Agent médical IA : comment il fonctionne et ce qu’il peut faire pour vous

Chatbot ou agent médical : la différence

Un chatbot répond à ce qu’on lui demande. Si vous oubliez de préciser que la douleur vous réveille la nuit, il ne le saura jamais. Un agent médical, lui, a un objectif : obtenir une histoire complète. Il vérifie ce qui manque, et c’est lui qui relance.

C’est ce que mesure une étude de 2026 : un agent qui passe en revue chaque domaine de l’histoire et relance tant qu’il manque une information recueille plus de 85 % des éléments pertinents, d’après trois médecins qui ne savaient pas quel système ils évaluaient Steinbuch. C’est une prépublication, sur des patients simulés : un résultat encourageant, pas une preuve définitive.

Comment un agent médical mène l’entretien

Chez Dokto, l’agent suit le plan que les médecins apprennent pendant leurs études. Chaque message commence par une reformulation de ce que vous venez de dire, puis pose une seule question :

1. Le motifCe qui vous amène, avec vos mots.
2. La description du symptômeDepuis quand, brutal ou progressif, où exactement, quel type de sensation, quelle intensité sur 10, ce qui aggrave ou soulage, les autres symptômes, le retentissement sur le quotidien.
3. Les signes de gravitéUne question ciblée selon votre plainte : pour une douleur dans la poitrine, l’essoufflement ou la douleur dans le bras ; pour un mal de tête, la raideur de la nuque. Au moindre signe inquiétant, l’entretien bascule vers le 15.
4. Le terrainAntécédents, traitements en cours, allergies, contexte.
5. La synthèseUn second modèle, plus puissant, rédige le compte-rendu structuré que vous pouvez télécharger.

Pourquoi un agent médical ne doit pas poser de diagnostic

Les modèles de langage réussissent bien les examens de médecine à choix multiples. Mais quand on les met en situation de conversation, où il faut obtenir soi-même les informations, leur précision chute nettement Johri. Et donner un modèle à des médecins ne suffit pas à améliorer leur raisonnement : dans un essai randomisé, les médecins aidés d’une IA n’ont pas fait mieux que les autres Goh.

La conclusion raisonnable est de confier à l’agent ce qu’il fait bien — recueillir, organiser, ne rien oublier — et de laisser le diagnostic à un médecin qui peut vous examiner.

Ce que montrent les essais cliniques

• 2 069patients dans le premier grand essai randomisé d’un agent de pré-consultation
• −28,7 %de durée de consultation quand le spécialiste reçoit le rapport de l’agent
• > 85 %des éléments utiles de l’histoire recueillis par un agent, sur cas simulés

Ces chiffres viennent de l’essai PreA Tao et d’une prépublication de 2026 Steinbuch. Ils décrivent la préparation de la consultation, pas un diagnostic. Aucune étude ne montre à ce jour qu’un agent grand public améliore l’état de santé des patients : ce n’est pas ce qu’on lui demande.

Questions fréquentes

Sources

Chaque référence a été vérifiée sur PubMed. La phrase sous chaque entrée dit ce que l’étude a mesuré, pas ce qu’on aimerait qu’elle dise.

1. Steinbuch S, de Vos-Hillebrand L, O’Neill-Dee C, et al. Comparative Performance of agentic AI and Physicians in Taking Clinical History across Leading Large Language Models (LLMs) medRxiv. 2026 (prépublication). PMID 41646794.Prépublication non encore relue par des pairs. Un agent qui relance ses questions jusqu’à ce que chaque domaine de l’anamnèse soit complet recueille plus de 85 % des éléments pertinents, selon trois médecins en aveugle — sur 72 cas simulés, pas sur des patients réels.Lire sur PubMed
2. Johri S, Jeong J, Tran BA, et al. An evaluation framework for clinical use of large language models in patient interaction tasks Nat Med. 2025;31(1):77-86. PMID 39747685.Le cadre CRAFT-MD évalue les modèles de langage en conversation, et non sur des QCM, dans 12 spécialités. Les modèles testés perdent nettement en précision quand ils doivent recueillir eux-mêmes l’histoire du patient au fil d’un dialogue.Lire sur PubMed
3. Goh E, Gallo R, Hom J, et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial JAMA Netw Open. 2024;7(10):e2440969. PMID 39466245.Médecins randomisés avec ou sans accès à un modèle de langage : score médian 76 % contre 74 %, différence non significative. Le modèle seul faisait mieux que les deux groupes de médecins — donner l’outil ne suffit pas, la façon de l’intégrer décide de tout.Lire sur PubMed
4. Tao X, Zhou S, Ding K, et al. An LLM chatbot to facilitate primary-to-specialist care transitions: a randomized controlled trial Nat Med. 2026;32(3):934-942. PMID 41555035.Essai randomisé, 2 069 patients et 111 spécialistes : un agent conversationnel mène l’interrogatoire avant la consultation et rédige un rapport pour le spécialiste. Consultation raccourcie de 28,7 % (3,14 contre 4,41 minutes), coordination jugée meilleure par les médecins, communication jugée plus facile par les patients. Résultats identiques avec ou sans aide du personnel. Réalisé en Chine, dans un système de soins différent du nôtre.Lire sur PubMed

À lire ensuite