Une étude menée par l’ULB avec le soutien de l’INAMI met en évidence le caractère largement prévisible de l’entrée en incapacité de travail. Sur base de données administratives et de modèles d’intelligence artificielle, les chercheurs identifient des signaux précoces permettant d’agir en amont, ressort-il d’une analyse publiée mi avril par le Centre de connaissances en matière d’incapacité de travail.
La Belgique fait face à une augmentation continue du nombre de personnes en incapacité de travail depuis deux décennies, avec une progression marquée des situations de longue durée. Dans ce contexte, l’étude explore la capacité de modèles de « machine learning » à prédire non seulement l’entrée en incapacité, mais aussi sa persistance.
Les résultats montrent que le risque d’entrer en incapacité dans l’année suivante peut être anticipé avec un degré élevé de précision. Les déterminants les plus puissants proviennent de la consommation de soins : hospitalisations, prescriptions médicamenteuses et fréquence des consultations médicales constituent des indicateurs particulièrement robustes. Les trajectoires professionnelles, incluant revenus, interruptions de carrière et épisodes antérieurs d’incapacité, renforcent encore ces prédictions, tandis que les variables sociodémographiques jouent un rôle plus marginal une fois ces facteurs intégrés.
L’étude met en évidence une forte concentration du risque. Une minorité de personnes regroupe l’essentiel des entrées anticipables, alors que la majorité présente un risque très faible. Cette distribution ouvre la voie à des stratégies de prévention ciblée, centrées sur les profils les plus à risque.
La transition vers l’invalidité de longue durée apparaît en revanche nettement plus complexe à prévoir. Parmi les personnes déjà en incapacité, certains facteurs restent associés à une persistance prolongée, notamment l’âge, les indicateurs de santé mentale – comme les consultations psychiatriques ou l’usage d’antidépresseurs – ainsi que le niveau global de consommation médicale. Un ancrage plus faible au marché du travail avant l’épisode d’incapacité est également lié à un risque accru de maintien dans le système.
Cependant, une part importante de cette évolution échappe aux modèles. Les dimensions cliniques, les conditions de travail réelles, la qualité de l’accompagnement ou encore les facteurs psychosociaux influencent fortement les trajectoires individuelles, sans être pleinement captées par les bases de données administratives. Cette asymétrie souligne que si l’entrée en incapacité est largement structurée par des facteurs observables, sa persistance dépend davantage d’éléments humains et organisationnels.
Les premiers mois d’absence apparaissent comme une phase déterminante. Les personnes qui reprennent rapidement le travail sont généralement celles dont les perspectives de récupération étaient les plus favorables. À l’inverse, au-delà de trois à six mois, les chances de retour diminuent sensiblement et les profils deviennent plus homogènes, rendant la réintégration plus difficile.
Ces résultats plaident pour une intervention précoce et coordonnée. Un suivi médical et psychosocial intensifié, le maintien du lien avec l’employeur, l’adaptation rapide du poste de travail et la levée des obstacles administratifs sont identifiés comme des leviers clés pour éviter l’installation dans la longue durée. L’étude souligne également l’intérêt d’une coordination étroite entre médecins traitants, médecins du travail, mutualités et employeurs, ainsi que le recours à des outils facilitant cette collaboration, comme la plateforme TRIO.
Les auteurs concluent que l’incapacité de travail ne relève pas d’un phénomène aléatoire, mais qu’elle est en grande partie anticipable. Cette capacité de prédiction offre des perspectives concrètes pour orienter les politiques de prévention et cibler plus efficacement les interventions, en agissant avant la rupture professionnelle plutôt qu’une fois celle-ci installée.
> Consultez le rapport complet
Lire aussi: Incapacité de travail : deux nouvelles mesures dès 2026 (Inami)
