La IA de diagnóstico de Microsoft supera a los médicos generalistas en un estudio publicado en Science

El sistema de diagnóstico MAI-DxO de Microsoft superó a los médicos generalistas participantes en casos de diagnóstico complejos, según un estudio revisado por pares publicado el 22 de octubre de 2026 en Science. El estudio informó que el sistema alcanzó una precisión del 83,2 % en casos clínicos del New England Journal of Medicine, frente al 36,1 % de los médicos que utilizaron recursos de consulta.

El estudio, «Diagnóstico secuencial con modelos de lenguaje», aparece en el volumen 394, número 6822, páginas 423–428, de Science; se recibió el 4 de abril de 2026 y se aceptó el 10 de agosto de 2026. Los 15 autores son empleados de Microsoft, y entre ellos figuran el director ejecutivo de Microsoft AI, Mustafa Suleyman, junto con Dominic King y Eric Horvitz. En un anuncio publicado ese mismo día, Microsoft afirmó que el trabajo «se publica hoy en Science», en el número de la revista dedicado a «IA en medicina».

Un referente diseñado en torno al diagnóstico paso a paso

El artículo presenta el Sequential Diagnosis Benchmark, o SDBench, que convierte 304 casos de conferencias clinicopatológicas del New England Journal of Medicine y 325 encuentros de pacientes atendidos en urgencias y posteriormente ingresados, procedentes del conjunto de datos MIMIC-IV-ED, en evaluaciones diagnósticas interactivas y por etapas. Cada caso comienza con una breve viñeta clínica, a partir de la cual quien diagnostica, ya sea un médico o un sistema de IA, puede hacer preguntas sobre los antecedentes o la exploración, solicitar pruebas diagnósticas o dar un diagnóstico final. El desempeño se evalúa según la precisión diagnóstica frente al diagnóstico de referencia y el costo acumulado estimado de las pruebas solicitadas.

Dos agentes auxiliares estructuran cada encuentro. Un agente de control media en cada solicitud de información a partir del expediente del caso y genera resultados sintéticos diagnósticamente neutros cuando el hallazgo solicitado no consta, de modo que la falta de datos no revele la respuesta. Un agente evaluador califica el diagnóstico final frente al diagnóstico de referencia según una escala de cinco niveles elaborada por médicos; se consideran correctos los diagnósticos con una puntuación de 4 o 5, que corresponden a casos en los que la conducta clínica no cambiaría. Los costos de las pruebas se estimaron mediante precios basados en los códigos CPT, derivados del archivo Standard Charges de Kaiser Permanente Washington Central Hospital; las preguntas sobre antecedentes y exploración se incluyeron en un costo fijo por consulta médica.

En el marco del referente, los autores evaluaron Microsoft AI Diagnostic Orchestrator, abreviado DxO en el artículo, un sistema independiente del modelo que simula un panel de expertos clínicos con funciones complementarias, aplica criterios de uso responsable de las pruebas y atención a los costos en cada etapa, y combina diagnósticos obtenidos en ejecuciones independientes. En su anuncio, Microsoft describe el funcionamiento del sistema como el de un panel de médicos virtuales que debate durante varias rondas. Los autores sostienen que los referentes estáticos, que presentan toda la información del caso desde el principio y solicitan una única respuesta, no permiten medir si un sistema hace las preguntas adecuadas, evita solicitar pruebas indiscriminadamente o reconoce cuándo tiene suficiente certeza para concluir el estudio diagnóstico.

Resultados en casos del NEJM y de urgencias

En los casos de conferencias clinicopatológicas, DxO combinado con GPT-5 y ejecutado sin restricciones presupuestarias alcanzó una precisión del 83,2 %, con un costo promedio de 5431 dólares por caso. Las configuraciones sujetas a límites de costo lograron una precisión del 80,9 % con un costo de 2241 dólares y del 79,6 % con uno de 1303 dólares, mientras que una configuración orientada a la excelencia diagnóstica alcanzó el 84,5 % con un costo de 8945 dólares. En el estudio complementario con médicos, realizado con 56 casos excluidos del trabajo de ingeniería, los participantes formularon 764 diagnósticos sin consultar materiales y 662 con consulta, con una precisión promedio del 22,3 % sin consulta y un costo de 3049 dólares por caso, y del 36,1 % con consulta y un costo de 4725 dólares. El mejor médico por sí solo alcanzó el 51,8 %. El artículo también informa de diferencias en la forma de abordar los casos: los médicos hicieron un promedio de 5,6 preguntas antes de solicitar la primera prueba, mientras que DxO con GPT-5 hizo un promedio de 25,5; los autores describen esta estrategia como una anamnesis estructurada exhaustiva.

En los casos de urgencias, DxO alcanzó una precisión del 80,3 % con un costo de 4979 dólares por caso sin restricciones presupuestarias y del 73,2 % con un costo de 2634 dólares sujeto a límites presupuestarios. Los médicos generalistas obtuvieron un promedio del 46,8 % con un costo de 3400 dólares, y el mejor médico individual alcanzó el 62,5 %. En todos los modelos evaluados con indicaciones de referencia mínimas, la orquestación de DxO aumentó la precisión diagnóstica un promedio de 7,9 puntos porcentuales en los casos de conferencias y de 4,4 puntos en los de urgencias. El anuncio de Microsoft afirma que ningún otro método humano o de IA evaluado fue a la vez más preciso y menos costoso que MAI-DxO. Describe el sistema como 1,7 veces más preciso que los médicos en los casos de urgencias, más del doble de preciso que los médicos que utilizaron libros de texto e internet en los casos de la revista y casi cuatro veces más preciso que los médicos que diagnosticaron sin esos recursos, con un costo de entre la mitad y un tercio.

DxO se desarrolló inicialmente cuando GPT-4.1 era el modelo más potente disponible y, posteriormente, se evaluó con GPT-5. Antes de la publicación, se repitió la evaluación completa con GPT-5.5 sin modificar las indicaciones ni la orquestación, y la ventaja de precisión frente a la indicación de referencia aumentó. Una versión anterior del trabajo se publicó como prepublicación el 27 de junio de 2025 e informó una precisión del 80 % con el modelo o3 de OpenAI, cuatro veces el promedio del 20 % de los médicos, y del 85,5 % en una configuración orientada a maximizar la precisión; la versión revisada por pares añade el conjunto de casos de urgencias y evaluaciones actualizadas con GPT-5 y GPT-5.5.

Limitaciones declaradas y divulgaciones de los autores

Los autores señalan que las comparaciones no demuestran superioridad frente a especialistas, equipos multidisciplinarios ni la práctica clínica en el mundo real, y escriben que esperan que la brecha de rendimiento se reduzca al comparar el sistema con especialistas expertos o equipos asignados a cada caso. Indican que las ventajas observadas se amplifican en una simulación controlada que deja de lado los antecedentes inciertos de los pacientes, la documentación incompleta, la creación de una relación de confianza, el seguimiento longitudinal y los datos multimodales, como las imágenes y las diapositivas de patología, y que los casos de la revista podrían sobrerrepresentar presentaciones con dificultades diagnósticas. Otra limitación señalada es que la comparación se realiza frente a médicos individuales, en lugar de frente a la colaboración entre varias especialidades, y que la rúbrica de Judge evalúa la corrección diagnóstica en el nivel de la enfermedad, en vez de la idoneidad terapéutica, la seguridad o el manejo longitudinal.

En las declaraciones de conflicto de intereses del artículo, los autores señalan que todos son empleados de Microsoft y poseen participaciones en la empresa; que varios son inventores en una solicitud de patente de Microsoft relacionada con un marco de evaluación automatizada para el diagnóstico secuencial; y que no se obtuvieron fondos ajenos a Microsoft para los estudios.

Publicación de código abierto y colaboraciones clínicas

Microsoft afirmó que publicará como código abierto SDBench para determinados casos de NEJM, incluidos el conjunto de evaluación, Gatekeeper, Judge y el código de estimación de costos. El código está disponible en GitHub con la licencia MIT e incluye una configuración llamada “science” que fija las versiones de Gatekeeper y Judge utilizadas para obtener los resultados del artículo. Según el sitio del proyecto SDBench, el conjunto de datos derivado de los casos de la revista requiere una licencia de NEJM Group; el subconjunto MIMIC se distribuye a través de PhysioNet, sujeto a la acreditación correspondiente; y cinco casos totalmente sintéticos se incluyen en el conjunto de datos abierto predeterminado.

Un artículo de reflexión complementario, «Superinteligencia médica: fundamentos y aspiraciones», presenta seis dimensiones interdependientes de la inteligencia médica y sostiene que superar el umbral de la superinteligencia médica exigirá «algo más que un rendimiento sobrehumano en tareas aisladas»: sistemas que superen a los sistemas de salud actuales más sólidos dirigidos por seres humanos en el razonamiento médico integrado a lo largo de todo el proceso de atención. El anuncio de Microsoft indica que el artículo se publicó en BMJ Digital Health and AI. La empresa también afirmó que está reuniendo a equipos de salud de distintas áreas de Microsoft —incluidos científicos de Microsoft Research y los equipos responsables de Dragon Copilot y PowerScribe— en una iniciativa integrada de Microsoft AI, y mencionó su colaboración previamente anunciada con Mayo Clinic; según un anuncio del 2 de junio de 2026, las organizaciones están desarrollando un modelo de IA de vanguardia para la atención médica que será propiedad de Mayo Clinic y que Microsoft planea ofrecer a través de las API de Azure Foundry.

Microsoft afirmó que, mediante una nueva colaboración con Beth Israel Deaconess Medical Center, en Boston, evaluará las capacidades de razonamiento clínico en distintos entornos hospitalarios en un estudio prospectivo en el que los pacientes interactuarán directamente con el sistema y cuyo rendimiento se medirá frente a las evaluaciones independientes de los médicos.