téléchargement et adoption. Télécharger une application ne signifie pas l’utiliser réellement.
La deuxième consiste à confondre utilisation et engagement. Ouvrir une application ne signifie pas s’approprier l’intervention, comprendre son mécanisme ou l’intégrer dans sa vie quotidienne.
La troisième consiste à confondre engagement numérique et efficacité clinique. Un utilisateur peut interagir régulièrement avec une interface sans modifier durablement le comportement ciblé.
La santé numérique révèle donc un paradoxe : elle permet une personnalisation plus fine, mais elle expose aussi plus clairement l’hétérogénéité des usages. Elle rend visible ce que les interventions traditionnelles masquaient souvent : les individus n’utilisent pas les outils de la même façon, ne répondent pas aux mêmes stimuli et n’ont pas les mêmes conditions d’action.
DiGA, DTx et applications de bien-être : ne pas confondre cadre réglementaire, preuve et usage réel
Les digital therapeutics et les applications de santé ne doivent pas être assimilés à de simples outils numériques de bien-être.
Une DTx est une intervention thérapeutique numérique fondée sur des preuves, destinée à prévenir, gérer ou traiter une maladie ou un trouble, avec un niveau d’évaluation supérieur à celui d’une application de suivi ou de bien-être. Les DiGA allemandes constituent un exemple particulièrement intéressant, car elles sont prescrivables et remboursables dans un cadre réglementaire dédié.
Le modèle allemand montre qu’un système de santé peut organiser l’évaluation, l’accès et le remboursement d’applications numériques à visée médicale. Il apporte donc un laboratoire utile pour les politiques publiques.
Mais il montre aussi les limites de la preuve moyenne.
Les données disponibles suggèrent que les DiGA peuvent produire des effets positifs dans certaines indications, mais que la robustesse des preuves, la qualité méthodologique, les taux d’abandon, l’intégration dans les parcours de soins et l’adoption par les professionnels restent des enjeux majeurs.
Ce point est essentiel pour éviter une conclusion trop simpliste.
Le problème n’est pas de savoir si les DTx sont « efficaces » ou « inefficaces » en général. Le problème est de savoir quelles DTx sont efficaces, dans quelles indications, avec quel niveau de preuve, pour quels profils, avec quel accompagnement, et dans quelles conditions d’usage.
La différence avec les applications de bien-être est également importante. Les apps wellness peuvent toucher de larges publics et soutenir certains comportements. Mais leur niveau de preuve est souvent plus faible, leur usage est très variable et leur modèle économique peut parfois privilégier la rétention dans l’application plutôt que l’amélioration du comportement de santé.
La santé numérique ne supprime donc pas le problème du patient moyen. Elle le déplace. Elle remplace parfois la fiction du patient moyen par celle de l’utilisateur moyen.
Pourquoi la personnalisation ne suffit pas
Face à ces limites, la réponse la plus fréquente est : il faut personnaliser.
Mais cette réponse est trop vague.
Personnaliser un prénom dans une notification n’est pas personnaliser une intervention. Adapter la fréquence des messages n’est pas nécessairement adapter le mécanisme de changement. Recommander un contenu selon des données d’usage n’implique pas que l’on ait compris la barrière comportementale.
La personnalisation n’a de valeur que si elle repose sur une hypothèse claire : quel mécanisme empêche le comportement, et quelle composante de l’intervention est censée agir sur ce mécanisme ?
Une personnalisation robuste doit au minimum distinguer plusieurs niveaux.
Le premier est le profil de risque : probabilité de développer un événement défavorable ou d’aggraver une condition.
Le deuxième est le profil psychologique : traits, croyances, perception du risque, sentiment d’efficacité, motivation, rapport à l’autonomie, sensibilité aux normes ou aux récompenses.
Le troisième est le profil comportemental : habitudes, routines, freins, capacités, opportunités, contexte d’action.
Le quatrième est le profil d’usage numérique : accès, littératie numérique, préférences d’interaction, tolérance aux notifications, confiance dans les outils, expérience passée, abandon probable.
Le cinquième est le moment d’intervention : disponibilité cognitive, état émotionnel, fatigue, exposition à une tentation, rupture de routine, événement de santé, contact avec un professionnel.
Les interventions adaptatives, notamment les just-in-time adaptive interventions, tentent précisément d’agir à ce niveau. Elles visent à délivrer le bon soutien, au bon moment, en fonction de l’état de la personne et de son contexte.
Mais là encore, la prudence est nécessaire. Les interventions adaptatives ne résolvent pas automatiquement le problème. Elles peuvent échouer si les signaux utilisés sont peu fiables, si l’intervention arrive au mauvais moment, si elle augmente la charge cognitive, si elle devient intrusive ou si elle optimise l’engagement avec l’outil plutôt que le comportement de santé.
La personnalisation n’est donc pas une garantie d’efficacité. C’est une hypothèse de conception qui doit être testée.
Ce que cela change pour la nutrition, l’activité physique, le tabac et l’observance
En nutrition, l’idée de patient moyen conduit souvent à diffuser des recommandations générales. Elles sont nécessaires mais insuffisantes.
Les freins peuvent être très différents : prix, goût, compétences culinaires, normes familiales, accès alimentaire, fatigue, stress, habitudes, identité culturelle ou disponibilité mentale. Une stratégie efficace doit donc distinguer les publics déjà engagés, les publics ambivalents, les publics contraints et les publics fortement résistants.
En activité physique, la motivation ne suffit pas. La douleur, le sommeil, les horaires, le quartier, l’image corporelle, l’expérience scolaire du sport, la sécurité perçue et le soutien social peuvent être déterminants. Une application de suivi peut soutenir les personnes déjà relativement prêtes, mais échouer chez celles dont les barrières principales sont sociales, physiques ou environnementales.
Dans le tabac, la dépendance, les émotions, les routines, l’environnement social, la perception du bénéfice immédiat et l’accès à un accompagnement jouent un rôle majeur. Un message de risque peut être utile, mais il est rarement suffisant face à une dépendance installée. Les interventions doivent combiner soutien comportemental, réduction des frictions, aide pharmacologique lorsque pertinente, accompagnement et adaptation au stade de changement.
Dans l’observance thérapeutique, la non-adhésion ne doit pas être interprétée comme un simple manque de volonté. Elle peut refléter des effets indésirables, une faible compréhension, une défiance, une dépression, une complexité de traitement, des coûts, une mauvaise coordination des soins ou une absence de bénéfice perçu. Les solutions numériques peuvent aider, mais seulement si elles répondent au bon problème.
Dans chacun de ces domaines, la question centrale n’est pas : quel message faut-il envoyer ? Elle est : quel obstacle précis empêche l’action, chez quel profil, et quelle intervention est proportionnée à cet obstacle ?
Discussions : des angles morts encore présents
Cette lecture de l’hétérogénéité des réponses aux interventions mérite toutefois plusieurs nuances.
Premièrement, les différences observées entre individus ne relèvent pas uniquement de facteurs psychologiques ou comportementaux. Les déterminants sociaux, économiques et environnementaux (revenus, logement, accès aux soins, organisation du travail, capital social ou contexte territorial) exercent souvent une influence majeure sur les comportements de santé et peuvent limiter l’efficacité d’interventions pourtant bien conçues.
Deuxièmement, si la personnalisation apparaît comme une réponse attractive aux limites du « patient moyen », son bénéfice réel doit être évalué avec prudence.
Une personnalisation plus fine implique généralement des coûts plus élevés, une complexité accrue des dispositifs et des gains parfois modestes lorsqu’elle est déployée à grande échelle. Enfin, l’identification de profils ou de segments comportementaux ne permet pas nécessairement d’établir les mécanismes causaux à l’origine du changement. Une meilleure réponse à une intervention peut refléter les caractéristiques préexistantes des individus plutôt que l’effet propre du dispositif.
Ces limites n’invalident pas l’intérêt des approches personnalisées, mais rappellent que la compréhension des comportements de santé exige d’articuler facteurs individuels, contextes sociaux et exigences méthodologiques dans l’évaluation des interventions.
Enfin, le développement d’interventions personnalisées et adaptatives soulève également des questions éthiques et politiques. La collecte continue de données comportementales, l’utilisation d’algorithmes de recommandation, la personnalisation des messages ou l’optimisation de l’engagement peuvent renforcer l’efficacité de certaines interventions, mais aussi créer de nouvelles formes d’asymétrie informationnelle, de dépendance technologique ou de surveillance comportementale.
La question n’est donc pas seulement de savoir si une intervention peut être personnalisée, mais aussi dans quelles conditions cette personnalisation reste compatible avec l’autonomie des individus, la transparence des mécanismes utilisés et l’équité d’accès aux bénéfices attendus.
Les modèles ont déplacé le problème sans le résoudre complètement
L’évolution des sciences comportementales a donc suivi une trajectoire claire.
Les modèles de personnalité ont montré que les individus ne réagissent pas tous de la même manière.
Les modèles d’attitudes ont montré que les croyances, la perception du risque et les intentions influencent les comportements.
Les modèles comportementaux ont montré que l’action dépend aussi de la capacité, de l’opportunité et de la motivation.
Le marketing social a montré que les publics doivent être segmentés selon leurs freins et leurs leviers réels.
La santé numérique a montré que l’usage, l’engagement et l’efficacité varient fortement d’un utilisateur à l’autre.
Les interventions adaptatives cherchent aujourd’hui à répondre à cette hétérogénéité en temps réel.
Mais aucun de ces modèles ne résout complètement le problème.
La personnalité est trop stable pour constituer une cible principale d’intervention. Les attitudes prédisent imparfaitement les comportements.
Les nudges peuvent être trop superficiels pour des changements complexes. Les outils numériques souffrent d’abandon et d’inégalités d’usage. Les systèmes adaptatifs posent des questions de preuve, d’éthique, de transparence et d’intégration dans les soins.
La conclusion n’est donc pas qu’un modèle remplacerait les précédents.
La conclusion est plus exigeante : les comportements de santé résultent d’interactions dynamiques entre individus, croyances, habitudes, environnements, contraintes, technologies et moments de vie.
L’histoire des sciences comportementales est bien celle d’une remise en cause progressive du patient moyen. Mais cette évolution a déplacé le problème sans jamais le résoudre complètement.
Pour les acteurs de la santé, cela implique un changement de méthode. Il ne suffit plus de concevoir une intervention plausible, scientifiquement informée et bien désignée. Il faut préciser pour quel profil elle est conçue, sur quel mécanisme elle agit, dans quel contexte elle doit être utilisée, comment son engagement sera mesuré et quels effets cliniques ou comportementaux sont attendus.
Le changement comportemental de demain ne sera pas seulement plus personnalisé. Il devra être plus diagnostique, plus contextuel, plus adaptatif et plus honnête sur ses limites.
Le patient moyen n’existe pas. Mais les effets moyens, eux, continueront à guider les décisions. Tout l’enjeu est de ne pas les confondre avec la réalité des personnes.
Références
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-T
Alamer, A. S. (2024). Behavior change theories and models within Health Belief Model research: A five-decade holistic bibliometric analysis. Cureus, 16(7), e64130. https://doi.org/10.7759/cureus.64130
Alberts, L., Lyngs, U., & Lukoff, K. (2026). Designing for sustained motivation: A review of self-determination theory in behaviour change technologies. Interacting with Computers, 38(3), 447–466. https://doi.org/10.1093/iwc/iwae017
Hagger, M. S., & Hamilton, K. (2025). Progress on theory of planned behavior research: Advances in research synthesis and agenda for future research. Journal of Behavioral Medicine, 48, 1–17. https://doi.org/10.1007/s10865-024-00545-8
Karasneh, R. A., et al. (2024). Digital health applications (DiGAs) on a fast track: Insights from a data-driven analysis of prescribable digital therapeutics in Germany from 2020 to mid-2024. Journal of Medical Internet Research, 26, e59013. https://doi.org/10.2196/59013
Lattie, E. G., Stiles-Shields, C., & Graham, A. K. (2025). Engagement and attrition in digital mental health: Current challenges and potential solutions. npj Digital Medicine, 8, 360. https://doi.org/10.1038/s41746-025-01778-w
Michie, S., van Stralen, M. M., & West, R. (2011). The behaviour change wheel: A new method for characterising and designing behaviour change interventions. Implementation Science, 6, 42. https://doi.org/10.1186/1748-5908-6-42
Sippli, K., Deckert, S., Schmitt, J., & Scheibe, M. (2025). Healthcare effects and evidence robustness of reimbursable digital health applications in Germany: A systematic review. npj Digital Medicine, 8, 495. https://doi.org/10.1038/s41746-025-01879-6
A lire également : Segmentation en santé : la capacité plutôt que l’âge, la maladie et même la littératie qui ne suffisent plus
