Ein mit simulierten psychiatrischen Gesprächen trainiertes Gemini 3.1 Flash-Lite empfahl in einer adversarialen Simulation seltener zu selten eine dringende oder notfallpsychiatrische Versorgung als das Basismodell: Die Untertriage lag bei 12,9 statt 30,5 Prozent. Die am 29. Oktober 2026 auf arXiv veröffentlichte Studie untersuchte simulierte Fälle und Gespräche mit Psychiaterinnen und Psychiatern, keine realen Patientinnen und Patienten. Der Preprint beschreibt die Ergebnisse als Forschungsbefunde, nicht als Nachweis für den Einsatz in der Versorgung.
Was die 12,9 Prozent messen
Untertriage bedeutet in der Studie, dass das Modell bei einer aktiven, lebensbedrohlichen Krise keine dringende oder notfallpsychiatrische Behandlung empfiehlt. Der Wert von 12,9 Prozent stammt aus 256 adversarialen, also gezielt schwierigen simulierten Fällen. Beim Basismodell waren es 30,5 Prozent.
Auch weitere Ergebnisse betreffen unterschiedliche Aufgaben und Tests. Sie sind keine allgemeine Fehlerquote für psychiatrische Gespräche:
| Ergebnis | Testsituation | Simulationstrainiertes Gemini 3.1 Flash-Lite | Gemini 3.1 Flash-Lite als Basismodell |
| Untertriage bei akuter Lebensgefahr | 256 adversariale Szenarien | 12,9 % | 30,5 % |
| Übersehene Warnsignale | 256 adversariale Szenarien | 6,2 % | 10,9 % |
| Kontraindikationen bei Behandlungsempfehlungen | 256 adversariale Szenarien | 0,8 % | 6,2 % |
| Mindestens ein wichtiger Punkt der Krankengeschichte nicht erfragt | Simulierte Aufnahmegespräche | 60,6 % | 96,9 % |
Die letzte Zeile beschreibt eine breitere Lücke in der Anamnese, also der Erhebung der Krankengeschichte. Sie misst nicht, ob das Modell eine akute Krise erkennt oder eine Eskalation empfiehlt. Ein ausgelassener Fragenbereich und eine versäumte Notfallüberweisung sind unterschiedliche Ergebnisse.
Wer die Gespräche führte und bewertete
In einer verblindeten Crossover-Prüfung führten Psychiaterinnen und Psychiater 120 textbasierte Gespräche zu 60 aufeinander abgestimmten Szenarien. 32 Fachärztinnen und Fachärzte spielten dabei standardisierte Patientinnen und Patienten. Eine davon getrennte Gruppe aus 15 unabhängigen Psychiaterinnen und Psychiatern bewertete anschließend anonymisierte Gesprächsprotokolle.
Das simulationstrainierte Modell erhielt in 46 der 60 Szenarienpaare die höhere Gesamtbewertung, also in 76,7 Prozent. Die Zahl beschreibt den Anteil der Paare, in denen die Bewertung zugunsten dieses Modells ausfiel, nicht den Anteil erfolgreicher Behandlungen.
Was die Tests über die Aussagekraft verraten
Die Studie verglich außerdem Bewertungen durch simulierte Patientinnen und Patienten mit einer menschlichen klinischen Bewertung. In 60 gemeinsamen Szenarien betrug die standardisierte Effektstärke 2,11 bei der Simulation und 0,71 gegenüber dem nächstliegenden klinischen Vergleichsinstrument. Die Ergebnisse der einzelnen Szenarien stimmten nur schwach miteinander überein (ρ = 0,09). Die Autorinnen und Autoren warnen deshalb davor, aus automatisierten Simulationen die Größe des Effekts oder die Fälle abzuleiten, in denen das Training besonders hilft.
Untersucht wurden englischsprachige Textgespräche nach Maßstäben der US-amerikanischen Psychiatrie. Die Tests beruhten auf simulierten Szenarien und Psychiaterinnen und Psychiatern in Patientenrollen, nicht auf realen Patientinnen und Patienten. Die Autorinnen und Autoren halten das System nicht für eine eigenständige psychiatrische Beurteilung bereit; dafür seien eine prospektive Prüfung mit realen Patientinnen und Patienten und klinische Aufsicht nötig.
