Les données officielles de 2022 placent le Canada au premier rang des pays industrialisés qui comptent le plus haut taux de suicide chez les jeunes de 10 à 14 ans, soit 9 cas sur 100 000 chez les filles et 2 cas sur 100 000 chez les garçons [1]. Les présumés coupables : le début de la puberté, les réseaux sociaux et la hausse des symptômes anxiodépressifs.
Voilà sept ans que Molly, 14 ans, s’est enlevé la vie après avoir regardé en boucle sur les réseaux sociaux des citations (quotes) à tendance dépressive et du contenu sur l’automutilation et le suicide. Les données connues à ce jour montrent que la dépression touche davantage le sexe féminin (14,4 %) que le sexe masculin (11,5 %) [2]. Cet écart entre les sexes émergerait vers l’âge de 13 ans, un âge fréquemment rapporté comme correspondant au début de la puberté chez les jeunes filles [3].
Des études indiquent que l’apparition de symptômes dépressifs à l’adolescence ne serait pas causée par les changements morphologiques, mais plutôt par les hormones associées à la puberté, telles que l’estradiol et la testostérone [4]. Des études suggèrent par exemple qu’une grande augmentation des taux d’estradiol chez les jeunes filles prédirait les symptômes dépressifs dans les mois qui suivent [5]. Ce lien s’avère très complexe et peu étudié dans la littérature, mais une hypothèse veut que l’estradiol influe notamment sur l’amygdale, l’hippocampe et le striatum, des régions du cerveau intervenant dans le traitement des émotions, de l’anxiété et de la récompense [6]. Des fluctuations trop importantes ou des taux trop élevés d’estradiol pourraient alors altérer le bon fonctionnement de ces structures et compromettre la régulation des émotions. Un taux élevé de testostérone entraînerait par ailleurs la recherche de statut (status seeking) et d’approbation sociale par les pairs, et serait associé à une hausse des symptômes d’anxiété [7]. Ces facteurs internes sont susceptibles d’influencer le développement des symptômes anxiodépressifs chez les jeunes filles.
Du côté des facteurs externes, les réseaux sociaux sont à considérer. Des articles scientifiques ont identifié l’exposition à du contenu sur le suicide et l’automutilation comme un facteur de risque majeur pour une tentative de suicide, comme ce fut le cas pour Molly [8]. Par exemple, une étude a mis en lumière une hausse des publications utilisant le mot-clic #selfharm (#automutilation en français) sur Instagram en 2018 [9]. Parallèlement, une augmentation des comportements d’automutilation a été remarquée chez les jeunes dans les quinze dernières années [10]. Tant la littérature scientifique que les témoignages d’adolescents et d’adolescentes montrent que l’exposition à du contenu d’automutilation peut les encourager à imiter ces comportements et contribuerait à les normaliser [11]. Cet aspect est important, puisque les comportements d’automutilation constituent un facteur de risque majeur pour une future tentative de suicide [12].
Bien que les facteurs internes ne puissent être modifiés, la consommation de contenus sur les réseaux sociaux pourrait faire l’objet d’un autocontrôle ou d’un contrôle externe. Dans cet ordre d’idées, plusieurs équipes de recherche ont démontré que l’intelligence artificielle contribuerait à repérer le contenu néfaste et la cyberintimidation sur les réseaux sociaux [13], ce qui ouvrirait la porte à un contrôle du contenu consommé. L’interaction qu’ont des jeunes avec les contenus d’automutilation et de suicide (p. ex. mention « J’aime », fonction « Partage ») pourrait aussi être utilisée pour cibler ceux et celles qui présentent un risque suicidaire [14]. Ainsi, de nouvelles pistes sont actuellement évaluées afin de rendre les réseaux sociaux plus sécuritaires pour les jeunes en pleine puberté.
Références
[1] Levesque, P. et Perron, P.-A. Les comportements suicidaires au Québec : portrait 2024 (publication no 978-2-550-96817-7). Institut national de santé publique du Québec. https://www.inspq.qc.ca/sites/default/files/2024-02/3451-comportements-suicidaires-au-Qu%C3%A9bec-portrait-2024.pdf
[2] Lim, G. Y., Tam, W. W., Lu, Y., Ho, C. S., Zhang, M. W. et Ho, R. C. (2018). Prevalence of depression in the community from 30 countries between 1994 and 2014. Scientific Reports, 8(1), 2861. https://doi.org/10.1038/s41598-018-21243-x
[3] Wade, T. J., Cairney, J. et Pevalin, D. J. (2002). Emergence of gender differences in depression during adolescence: National panel results from three countries. Journal of American Academy of Child and Adolescent Psychiatry, 41(2), 190‑198. https://doi.org/10.1097/00004583-200202000-00013
Biro, F. M., Greenspan, L. C. et Galvez, M. P. (2012). Puberty in girls of the 21st century. Journal of Pediatric Adolescent Gynecology, 25(5), 289‑294. https://doi.org/10.1016/j.jpag.2012.05.009
[4] Stumper, A. et Alloy, L. B. (2023). Associations between pubertal stage and depression: A systematic review of the literature. Child Psychiatry and Human Development, 54(2), 312‑339. https://doi.org/10.1007/s10578-021-01244-0
[5] Chafkin, J. E., Yeager, D. S., O’Brien, J. M., Lee, H. Y., McAfee, C. A. et Josephs, R. A. (2022). Gonadal and adrenal hormones interact with pubertal maturation to predict depressive symptoms in a group of high-school females. Development and Psychopathology, 34(3), 1064‑1078. https://doi.org/10.1017/S0954579420001935
[6] Poon, J. A., Niehaus, C. E., Thompson, J. C. et Chaplin, T. M. (2019). Adolescents’ pubertal development: Links between testosterone, estradiol, and neural reward processing. Hormones and Behavior, 114, 104504. https://doi.org/10.1016/j.yhbeh.2019.02.015
[7] Mehta, P. H. et Josephs, R. A. (2010). Testosterone and cortisol jointly regulate dominance: Evidence for a dual-hormone hypothesis. Hormones and Behavior, 58(5), 898‑906. https://doi.org/10.1016/j.yhbeh.2010.08.020
Gilbert, P. (2001). Evolution and social anxiety: The role of attraction, social competition, and social hierarchies. Psychiatric Clinics of North America, 24(4), 723‑751. https://doi.org/10.1016/S0193-953X(05)70260-4
[8] Biernesser, C., Sewall, C. J. R., Brent, D., Bear, T., Mair, C. et Trauth, J. (2020). Social media use and deliberate self-harm among youth: A systematized narrative review. Children Youth Services Review, 116, 105054. https://doi.org/10.1016/j.childyouth.2020.105054
[9] Giordano, A. L., Lundeen, L. A., Wester, K. L., Lee, J., Vickers, S., Schmit, M. K. et Kin, I. K. (2021). Nonsuicidal self-injury on Instagram: Examining hashtag trends. International Journal for the Advancement of Counselling, 44, 1‑16. https://doi.org/10.1007/s10447-021-09451-z
[10] Mercado, M. C., Holland, K., Leemis, R. W., Stone, D. M. et Wang, J. (2017). Trends in emergency department visits for nonfatal self-inflicted injuries among youth aged 10 to 24 years in the United States, 2001-2015. JAMA, 318(19), 1931-1933. https://doi.org/10.1001/jama.2017.13317
Sahoo, S. et Patra, S. (2023). A rapid systematic review of the prevalence of suicide and self-harm behaviors in adolescents during the COVID-19 pandemic. Crisis: The Journal of Crisis Intervention and Suicide Prevention, 44(6), 497-505. https://doi.org/10.1027/0227-5910/a000906
[11] Brown, R. C., Fischer, T., Goldwich, A. D., Keller, F., Young, R. et Plener, P. L. (2018). #cutting: Non-suicidal self-injury (NSSI) on Instagram. Psychological Medicine, 48(2), 337‑346. https://doi.org/10.1017/S0033291717001751
Jacob, N., Evans, R. et Scourfield, J. (2017). The influence of online images on self‐harm: A qualitative study of young people aged 16-24. Journal of Adolescence, 60(1), 140‑147. https://doi.org/10.1016/j.adolescence.2017.08.001
[12] Mars, B., Heron, J., Klonsky, E. D., Moran, P., O’Connor, R. C., Tilling, K., Wilkinson, P. et Gunnel, D. (2019). Predictors of future suicide attempt among adolescents with suicidal thoughts or non-suicidal self-harm: A population-based birth cohort study. The Lancet Psychiatry, 6(4), 327‑337. https://doi.org/10.1016/S2215-0366(19)30030-6
[13] Yuvaraj, N., Chang, V., Gobinathan, B., Pinagapani, A., Kannan, S., Dhiman, G. et Rajan, A. R. (2021). Automatic detection of cyberbullying using multi-feature based artificial intelligence with deep decision tree classification. Computer and Electrical Engeneering, 92, 107186. https://doi.org/10.1016/j.compeleceng.2021.107186
[14] Ibid.
