Dans la vidéo, un entrepreneur explique comment il utilise Jev, un « modèle décisionnel structuré », pour trier les personnes qui remplissent un formulaire : Jev calcule un score de certitude (« client probable à 15 % »), et selon ce score le visiteur part vers trois branches différentes. Il ajoute ensuite un grand modèle de langage (un LLM, comme Claude ou DeepSeek) qui, lui, sait écrire la réponse.

Transposé au cabinet, c’est exactement le travail d’un médecin régulateur au téléphone :

• il écoute le motif (« j’ai de la fièvre »), et se fait une première idée chiffrée, souvent sans le dire ;
• il pose la question qui départage le mieux (« vous avez des taches sur la peau ? », « vous brûlez en urinant ? ») ;
• il révise ses probabilités après chaque réponse ;
• il décide d’un délai : SAMU tout de suite, un médecin dans l’heure, dans la journée, ou un conseil ;
• il oriente vers le bon endroit.

Le modèle décisionnel joue le rôle du « coup d’œil » chiffré ; le LLM joue celui de l’interrogatoire ; le médecin garde la décision médicale.

Jev est un modèle de la société TypeSafe AI, lancé le 15 septembre 2026, que nous avons présenté dans Jev, l’IA qui choisit au lieu d’écrire, Jev branché sur un agent et n8n, Jev et la décision médicale. Il n’écrit aucune phrase. On lui envoie :

• un état (state) : la situation, en texte libre ou en données structurées. Ici : ce que le patient a écrit, son âge, sa température ;
• des questions typées, chacune avec ses consignes, rédigées une fois pour toutes par le médecin.

Il répond à toutes les questions d’un coup, par l’un de quatre types de réponses :

Trois propriétés comptent pour un usage médical :

• Il est rapide et bon marché. Sur OpenRouter, Jev coûte 0,042 $ par million de jetons lus, la réponse étant gratuite : une décision à trois questions sur un texte court revient à environ deux millièmes de centime.
• La certitude n’est pas l’exactitude. Elle mesure seulement si les probabilités sont concentrées sur une option ou étalées. Une réponse peut être très « sûre » et fausse ; la calibration ne vaut qu’en moyenne, sur de nombreux cas.
• Les calculs se font en code. OpenRouter le recommande : comparaisons de seuils, âges, températures, durées se calculent par programme avant l’appel, pas par le modèle.

Le français n’est pas mentionné dans la documentation : il faudra mesurer la qualité sur nos propres cas, rédigés en français. Jev n’est pas le seul de son genre : OpenRouter recensait, au 16 octobre 2026, 21 modèles de décision de 13 éditeurs, appelables par la même interface.

Notre page Urgences Loiret et Île de Ré distingue trois parcours : l’urgence vitale (15 ou 112), l’urgence ressentie mais non vitale (SOS Médecins, médecin traitant) et la crise psychiatrique (CAPSUL 17, EPSM Daumézon ou 15). Pour un tri automatisé, il faut plus finement dire dans quel délai. Nous proposons six niveaux, qui s’emboîtent dans ces trois parcours.

Cette échelle est une proposition pour le tri à distance. Elle s’inspire du principe des échelles hospitalières, comme la FRENCH de la Société française de médecine d’urgence (six niveaux : tri 1, 2, 3A, 3B, 4 et 5), mais celle-ci sert à l’accueil des urgences, patient présent. Le délai et les numéros changent selon le lieu : l’été à l’Île de Ré, l’hôpital Saint-Honoré (05 46 09 20 01) s’ajoute au niveau 2 ou 3, et le centre hospitalier de La Rochelle (05 46 45 55 55) reste ouvert jour et nuit.

Le principe de la vidéo, « Jev décide, le LLM rédige », devient en médecine une architecture à cinq couches. La règle d’or : à chaque étape, le niveau le plus grave l’emporte. Une IA ne peut jamais faire descendre un niveau fixé par une règle.

Pourquoi une banque de questions plutôt qu’un LLM libre

Laisser le LLM inventer ses questions, c’est risquer une question mal posée, orientée ou dangereuse. Dans notre architecture, le médecin écrit à l’avance, pour chaque domaine, les questions utiles (comme on rédige un protocole de régulation), chacune avec des réponses fermées : oui, non, je ne sais pas. Le LLM n’a que deux tâches : choisir celle qui départage le mieux les hypothèses en tête, et la reformuler dans la langue du patient (le site est en six langues). C’est ce que la vidéo appelle « l’expérience métier » : la qualité du tri dépend d’abord des critères écrits par le praticien, pas du modèle.

Dans un tri commercial, une erreur coûte une vente. En médecine, rater une méningite et envoyer à tort quelqu’un aux urgences n’ont pas le même prix. Les seuils doivent donc être asymétriques : pour un danger, on réagit dès une probabilité faible ; pour une action anodine, on exige une forte certitude. Notre page n8n, Jev et la décision médicale proposait déjà d’alerter dès 20 % pour un signe d’alarme.

Voter trois fois, garder le plus grave

La vidéo propose de faire prendre trois fois la même décision et de garder la plus « logique ». En tri médical, on garde la plus grave : on pose la question d’urgence sous trois formulations différentes, et si l’une d’elles place le patient au niveau 2 alors que les deux autres disent 4, c’est le niveau 2 qui est retenu, ou au moins une question de confirmation. Le surcoût est négligeable : quelques millièmes de centime.

C’est le cœur de votre demande : après le premier calcul de Jev, un LLM pose une question, le patient répond, Jev recalcule, et ainsi de suite jusqu’à ce que le niveau d’urgence et l’hypothèse principale soient assez sûrs. C’est le raisonnement bayésien que tout clinicien pratique : chaque réponse transforme une probabilité « avant » en probabilité « après ».

1. Jev rend les probabilités des hypothèses et de l’urgence.
2. Le programme vérifie les critères d’arrêt : un danger (on sort au niveau 1), une certitude suffisante (on sort), ou 4 tours atteints (on sort au niveau le plus prudent des deux premiers, avec une téléconsultation proposée).
3. Sinon, le LLM reçoit les deux ou trois hypothèses en tête et la banque de questions du domaine. Il choisit celle dont la réponse changerait le plus les probabilités, et la reformule.
4. Le patient répond par oui, non ou je ne sais pas ; la réponse est ajoutée à l’état.
5. Retour à l’étape 1.

Une femme de 45 ans écrit : « J’ai de la fièvre à 39,2 depuis hier, des frissons et mal au dos. » Le démonstrateur ci-dessous déroule le tri. Répondez aux questions comme vous voulez : les branches changent selon vos réponses. Aucune IA n’est appelée : les valeurs sont écrites à l’avance pour montrer le mécanisme.

La vidéo parle de « clusters » : des boîtes fermées, chacune avec ses propres décisions. En médecine, ce sont les domaines de nos pages. Un premier appel à Jev choisit le domaine ; ensuite, on charge la banque de questions, la liste d’hypothèses et la page du site propres à ce domaine. Cela garde chaque appel court, donc rapide et moins cher, et chaque liste de diagnostics est écrite par le médecin pour son domaine.

Vous souhaitez aller jusqu’au diagnostic le plus probable et au traitement le plus précis. Techniquement, la boucle peut le produire. La question est à qui on l’adresse. Notre proposition : le patient reçoit une orientation (délai, numéro, page du site, conseils d’attente) ; le médecin reçoit le dossier complet, hypothèses chiffrées et conduite à tenir pré-rédigée, qu’il valide en téléconsultation avant toute prescription.

La vidéo insiste sur un point juste : ne pas jeter les décisions rejetées. En médecine, c’est même indispensable, pour trois raisons :

• La calibration. On compare, par tranches de probabilité, ce que Jev annonçait et ce que le médecin a finalement conclu. Si les cas annoncés « à 80 % » ne sont justes que dans 60 % des cas, on ajuste les seuils. C’est la méthode recommandée pour régler les seuils sur ses propres données.
• La traçabilité. Savoir pourquoi un patient a été orienté au niveau 4 plutôt qu’au 3, et quelle hypothèse grave avait été envisagée puis écartée.
• L’amélioration des critères. Une hypothèse souvent écartée à tort désigne un critère mal rédigé dans la banque de questions.

Jev n’est accessible que par une interface en ligne, hébergée aux États-Unis, sans version installable. Claude et DeepSeek, par leurs interfaces publiques, ne sont pas des hébergeurs certifiés de données de santé. Le principe est donc simple : rien d’identifiant ne sort du serveur du cabinet.

Même anonymisé, un texte médical envoyé aux États-Unis pose des questions de conformité (RGPD, transferts hors Union). Pour la mise au point, on travaille donc d’abord sur des cas fictifs ; avant tout usage réel, il faut l’information et le consentement du patient, et l’avis d’un délégué à la protection des données. À terme, un modèle installé sur votre propre serveur sécurisé, avec la même logique de questions typées, ferait sortir les données de l’équation.

Le site dispose déjà d’un relais WordPress qui appelle DeepSeek pour la barre de recherche des symptômes. Le tri s’y ajoute en suivant les mêmes principes : les clés d’accès restent sur le serveur, le navigateur du patient ne parle qu’au site.

• Mayday (Le Labo IA). Modèles décisionnels structurés : pourquoi Jev est sous-exploité, vidéo, 2026. Consulter
• TypeSafe. Quick start et Choice, documentation de l’API. Consulter
• OpenRouter. What is Jev? TypeSafe’s decision model explained for developers. Consulter
• TypeSafe AI model and Jev AI API: a production integration guide, Hugging Face. Consulter
• Société française de médecine d’urgence. FRENCH, échelle de tri infirmier des urgences, version 1.1, juin 2018. Consulter
• Règlement (UE) 2017/745 relatif aux dispositifs médicaux. Consulter
• mondoc.pro : Urgences Loiret et Île de Ré, Fièvre, n8n, Jev et la décision médicale, Jev, l’IA qui choisit au lieu d’écrire.