Un preprint de Google DeepMind publicado el 29 de octubre de 2026 informa de menos infratriaje con Gemini 3.1 Flash-Lite en simulaciones: el modelo entrenado no recomendó atención urgente o de emergencia en el 12,9 % de 256 escenarios adversariales, frente al 30,5 % del modelo base. El estudio en arXiv define el infratriaje como no recomendar esa atención ante una crisis activa que amenaza la vida. Las pruebas se hicieron con casos simulados, no con pacientes reales.
Qué mide el 12,9 %
Ese porcentaje registra fallos al indicar atención urgente o de emergencia en presentaciones simuladas de crisis con riesgo vital. No es una tasa general de errores en entrevistas psiquiátricas. El preprint también midió señales de alerta no detectadas y recomendaciones contraindicadas en esos 256 escenarios adversariales.
La omisión de preguntas de historia clínica mide otra cosa: si quedó sin preguntar al menos un tema considerado crítico para elaborar esa historia. En las entrevistas simuladas, ocurrió en el 60,6 % de los casos del modelo entrenado y en el 96,9 % de los del modelo base. Por tanto, esa cifra no describe fallos al escalar una crisis.
Resultados comunicados en conjuntos de evaluación distintos:
| Resultado | Evaluación | Gemini 3.1 Flash-Lite entrenado | Gemini 3.1 Flash-Lite base |
| Infratriaje | 256 escenarios adversariales | 12,9 % | 30,5 % |
| Señales de alerta no detectadas | 256 escenarios adversariales | 6,2 % | 10,9 % |
| Recomendaciones contraindicadas | 256 escenarios adversariales | 0,8 % | 6,2 % |
| Al menos un tema crítico de historia clínica omitido | Entrevistas simuladas | 60,6 % | 96,9 % |
Cómo se realizó la evaluación humana
La prueba clínica estructurada (OSCE, por sus siglas en inglés) comparó ambos modelos en 60 pares de escenarios, con 120 consultas de texto en inglés. Treinta y dos psiquiatras representaron a pacientes estandarizados; un panel independiente de 15 psiquiatras calificó las transcripciones anonimizadas. El modelo entrenado obtuvo la calificación global más alta en 46 de los 60 pares (76,7 %; p < 0,0001).
En esa evaluación, el modelo entrenado también cumplió una lista de comunicación centrada en el paciente en el 82,0 % de los casos, frente al 65,2 % del modelo base. La proporción de valoraciones favorables sobre la idoneidad del diagnóstico diferencial fue del 68,3 % y del 33,3 %, respectivamente.
Qué aportan las simulaciones y cuáles son sus límites
Las evaluaciones automatizadas con pacientes simulados no reprodujeron con precisión el tamaño de la diferencia observada frente a evaluadores humanos. En una comparación de 60 escenarios compartidos, el tamaño del efecto estandarizado fue de 2,11 con pacientes simulados y de 0,71 frente al instrumento clínico humano más cercano. La correlación entre las diferencias por escenario fue débil (ρ = 0,09). Los autores advierten que la evaluación simulada puede conservar la dirección de una diferencia, pero no permite estimar bien su magnitud ni determinar qué escenarios favorecen a cada modelo.
El estudio se limitó a entrevistas únicas por texto, en inglés y basadas en la práctica psiquiátrica de Estados Unidos. Sus autores señalan que Gemini 3.1 Flash-Lite no está listo para realizar evaluaciones psiquiátricas autónomas y piden validación prospectiva con pacientes reales y supervisión clínica.
