Les grands modèles de langage continuent de gagner du terrain dans la santé, mais leur évaluation reste souvent fragmentée. Dans cette revue, des chercheurs proposent une lecture plus structurée des LLM appliqués au raisonnement médical, en cherchant à aligner les attentes du terrain clinique avec les capacités effectivement démontrées par les modèles. L’objectif est clair : dépasser les démonstrations ponctuelles pour mieux situer ces outils dans des usages concrets de soin.
L’article adopte une approche à double entrée. Côté clinique, il s’appuie sur une grille de cinq niveaux de compétence inspirée de la pyramide de Miller, allant du simple rappel de connaissances jusqu’à la gestion dynamique de cas. Côté informatique, il relie plusieurs formes de raisonnement — déductif, inductif et abductif — à des objectifs médicaux courants. Cette articulation vise à mieux comprendre non seulement ce que les modèles savent, mais aussi comment ils raisonnent dans différents contextes.
Les auteurs présentent également un jeu de benchmark couvrant ces cinq niveaux de capacité en raisonnement médical, puis rapportent des résultats sur 18 modèles de pointe. Selon leur synthèse, les modèles spécialisés en médecine semblent mieux performer sur les tâches centrées sur le diagnostic, tandis que les modèles généralistes prendraient l’avantage sur l’aide à la décision et le dialogue. Le détail méthodologique et l’ampleur exacte des écarts devront toutefois être examinés dans le papier complet.
Au-delà des performances, la revue insiste sur plusieurs freins connus : limitations des données, hallucinations, problèmes d’ancrage factuel et difficulté à intégrer ces systèmes dans des workflows cliniques fiables. Le message de fond est mesuré : les LLM médicaux progressent, mais leur adoption en environnement réel dépendra surtout de garanties accrues en sécurité, robustesse et pertinence opérationnelle.