Une intelligence artificielle est-elle capable d’évaluer la détresse psychologique d’un patient en analysant simplement les mots échangés lors d’une consultation ? Alors que l’engouement pour ces technologies gagne le secteur médical, une étude publiée dans The Canadian Journal of Psychiatry invite à la prudence. Selon une équipe de chercheurs, les modèles d’intelligence artificielle les plus récents manquent encore cruellement de précision pour détecter et quantifier avec fiabilité les manifestations du traumatisme psychologique à partir de transcriptions cliniques.
La promesse de l’analyse automatisée du langage
Le trouble de stress post-traumatique (TSPT) demeure une pathologie fréquente mais largement sous-diagnostiquée. En cause : le manque de temps en consultation, la stigmatisation entourant les troubles mentaux et une dépendance presque exclusive aux questionnaires auto-administrés, que certains patients hésitent à remplir. Face à ces freins, l’automatisation de l’analyse textuelle représente une piste attrayante.
Pour mesurer ce potentiel, les chercheurs ont testé six grands modèles de langage de pointe (DeepSeek 3.1, Claude Sonnet 4, LLaMA 4 Scout, GPT-4o, GPT-5 et Gemini 2.5 Flash). En s’appuyant sur les transcriptions de cent entretiens cliniques semi-structurés issus de la base de données DAIC-WoZ, les scientifiques ont soumis ces algorithmes à une évaluation sans exemple préalable (« zero-shot »). L’objectif : prédire chacun des 17 critères de l’échelle d’évaluation PCL-C (PTSD Checklist-Civilian Version).
Des prédictions globales acceptables mais une finesse limitée
Les résultats révèlent une fracture nette entre la capacité des algorithmes à repérer une tendance générale et leur aptitude à mesurer précisément la gravité d’un état. Lorsqu’il s’agissait simplement de déterminer si un symptôme était présent ou non (prédiction binaire), les modèles ont affiché des performances honorables. Claude 4 a dominé les débats avec une exactitude moyenne de 70,5 %, talonné par DeepSeek 3.1 (69,9 %) et Gemini 2.5 (69,8 %).
En revanche, la situation se dégrade nettement dès que l’évaluation requiert un niveau de nuance supérieur. Pour estimer la sévérité d’un symptôme sur une échelle de Likert en cinq points, DeepSeek 3.1 s’est hissé en tête avec une exactitude de seulement 43,8 %. Ce score dépasse à peine le niveau de base statistique de la classe majoritaire (39,9 %), illustrant l’incapacité des modèles à saisir le degré réel de souffrance exprimé par le patient.
Une disparité selon la nature des symptômes
L’étude souligne également de fortes variations selon les dimensions cliniques analysées. Les algorithmes ont identifié avec davantage de facilité les manifestations de reviviscence et d’hyperéveil, telles que les cauchemars récurrents ou les insomnies sévères. Ces expressions s’avèrent généralement plus explicites et verbalisées de manière directe au cours des entrevues.
À l’inverse, les signes d’évitement et l’émoussement affectif ont posé de bien plus grandes difficultés aux modèles. Ces composantes, souvent intériorisées, subtiles ou dissimulées sous des non-dits, semblent pour l’instant échapper aux capacités de raisonnement contextuel des intelligences artificielles textuelles.
Un outil encore inadapté à la pratique clinique
Au vu de ces données, les auteurs concluent que les performances des modèles de langage actuels en configuration « zero-shot » restent insuffisantes pour une application médicale concrète. Aucun des systèmes évalués n’offre la rigueur requise pour remplacer les protocoles de dépistage conventionnels ou fonctionner de manière autonome.
Même si les modèles esquissent des corrélations prometteuses avec les réponses réelles des patients, les chercheurs rappellent que les données utilisées n’étaient pas spécifiquement conçues pour évaluer le traumatisme. Des recherches supplémentaires, s’appuyant sur des corpus cliniques spécialisés et menées en conditions réelles, seront indispensables avant d’envisager d’intégrer l’intelligence artificielle comme outil d’assistance au diagnostic.
Source
- Zero-Shot Large Language Models for Preliminary Prediction of PTSD Symptoms From Clinical Interview Transcripts: Grands modèles de langage sans exemple pour la prédiction préliminaire des symptômes de TSPT à partir de transcriptions d'entrevues cliniques
- Researchers: Bazen Gashaw Teferra, Christian Kevin Sidharta, Wei-Ni Hsiang, Alice Rueda, Beier Guan, Yanbo Zhang, Lisa Burback, Olga Winkler
- Journal: The Canadian Journal of Psychiatry
- Read the original study