108 psychiatrů, 10 modelů a 300 otázek: Jak studie probíhala

Výzkumný tým z německých nemocnic pod vedením Esry Lenz a Emanuela Schwarze vytvořil tři realistické simulace psychiatrických pohovorů — s pacientem trpícím depresí, mánií a schizofrenií. Všechny sehrál stejný trénovaný herec (standardizovaný pacient), rozhovory vedli certifikovaní psychiatři a 108 kliniků (převážně rezidentů s průměrnou praxí 5,4 roku) hodnotilo 100 položek podle systému AMDP — evropského standardu pro dokumentaci psychopatologických nálezů.

Paralelně stejné rozhovory ve formě textových přepisů hodnotilo 10 velkých jazykových modelů: GPT-5.1, Gemini-3-Pro-Preview, Claude-Sonnet-4.5, Gemini-2.5-Flash, Mistral-Large-3, Qwen3-Next-80B, DeepSeek-R1, Kimi-K2-Thinking, GPT-4o-mini a GPT-OSS-20B. Modely pracovaly pouze s textem — bez obrazu, bez tónu hlasu, bez řeči těla. Lékaři naproti tomu měli k dispozici kompletní audiovizuální záznamy. Referenčním standardem byl konsenzus tří expertních AMDP trenérů.

Výsledky byly publikovány 7. července 2026 v časopise npj Digital Medicine, který spadá pod vydavatelství Nature.

GPT-5.1 vs. začínající psychiatři: Výsledky podle diagnóz

Nejvyšší celkovou přesnost (accuracy 0,72) dosáhly modely GPT-5.1 a Gemini-3-Pro-Preview při použití většinového hlasování napříč třemi běhy. To je řadí na 64. percentil distribuce začínajících psychiatrů. Jinými slovy — GPT-5.1 předčilo 64 % lékařů v této studii.

Rozdíly se ale výrazně lišily podle diagnózy:

• Deprese: GPT-5.1 dosáhlo 0,81 (lékaři: 0,79) — nejlepší výsledek, model mírně nad průměrem
• Mánie: GPT-5.1 dosáhlo 0,76 (lékaři: 0,68) — model výrazně lepší, 93. percentil
• Schizofrenie: GPT-5.1 dosáhlo 0,60 (lékaři: 0,58) — nejtěžší kategorie pro obě strany

Zajímavé je, že i samotní lékaři vykazovali značnou variabilitu — jejich celková přesnost se pohybovala od 0,36 do 0,89. Vzájemná shoda mezi dvěma náhodnými psychiatry dosahovala jen 65,4 %. Psychiatrická diagnostika je subjektivní disciplína, a právě proto v ní AI může sehrát důležitou roli.

Model GPT-OSS-20B (open-source varianta menšího modelu) dosáhl celkové přesnosti jen 0,40, DeepSeek-R1 skončil na 0,52. Proprietární modely od OpenAI a Google tedy zatím v klinických úlohách jasně vedou.

AI a lékaři dělají opačné chyby — a to je dobrá zpráva

Studie odhalila zásadně odlišné chybové profily člověka a stroje. Lékaři měli tendenci přehnaně usuzovat na přítomnost symptomů (false positives) — ze 69 chyb jich 44 spočívalo v tom, že položku označili jako přítomnou, ačkoli podle expertního panelu přítomná nebyla. Jinými slovy: lékaři "viděli symptomy i tam, kde nebyly".

GPT-5.1 naopak chybovalo konzervatismem — z 84 chyb ve 28 případech označilo symptom jako "nehodnotitelný", přestože podle expertů přítomný nebyl. Model měl vyšší laťku pro důkazy a raději symptom nehodnotil vůbec, pokud neměl dost informací.

Právě tato komplementarita je klíčovým zjištěním. Když vědci simulovali scénáře, kde se dva lékaři neshodli (což nastalo v 35,5 % případů), zapojení GPT-5.1 jako supervizora vedlo k významně přesnějšímu rozhodnutí než náhodný výběr mezi neshodujícími se kliniky (p 0,0002). AI dokázala být lepším "rozhodčím" než náhodně vybraný druhý lékař — a v případě deprese a mánie dokonce předčila i dohled atestovaného psychiatra.

Proč schizofrenie zůstává tvrdým oříškem

Nejnižší přesnost u schizofrenie má konkrétní vysvětlení. Systém AMDP obsahuje 9 položek závislých na vizuálním pozorování (např. motorický neklid, afektivní labilita, manýrování, parakinéza). Tyto symptomy nelze vyčíst z textového přepisu — musí být vidět. GPT-5.1 u nich označilo 63 % jako "nehodnotitelné", zatímco lékaři, kteří měli video, téměř nikdy (3,9 %).

Když vědci tyto vizuálně závislé položky z analýzy vyřadili, přesnost GPT-5.1 u schizofrenie stoupla z 0,60 na 0,66, u mánie z 0,76 na 0,81 a u deprese z 0,81 na 0,85. To naznačuje, že multimodální modely, které by dokázaly zpracovávat i videozáznam, by mohly být v psychiatrické diagnostice ještě přesnější.

Co to znamená pro psychiatrii — a pro Česko

Studie přichází v době, kdy do psychiatrické AI investují významné prostředky jak technologické firmy, tak akademické instituce. Letos v dubnu vyšel v Nature Machine Intelligence PsychFound — specializovaný 7miliardový model, který v reálné prospektivní studii prokázal, že rezidenti s jeho pomocí dosahují vyšší kvality konzultací, přesnější diagnostiky a kratší doby dokumentace. V dubnu také vyšel PsychiatryBench, benchmark s 5 188 expertně anotovanými položkami, který potvrdil, že současné LLM dosahují v psychiatrickém uvažování přes 84% úspěšnosti.

Pro české zdravotnictví mají tato zjištění konkrétní dopad. Česko se dlouhodobě potýká s nedostatkem psychiatrů — podle dat ÚZIS připadá v některých regionech na 100 000 obyvatel méně než 5 ambulantních psychiatrů. Čekací doby na první vyšetření běžně přesahují 3 měsíce. AI asistent, který by pomohl s vyhodnocováním diagnostických rozhovorů, screeningem a návrhem léčebného plánu, by mohl výrazně odlehčit přetíženému systému.

GPT-5.1 ani Gemini-3-Pro-Preview samozřejmě nejsou zdravotnické prostředky — a ani nemají certifikaci podle evropského nařízení EU AI Act, které klasifikuje AI systémy ve zdravotnictví jako vysoce rizikové. To znamená, že před klinickým nasazením by musely projít přísnou certifikací. Studie ale ukazuje směr: AI nemusí nahrazovat lékaře. Stačí, když bude dělat to, co umí — být konzervativní, systematická a neunavitelná kontrola lidské intuice.

AI v psychiatrii: asistent, ne náhrada

Autoři studie sami zdůrazňují, že jde o proof-of-concept — důkaz konceptu na třech simulovaných rozhovorech, který nelze zobecnit na celou klinickou praxi. Pro skutečné nasazení bude potřeba validace na reálných pacientech, větších vzorcích a s multimodálním vstupem. Přesto už dnes existují konkrétní scénáře, kde by LLM mohly pomoci hned:

• Druhé čtení: AI přečte přepis rozhovoru a upozorní na symptomy, které lékař mohl přehlédnout
• Standardizace: model aplikuje stejná kritéria na každého pacienta, bez ohledu na únavu nebo denní dobu
• Vzdělávání: začínající psychiatři mohou trénovat diagnostiku na AI — model ukáže, kde se liší od expertního konsenzu
• Rozhodování při neshodě: v případech, kdy se dva lékaři neshodnou, může AI nabídnout třetí, konzervativní perspektivu

GPT-5.1 i Gemini-3-Pro-Preview jsou modely dostupné i v češtině — oba rozumí českému jazyku na velmi vysoké úrovni. To znamená, že až budou k dispozici certifikované psychiatrické nástroje postavené na těchto modelech, čeština nebude překážkou.