Ces dernières semaines, les annonces se sont multipliées du côté des grandes plateformes technologiques. Google renforce ses capacités d’analyse de données de santé via ses outils d’IA, Apple continue d’intégrer de nouveaux indicateurs physiologiques dans ses devices, et plusieurs acteurs positionnent désormais leurs solutions comme des “health companions” capables d’interpréter en continu les signaux du corps.
Le message est clair : d’après eux, la prochaine étape de la santé numérique ne sera plus seulement de mesurer, mais d’anticiper, recommander, voire décider. Mais derrière cette accélération technologique, une question reste largement sous-estimée : que font réellement les individus de ces données, et veulent-ils vraiment les utiliser ?
Car la littérature récente raconte une histoire beaucoup plus complexe que celle d’un patient hyper-engagé pilotant sa santé par les données.
Le mythe du patient hyper-engagé
Dans les discours sur la santé numérique, le patient est souvent décrit comme :
- autonome
- rationnel
- motivé par ses données.
La réalité empirique est différente.
Les études sur les wearables montrent que :
- l’usage est souvent intermittent
- l’abandon est fréquent
- l’engagement varie fortement selon les profils.
Autrement dit : le problème n’est pas seulement l’excès de données…c’est aussi le non-usage et l’évitement du tracking.
Ce que 80 % des analyses ignorent : le tracking est un comportement ambivalent
Les recherches récentes montrent que le self-tracking ne produit pas un effet unique, mais trois dynamiques comportementales simultanées.
1. Engagement : comprendre et agir
Le tracking peut améliorer :
- la conscience des comportements
- la détection de signaux faibles
- certaines décisions de santé.
Les wearables permettent par exemple d’identifier des variations physiologiques liées au stress ou à l’anxiété avec une précision croissante.
2. Évitement : ne pas vouloir savoir
Mais un phénomène moins discuté apparaît : les individus évitent parfois volontairement certaines informations de santé.
Ce comportement est bien documenté en psychologie :
- évitement de l’information anxiogène
- dissonance cognitive
- protection émotionnelle.
Dans le contexte du tracking, cela se traduit par :
- arrêt d’utilisation
- non-consultation des données
- désactivation de certaines fonctionnalités.
Insight clé : ne pas tracker est parfois un comportement rationnel du point de vue psychologique.
3. Saturation : trop de données, pas assez de sens
Lorsque le tracking est intensif, un troisième phénomène apparaît : la surcharge cognitive.
Les systèmes actuels produisent :
- beaucoup de données
- peu de hiérarchisation
- peu de guidance.
La littérature montre que cela peut générer :
- fatigue mentale
- confusion décisionnelle
- désengagement progressif.
Le vrai problème : un mismatch entre données et comportement
Le quantified self repose sur une hypothèse implicite : plus de données → meilleures décisions.
Mais cette hypothèse ignore un point fondamental : les données ne sont pas des décisions.
Les wearables et applications sont performants pour :
- mesurer
- détecter
- prédire.
Mais leur impact sur les comportements reste limité lorsqu’ils ne fournissent pas :
- interprétation
- contextualisation
- action claire.
Une découverte importante : mesurer n’est pas intervenir
La majorité des dispositifs actuels fonctionne comme :
- des outils de monitoring
- des systèmes de feedback
- des dashboards de données.
Mais sans véritable intervention comportementale structurée.
Résultat : les utilisateurs savent… mais n’agissent pas nécessairement.
Ce que cela change pour les maladies chroniques
Le lien avec l’adhésion thérapeutique est direct.
Le tracking peut :
- améliorer l’initiation
- renforcer la conscience de la maladie
Mais il peut aussi :
- augmenter la charge mentale
- générer de l’anxiété
- favoriser l’évitement
Autrement dit : le tracking peut aider à démarrer… mais compliquer la persistance.
Le vrai enjeu : concevoir des systèmes supportables
La littérature converge vers une conclusion claire : le problème n’est pas le tracking en soi, mais son design.
Trois principes émergent.
1. Réduire plutôt qu’augmenter les données
La valeur ne vient pas du volume d’information, mais de sa sélection. Filtrer devient plus important que mesurer.
2. Contextualiser les informations
Les données doivent être reliées à :
- des situations concrètes
- des décisions simples
- des actions possibles.
3. Introduire une médiation
Les données doivent être interprétées.
Cela peut passer par :
- professionnels de santé
- coaching
- intelligence artificielle explicative.
Conclusion
La santé numérique a rendu le corps mesurable. Mais elle a aussi révélé une réalité fondamentale :
- les individus ne veulent pas toujours tout savoir
- et ne savent pas toujours quoi faire avec ce qu’ils savent.
Le défi des prochaines années ne sera pas d’augmenter le volume de données.
Il sera de concevoir des systèmes :
- compréhensibles
- supportables
- réellement utiles.
Car en matière de comportement, moins de données peut parfois produire plus d’action.
Sources
Sim, I., et al. (2024). Wearables for continuous monitoring of patient outcomes: Systematic review. PLOS Digital Health. https://journals.plos.org/digitalhealth
Channa, A., et al. (2024). Wearable artificial intelligence for detecting anxiety: Systematic review and meta-analysis. Computers in Biology and Medicine.
Alam, F., et al. (2024). Detection and monitoring of stress using wearable devices
A lire également : https://www.priseenchargepreventive.fr/adhesion-therapeutique-maladies-chroniques-et-sante-numerique/
