{"id":900000922,"date":"2026-09-14T10:02:15","date_gmt":"2026-09-14T08:02:15","guid":{"rendered":"https:\/\/neuronup.com\/fr\/?p=900000922"},"modified":"2026-09-14T10:02:15","modified_gmt":"2026-09-14T08:02:15","slug":"les-modeles-de-langage-peuvent-ils-raisonner-comme-un-clinicien-nouvelles-evidences-sur-leurs-limites-en-medecine","status":"publish","type":"post","link":"https:\/\/neuronup.com\/fr\/investigation\/lignes-de-recherche\/les-modeles-de-langage-peuvent-ils-raisonner-comme-un-clinicien-nouvelles-evidences-sur-leurs-limites-en-medecine\/","title":{"rendered":"Les mod\u00e8les de langage peuvent-ils raisonner comme un clinicien ? Nouvelles donn\u00e9es sur leurs limites en m\u00e9decine"},"content":{"rendered":"\n

La doctorante Marta Arbizu G\u00f3mez analyse les donn\u00e9es scientifiques actuelles sur les limites des mod\u00e8les de langage en mati\u00e8re de raisonnement clinique et leur impact sur la pratique clinique quotidienne<\/strong>.<\/p>\n\n\n\n

\n

Une \u00e9tude publi\u00e9e dans JAMA Network Open r\u00e9v\u00e8le que les mod\u00e8les de langage (LLM) d\u00e9passent un taux d\u2019erreur de 80 % dans le diagnostic diff\u00e9rentiel, malgr\u00e9 leur pr\u00e9cision finale<\/strong>. En \u00e9valuation neuropsychologique et en neuror\u00e9\u00e9ducation, ces donn\u00e9es d\u00e9montrent que l\u2019IA ne remplace pas le raisonnement clinique humain<\/strong> et doit \u00eatre utilis\u00e9e uniquement comme outil compl\u00e9mentaire sous supervision professionnelle.\u00a0\u00a0<\/p>\n<\/div><\/div>\n\n\n\n

<\/div>\n\n\n\n

Pourquoi est-il important d\u2019\u00e9valuer le raisonnement clinique de l\u2019intelligence artificielle ?<\/h2>\n\n\n\n

Les mod\u00e8les de langage<\/a> de grande taille, connus sous le nom de LLM, occupent une place de plus en plus importante dans le domaine de la sant\u00e9<\/strong>. Ils sont utilis\u00e9s ou \u00e9tudi\u00e9s pour r\u00e9sumer des dossiers m\u00e9dicaux, soutenir la prise de d\u00e9cision, r\u00e9pondre \u00e0 des questions m\u00e9dicales, r\u00e9diger des comptes rendus ou aider dans les t\u00e2ches de documentation clinique.<\/p>\n\n\n\n

Cependant, r\u00e9pondre correctement \u00e0 une question m\u00e9dicale isol\u00e9e est une chose, reproduire l\u2019ensemble du raisonnement clinique d\u2019un professionnel<\/strong> de sant\u00e9 face \u00e0 un patient r\u00e9el en est une autre. En pratique clinique, le diagnostic ne d\u00e9coule g\u00e9n\u00e9ralement pas d\u2019une r\u00e9ponse unique, mais d\u2019un processus progressif : les informations sont recueillies, des hypoth\u00e8ses sont formul\u00e9es, des examens sont prescrits, des possibilit\u00e9s sont \u00e9cart\u00e9es et un plan de prise en charge est d\u00e9fini.<\/p>\n\n\n\n

Jusqu\u2019\u00e0 pr\u00e9sent, de nombreuses \u00e9valuations de l\u2019intelligence artificielle en m\u00e9decine<\/a> reposaient sur des examens \u00e0 choix multiples, tels que des \u00e9preuves de licence m\u00e9dicale ou des questions \u00e0 choix multiple. Bien que ces formats soient utiles pour mesurer les connaissances, ils ne rendent pas pleinement compte de la complexit\u00e9 du raisonnement clinique, notamment en situation d\u2019incertitude<\/strong>.<\/p>\n\n\n\n

L\u2019\u00e9tude publi\u00e9e dans JAMA Network Open<\/em> s\u2019int\u00e9resse pr\u00e9cis\u00e9ment \u00e0 cette question : les LLM actuels peuvent-ils raisonner de mani\u00e8re fiable tout au long du parcours clinique ?<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Abonnez-vous<\/strong>
\u00e0 notre
Newsletter<\/h2>\n\n\n\n
\n
Abonnez-vous<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Comment l\u2019\u00e9tude sur les LLM en m\u00e9decine a-t-elle \u00e9t\u00e9 men\u00e9e ?<\/h2>\n\n\n\n

Les auteurs ont \u00e9valu\u00e9 les performances de 21 mod\u00e8les de langage<\/strong> de derni\u00e8re g\u00e9n\u00e9ration \u00e0 l\u2019aide de 29 vignettes cliniques standardis\u00e9es<\/strong> provenant du MSD Manual. Ces vignettes simulent des cas cliniques \u00e9tape par \u00e9tape<\/strong>, de la pr\u00e9sentation initiale du patient au diagnostic et \u00e0 la prise en charge.<\/p>\n\n\n\n

Les mod\u00e8les \u00e9valu\u00e9s comprenaient des syst\u00e8mes issus de diff\u00e9rentes familles, telles que GPT, Claude, Gemini, DeepSeek et Grok. Parmi eux figuraient des mod\u00e8les r\u00e9cents et optimis\u00e9s pour le raisonnement, comme GPT-5, Claude 4.5 Opus, Gemini 3.0 Pro ou Grok 4.<\/p>\n\n\n\n

Chaque mod\u00e8le devait r\u00e9pondre \u00e0 des questions organis\u00e9es autour de cinq domaines <\/strong>du raisonnement clinique :<\/p>\n\n\n\n

    \n
  1. Diagnostic diff\u00e9rentiel ;<\/li>\n\n\n\n
  2. examens diagnostiques ;<\/li>\n\n\n\n
  3. diagnostic final ;<\/li>\n\n\n\n
  4. prise en charge ou traitement ;<\/li>\n\n\n\n
  5. et questions cliniques suppl\u00e9mentaires.<\/li>\n<\/ol>\n\n\n\n

    Pour \u00e9valuer les performances, les chercheurs ne se sont pas limit\u00e9s \u00e0 calculer la pr\u00e9cision globale. Ils ont introduit une nouvelle m\u00e9trique appel\u00e9e PrIME-LLM<\/strong>, qui synth\u00e9tise les performances \u00e9quilibr\u00e9es du mod\u00e8le dans cinq domaines du raisonnement clinique. Cette m\u00e9trique est repr\u00e9sent\u00e9e par des graphiques en radar : plus la surface du graphique est large et \u00e9quilibr\u00e9e, meilleures sont les performances du mod\u00e8le tout au long du processus clinique<\/strong>. <\/p>\n\n\n\n

    <\/div>\n\n\n\n
    \"Performances
    Image 1 :<\/strong> Performances des familles de mod\u00e8les de langage dans cinq domaines du raisonnement clinique : diagnostic diff\u00e9rentiel (DD), examens diagnostiques (DT), diagnostic final (FD), prise en charge (M) et questions cliniques suppl\u00e9mentaires (Q). La figure montre que le diagnostic diff\u00e9rentiel \u00e9tait l\u2019un des domaines les plus faibles dans toutes les familles de mod\u00e8les. Figure adapt\u00e9e de Rao et al., 2026.\u00a0<\/figcaption><\/figure>\n\n\n\n\n\n
    <\/div>\n\n\n\n

    Que r\u00e9v\u00e8lent les principaux r\u00e9sultats sur les LLM dans le diagnostic ?<\/h2>\n\n\n\n

    Les r\u00e9sultats montrent une tendance tr\u00e8s nette : les LLM actuels peuvent obtenir de bons r\u00e9sultats lorsqu\u2019on leur demande d\u2019identifier le diagnostic final<\/strong>, mais rencontrent beaucoup plus de difficult\u00e9s lorsqu\u2019ils doivent \u00e9tablir un diagnostic diff\u00e9rentiel<\/strong>.<\/p>\n\n\n\n

    Ce point est particuli\u00e8rement important, car le diagnostic diff\u00e9rentiel constitue une composante centrale du raisonnement m\u00e9dical<\/strong>. Il consiste \u00e0 envisager diff\u00e9rentes possibilit\u00e9s diagnostiques, \u00e0 maintenir l\u2019incertitude et \u00e0 \u00e9viter de conclure trop rapidement. Selon les auteurs, les mod\u00e8les tendent \u00e0 converger pr\u00e9matur\u00e9ment vers une r\u00e9ponse unique, au lieu de raisonner de mani\u00e8re plus souple comme le ferait un clinicien<\/strong>.<\/p>\n\n\n\n

    Les mod\u00e8les optimis\u00e9s pour le raisonnement ont obtenu de meilleurs r\u00e9sultats <\/strong>que les mod\u00e8les non optimis\u00e9s, mais cette am\u00e9lioration n\u2019a pas supprim\u00e9 les principales limites<\/strong>. M\u00eame les mod\u00e8les les plus avanc\u00e9s ont continu\u00e9 \u00e0 pr\u00e9senter des d\u00e9faillances importantes dans les premi\u00e8res phases du raisonnement clinique.<\/p>\n\n\n\n

    Dans l\u2019ensemble, les meilleurs r\u00e9sultats au PrIME-LLM ont \u00e9t\u00e9 obtenus par des mod\u00e8les tels que Grok 4, GPT-5, GPT-4.5, Claude 4.5 Opus, Gemini 3.0 Flash et Gemini 3.0 Pro<\/strong>. Cependant, l\u2019\u00e9tude avertit qu\u2019une pr\u00e9cision globale \u00e9lev\u00e9e peut masquer des faiblesses importantes si le mod\u00e8le n\u2019obtient pas des performances \u00e9quilibr\u00e9es dans toutes les t\u00e2ches.<\/p>\n\n\n\n

    <\/div>\n\n\n\n
    M\u00e9trique ou r\u00e9sultat<\/strong><\/th>Principal constat<\/strong><\/th><\/tr><\/thead>
    Mod\u00e8les \u00e9valu\u00e9s<\/td>21 LLM<\/td><\/tr>
    Cas cliniques utilis\u00e9s<\/td>29 vignettes cliniques<\/td><\/tr>
    Nombre total de r\u00e9ponses analys\u00e9es<\/td>16 254<\/td><\/tr>
    Meilleures performances g\u00e9n\u00e9rales<\/td>Mod\u00e8les r\u00e9cents et optimis\u00e9s pour le raisonnement<\/td><\/tr>
    Domaine le plus performant<\/td>Diagnostic final<\/td><\/tr>
    Domaine le plus faible<\/td>Diagnostic diff\u00e9rentiel<\/td><\/tr>
    Taux d\u2019\u00e9chec dans le diagnostic diff\u00e9rentiel<\/td>Sup\u00e9rieur \u00e0 0,80 pour tous les mod\u00e8les<\/td><\/tr>
    Utilit\u00e9 du PrIME-LLM<\/td>D\u00e9tecte les d\u00e9s\u00e9quilibres que la pr\u00e9cision globale peut masquer<\/td><\/tr>
    Conclusion clinique<\/td>Les LLM ne sont pas s\u00fbrs pour une utilisation autonome sans supervision<\/td><\/tr><\/tbody><\/table>
    Tableau 1 :<\/strong> Synth\u00e8se des principaux r\u00e9sultats de l\u2019\u00e9tude.<\/figcaption><\/figure>\n\n\n\n
    <\/div>\n\n\n\n

    Quelles sont les implications pour la pratique clinique ?<\/h2>\n\n\n\n

    Cette \u00e9tude formule une mise en garde importante : il ne suffit pas qu\u2019un mod\u00e8le \u00e9tablisse correctement les diagnostics finaux pour le consid\u00e9rer comme s\u00fbr en m\u00e9decine<\/strong>.<\/p>\n\n\n\n

    En pratique clinique, l\u2019un des principaux risques est qu\u2019un outil g\u00e9n\u00e8re une r\u00e9ponse apparemment correcte sans avoir correctement pris en compte d\u2019autres possibilit\u00e9s. Cela peut cr\u00e9er un faux sentiment de s\u00e9curit\u00e9, notamment dans les contextes de forte incertitude.<\/p>\n\n\n\n

    Les r\u00e9sultats sugg\u00e8rent que les LLM peuvent \u00eatre utiles pour certaines t\u00e2ches cliniques pr\u00e9cises<\/strong><\/a>, en particulier lorsqu\u2019elles sont clairement d\u00e9limit\u00e9es et supervis\u00e9es par des professionnels. Ils pourraient par exemple aider \u00e0 r\u00e9sumer des informations, structurer des donn\u00e9es, soutenir la revue de documents ou servir d\u2019outil compl\u00e9mentaire dans des environnements o\u00f9 l\u2019incertitude est faible.<\/p>\n\n\n\n

    Cependant, les auteurs sont clairs : les mod\u00e8les actuels ne devraient pas \u00eatre utilis\u00e9s comme agents diagnostiques autonomes <\/strong>ni dans des contextes patient-facing sans supervision clinique<\/strong>. Leurs performances ne reproduisent toujours pas la complexit\u00e9 du raisonnement m\u00e9dical humain, notamment dans les premi\u00e8res phases du diagnostic.<\/p>\n\n\n\n

    Quel est le lien entre cette avanc\u00e9e et NeuronUP ?<\/h2>\n\n\n\n

    Chez NeuronUP<\/strong><\/a> <\/strong>, nous travaillons avec des outils num\u00e9riques fond\u00e9s sur des donn\u00e9es probantes et destin\u00e9s \u00e0 la r\u00e9\u00e9ducation et \u00e0 la stimulation cognitive<\/a>. Dans ce contexte, des \u00e9tudes comme celle-ci sont particuli\u00e8rement pertinentes, car elles contribuent \u00e0 d\u00e9finir le r\u00f4le r\u00e9aliste de l\u2019intelligence artificielle dans le domaine de la sant\u00e9<\/strong>.<\/p>\n\n\n\n

    L\u2019IA peut apporter une r\u00e9elle valeur lorsqu\u2019elle est int\u00e9gr\u00e9e de mani\u00e8re responsable, transparente et supervis\u00e9e. Elle peut notamment contribuer \u00e0<\/strong> :<\/p>\n\n\n\n