Le trouble dépressif est actuellement un enjeu de santé publique majeur qui touche environ 300 millions de personnes dans le monde. Les répercussions de cette maladie sont multiples, impactant la qualité de vie et augmentant notamment le risque de décès par suicide. L’une des problématiques rencontrée en psychiatrie de nos jours est le manque d’outils objectifs, reproductibles et fiables comme aide au diagnostic ou encore au suivi de la maladie. De nombreuses études portent actuellement sur la recherche de biomarqueurs correspondant à ces critères, dont celles s’intéressant à l’électrorétinogramme comme outil d’aide à la clinique dans l’épisode dépressif caractérisé. Notre sujet de thèse porte en particulier sur un modèle d’enregistrement, le pattern electroretinogram (PERG), déjà identifié lors de précédentes études comme susceptible de permettre une discrimination entre des patients souffrant de dépression et une population saine. Lors de notre étude, nous avons appliqué des algorithmes issus de l’intelligence artificielle sur les tracés de PERG recueillis chez des patients et des témoins, et mis en évidence un modèle intéressant permettant une aide au diagnostic, au suivi de la maladie ainsi qu’à la réponse aux traitements dans le trouble dépressif unipolaire. Ce modèle pourrait par la suite être testé à plus grande échelle, et extrapolé par exemple comme aide au diagnostic différentiel, ou dans le cadre de dépistage précoce.