Un préprint mis en ligne le 29 octobre 2026 rapporte que Gemini 3.1 Flash-Lite, entraîné sur des entretiens psychiatriques simulés, a moins souvent sous-évalué les crises graves que son modèle de base : 12,9 % contre 30,5 % dans 256 scénarios adversariaux. Ce résultat mesure la réaction à des crises simulées, pas un taux observé chez des patients. Le préprint sur arXiv décrit aussi une évaluation par des psychiatres et des omissions distinctes dans les prises d’information.
Ce que mesure le taux de 12,9 %
Le sous-triage désigne ici un défaut d’orientation : le modèle ne recommande pas des soins psychiatriques urgents ou d’urgence alors que le scénario décrit une crise active mettant la vie en danger. Le chiffre de 12,9 % correspond à cette erreur dans les scénarios adversariaux testés. Il ne décrit ni la fréquence des crises ni la part de patients réels qui seraient mal orientés.
D’autres résultats portent sur des mesures différentes. Le taux de signaux d’alerte manqués concerne lui aussi les 256 scénarios adversariaux. Les omissions d’anamnèse, elles, relèvent d’entretiens simulés : elles indiquent si le modèle a laissé de côté au moins un sujet jugé essentiel dans les antécédents du patient.
| Mesure | Évaluation | Gemini 3.1 Flash-Lite entraîné par simulation | Modèle de base |
| Sous-triage lors d’une crise active mettant la vie en danger | 256 scénarios adversariaux | 12,9 % | 30,5 % |
| Signaux d’alerte manqués | 256 scénarios adversariaux | 6,2 % | 10,9 % |
| Au moins un sujet essentiel d’anamnèse omis | Entretiens simulés | 60,6 % | 96,9 % |
Les trois pourcentages ne décrivent donc pas une seule notion générale d’« erreur ». Le taux de 60,6 % peut sembler élevé à côté des 12,9 % de sous-triage, mais il porte sur une vérification plus large de l’entretien, et non sur la décision d’orienter une personne en crise.
Ce que les psychiatres ont évalué
L’évaluation humaine prenait la forme d’un examen clinique structuré, mené en anglais par messagerie texte. Trente-deux psychiatres certifiés jouaient des patients standardisés, c’est-à-dire des patients fictifs interprétés selon un scénario défini. Un panel distinct de 15 psychiatres indépendants évaluait ensuite les transcriptions anonymisées.
Sur 60 paires de scénarios appariées, le modèle entraîné a obtenu la meilleure note globale dans 46 cas, soit 76,7 %. Les évaluateurs ont aussi relevé une meilleure adhésion à une grille de communication centrée sur le patient, avec 82,0 % contre 65,2 %, ainsi qu’une meilleure pertinence des diagnostics différentiels, avec 68,3 % contre 33,3 %. Ces résultats portent sur des consultations simulées, pas sur des prises en charge cliniques.
Pourquoi les résultats simulés demandent de la prudence
Le préprint compare également l’évaluation par patients simulés à l’évaluation humaine sur 60 scénarios communs. La taille d’effet standardisée était de 2,11 avec les patients simulés, contre 0,71 avec l’instrument clinique humain le plus proche. Les gains d’un scénario à l’autre étaient faiblement corrélés entre les évaluations (ρ = 0,09). Les auteurs estiment ainsi que l’évaluation simulée peut conserver la direction d’un résultat sans mesurer fidèlement l’ampleur du gain ni identifier les scénarios où un modèle s’en sort mieux.
L’étude portait sur des entretiens textuels en anglais fondés sur les pratiques psychiatriques américaines. Elle n’a pas évalué de patients réels, et les auteurs précisent que le système n’est pas prêt à mener seul une évaluation psychiatrique. Ils demandent une validation prospective auprès de patients réels et une supervision clinique. L’échange par texte ne fournit pas non plus les observations physiques ou non verbales nécessaires à un examen psychiatrique complet.
