Microsoft dice que su sistema de inteligencia artificial médica puede diagnosticar casos difíciles con más del doble de precisión que los médicos en ejercicio, y esta vez, la afirmación ha sobrevivido a la revisión por pares.
El Microsoft AI Diagnostic Orchestrator (MAI-DxO) "superó sustancialmente a los médicos generalistas en ejercicio" en precisión diagnóstica y solicitó menos pruebas y procedimientos, según un estudio titulado "Diagnóstico secuencial con modelos de lenguaje". El trabajo apareció por primera vez en arXiv el año pasado como una preimpresión no revisada por pares. El jueves, los hallazgos se publicaron formalmente en la revista Science, un paso que, según Microsoft, mueve el sistema desde un territorio de demostración impresionante hacia la credibilidad clínica. Para más contexto sobre esta historia, consulta nuestra actualidad de inteligencia artificial.
En pruebas elaboradas a partir de registros de casos complejos publicados en el New England Journal of Medicine, MAI-DxO logró una precisión diagnóstica del 83,2 por ciento, en comparación con el 36,1 por ciento de los médicos generalistas que tuvieron acceso a materiales de referencia. Cuando a los médicos se les negaron esos recursos, su precisión cayó a aproximadamente el 22 por ciento, lo que hace que el sistema de inteligencia artificial sea casi cuatro veces más preciso en esas condiciones. En una prueba separada basada en las admisiones al departamento de emergencias, la IA nuevamente superó a los médicos generalistas, aunque por un margen más estrecho del 80,3 por ciento al 46,8 por ciento.
Un sistema que diagnostica como lo hacen los médicos
Lo que distingue a MAI-DxO de los comprobadores de síntomas convencionales es que funciona de forma secuencial. Los pacientes no entregan al modelo un archivo completo de síntomas, antecedentes y resultados de las pruebas. En cambio, el sistema comienza con una queja principal y debe decidir qué preguntas de seguimiento hacer y qué pruebas solicitar antes de comprometerse con un diagnóstico, algo mucho más parecido a cómo trabaja un médico real en condiciones de incertidumbre.
Los investigadores dicen que los puntos de referencia anteriores no lograron evaluar las capacidades de diagnóstico de los modelos de lenguaje grandes de esta manera secuencial, por lo que crearon una nueva evaluación llamada Sequential Diagnosis Benchmark, o SDBench.
En el fondo, MAI-DxO "simula un panel de médicos", según el artículo, que revisa continuamente un diagnóstico diferencial y selecciona pruebas rentables. Los diferentes agentes de IA asumen funciones distintas: proponer diagnósticos, solicitar pruebas, cuestionar suposiciones y sopesar costos. Los investigadores sugieren que esta estructura ayuda a contrarrestar los sesgos cognitivos que afectan a los médicos individuales, como anclarse en un diagnóstico inicial o pasar por alto explicaciones alternativas.
Construido sobre los modelos GPT de OpenAI
El sistema logró sus mejores resultados ejecutándose en GPT-5 de OpenAI, y pruebas adicionales mostraron mejoras adicionales utilizando GPT-5.5. Microsoft también hace hincapié en la economía: la compañía dice que MAI-DxO logra el diagnóstico correcto a la mitad o incluso a un tercio del costo al solicitar menos pruebas y procedimientos innecesarios.
Esa afirmación de costos viene con una advertencia que la propia Microsoft señala: los ahorros se basan en costos estimados en casos simulados, no en facturas médicas del mundo real. Los investigadores también reconocen que esperarían que la brecha de rendimiento se redujera si el sistema se comparara con especialistas expertos en lugar de médicos generalistas.
Del punto de referencia a la cabecera
La publicación en una revista importante es una cosa; tratar a los pacientes es otra. El jefe de inteligencia artificial de Microsoft, Mustafa Suleyman, dijo a The Verge que cualquier implementación en el mundo real aún requeriría pruebas clínicas, y la compañía ya tiene planes para ello. El líder de salud de IA de Microsoft, el Dr. Dominic King, dijo que las pruebas comenzarán en el Centro Médico Beth Israel Deaconess en Boston dentro de los próximos meses.
Ese enfoque por etapas es importante, porque el público ya ha visto esta película antes. A principios de este año, investigadores de la Universidad de Harvard y el Centro Médico Beth Israel Deaconess informaron que el modelo de razonamiento o1-preview de OpenAI también superó a los médicos en tareas de diagnóstico, alimentando una ola de titulares sobre la sustitución de la IA por los médicos. Lo que esos estudios no pudieron establecer fue la seguridad en entornos clínicos reales, donde los errores conllevan consecuencias reales y la población de pacientes es mucho más confusa que los casos seleccionados de revistas.
Microsoft se ha inclinado por un marco ambicioso, publicando su propio anuncio bajo el lema de "construir superinteligencia médica". Suleyman ha posicionado el razonamiento diagnóstico como uno de los dominios más claros en los que la IA puede superar el desempeño humano experto en el corto plazo.
Por qué son importantes los detalles
Los casos del NEJM utilizados en el punto de referencia son, por diseño, difíciles de diagnosticar: el tipo de acertijos que se escriben precisamente porque dejaron perplejo a alguien. La atención primaria diaria implica enormes volúmenes de presentaciones de rutina donde la precisión generalista es naturalmente mucho mayor. Un sistema que duplique la precisión en casos raros y complejos es valioso, pero no es lo mismo que duplicar la precisión en toda la medicina.
También está la cuestión de la rendición de cuentas. Si un orquestador de IA ordena una cascada de pruebas que no detecta una condición fatal, las cuestiones de responsabilidad siguen sin resolverse en la mayoría de las jurisdicciones. Los ensayos clínicos en Beth Israel Deaconess están destinados a generar exactamente el tipo de evidencia potencial que necesitarían los reguladores y los sistemas hospitalarios.
Aún así, la trayectoria es difícil de ignorar. Un resultado revisado por pares en Science, un plan de pruebas clínicas definido y la presión de costos sobre los sistemas de salud apuntan en la misma dirección: la IA de diagnóstico está pasando de las demostraciones de investigación a la práctica médica regulada. El próximo hito serán los resultados del ensayo de Boston: la primera prueba de si el dominio de referencia se traduce en mejores resultados para los pacientes reales.
Por ahora, el propio marco del artículo es el resumen más justo: en el diagnóstico secuencial de casos complejos, un panel simulado de médicos de IA superó a los generalistas practicantes por un amplio margen, a un costo estimado más bajo. Convertir eso en una práctica clínica aprobada es el problema más difícil al que Microsoft se ha comprometido ahora.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
