Introduction Les avancées de l’intelligence artificielle (IA) et de l’analyse des données massives et complexes ouvrent de nouvelles perspectives en santé publique. Elles permettent d'analyser de vastes ensembles de données pour identifier, notamment, les facteurs de risque de maladies comme les troubles de santé mentale, Grande Cause Nationale 2025. En particulier, les questions de santé mentale et suicide chez les agriculteurs sont un sujet de préoccupation. Une étude que nous avons menée (Petit et al. 2023, Lancet Reg Health Eur) a révélé que les niveaux de risques de dépression différaient selon les activités agricoles. Pour aller plus loin, nous avons réalisé une analyse complémentaire pour identifier, parmi les données disponibles, les principaux prédicteurs de la dépression des chefs d'exploitation agricole. Méthodes L'algorithme de machine learning XGBoost a été utilisé pour identifier les prédicteurs de la dépression à partir des données médico-administratives de la Mutualité Sociale Agricole. Les données couvraient l'ensemble des chefs d'exploitation agricole français sur la période 2002-2016 (n=1088561 ; 31% de femmes). Les dispensations d'antidépresseurs (ATD) ont été utilisées comme proxy de la dépression traitée. Pour chaque sexe (tous sexes confondus, femme, homme) et activité agricole (n=26), un modèle spécifique a été construit, soit un total de 72 modèles. Les hyperparamètres optimaux de chaque modèle ont été déterminés par optimisation bayésienne. L’efficacité des modèles a été évaluée par validation croisée. Un total de 157 prédicteurs a été considéré. L'importance des prédicteurs a été déterminée avec la méthode d’explication additive de Shapley, une approche d'IA explicable. Lorsqu'un prédicteur orientait le modèle vers la dispensation d'ATD, il était considéré comme facteur de risque et sinon comme facteur protecteur. Résultats Le prédicteur le plus important était l’année travaillée (proxy de facteurs externes, hors de contrôle de l’agriculteur, comme les conditions météorologiques), surtout l'année 2016. 2016 était un facteur de risque pour 50% des activités, notamment pour le maraîchage, l'arboriculture fruitière, les cultures céréalières, la viticulture, l'élevage bovin-lait, et l'élevage de volailles et de lapins. Contextuellement, 2016 a été une année très difficile pour l'agriculture en raison de conditions météorologiques extrêmes et d'une crise financière qui ont entraîné une perte importante de la production végétale et viticole, ainsi qu'une forte baisse des prix dans la production animale, notamment pour le lait et la volaille. Les autres facteurs de risque identifiés étaient le fait d'être une femme, d'avoir des employés, d'avoir des comorbidités préexistantes et d'exercer une activité secondaire parallèlement à une activité agricole principale. L’âge et le fait d’avoir une unique ferme constituaient des facteurs protecteurs. Conclusion/Discussion Ce travail illustre l’intérêt de l’utilisation et du traitement des données massives par IA à des fins de santé publique. Nos résultats soulignent la nécessité d’actions ciblées et adaptées qui tiennent compte des différences de pratiques agricoles et de sexe. L’approche présentée dans ce travail pourrait être implémentée en routine pour fournir des informations en temps réel qui contribueraient à un système de surveillance et de prévention de la dépression des agriculteurs. L’approche peut également être appliquée/généralisée à d’autres populations à risque et d’autres maladies.