Une équipe du CHU universitaire de Tübingen a publié, le 13 août, dans npj Digital Medicine, une évaluation de GPT-5 appliquée à la décision oncologique multidisciplinaire. L'étude testait une hypothèse rarement vérifiée: lorsqu'on demande à un grand modèle de langage d'adopter le rôle d'un chirurgien, d'un oncologue médical ou d'un radiothérapeute, produit-il des raisonnements cliniques réellement distincts, ou seulement un habillage lexical propre à chaque spécialité autour d'une recommandation invariante?
Cent cas de cancers digestifs présentés en réunion de concertation pluridisciplinaire (RCP) institutionnelle entre mars 2022 et décembre 2023 ont été sélectionnés par tirage au sort simple, à raison de vingt cas pour chacune des cinq localisations retenues : œsophage, estomac, pancréas, voies biliaires et foie, côlon et rectum. Chaque groupe comportait dix primo-présentations et dix consultations de suivi. Les vignettes cliniques anonymisées ont été soumises à GPT-5 selon six cadres de prompting, sans exemples préalables : une RCP simulée servant de référence, une délibération multi-experts avec synthèse consensuelle, trois personas de spécialistes pris isolément et un vote majoritaire agrégeant ces trois personas. Les recommandations ont été classées en neuf catégories thérapeutiques mutuellement exclusives, la décision documentée de la RCP servant d'étalon. La concordance interévaluateurs entre deux médecins spécialistes atteignait un coefficient kappa de 0,92 sur les 500 réponses classées.
La concordance avec les décisions de la RCP s'échelonne de 78 % à 87 % selon le cadre, sans différence statistiquement significative entre les six dispositifs (Q de Cochran = 8,46 ; p = 0,133). Le vote majoritaire obtient le taux le plus élevé, avec 87 %, contre 83 % pour la RCP simulée. Le chirurgien et l'oncologue médical atteignent chacun 84 %, le radiothérapeute 78 %. Le vocabulaire caractéristique de la spécialité demandée apparaît dans environ 90 à 100 % des réponses, mais sa présence n'est corrélée à la justesse de la recommandation pour aucun des trois rôles. L'analyse des plongements sémantiques montre une similarité cosinus élevée entre personas, de 0,805 à 0,836, avec une variance attribuable au rôle limitée à 4,9 %. La délibération multi-experts, qui impose trois chemins de raisonnement séparés avant synthèse, porte cette variance au-delà de 50 %, sans gain de concordance.
Les recommandations dépassant le périmètre de la spécialité assignée concernent 61 % des réponses du chirurgien, 56 % de celles du radiothérapeute et 38 % de celles de l'oncologue médical. Les réponses associant contenu spécialisé et contenu transdisciplinaire obtiennent une concordance de 87,8 %, contre 75,5 % pour celles restant dans le périmètre assigné. L'entropie de Shannon interspécialistes s'établit à 0,277 bit en moyenne, avec une unanimité complète des trois rôles dans 72 cas sur 100.
Les auteurs concluent que GPT-5 adapte son registre linguistique aux personas cliniques sans produire de spécialisation correspondante dans la structure de ses décisions, et qu'il se comporte comme un système intrinsèquement pluridisciplinaire s'appuyant sur des représentations partagées. Ils estiment que ces résultats soutiennent l'usage des grands modèles de langage comme outils d'aide à la décision plutôt que comme simulateurs autonomes de spécialistes, et que les progrès futurs dépendront de solutions architecturales, notamment de systèmes multi-agents à contextes séparés dotés de mécanismes explicites de résolution des désaccords, plutôt que d'un simple raffinement des stratégies de prompting par rôle.
