Tecnología médica · global
La IA de diagnóstico de Microsoft alcanza un 83% de precisión en casos simulados; su utilidad clínica aún debe demostrarse
Desde ampliar la historia clínica con nuevas preguntas hasta seleccionar pruebas, el sistema de Microsoft superó a los médicos generalistas en una evaluación de diagnóstico por etapas. Pero entre los resultados en casos descritos por escrito y la seguridad y eficacia en un servicio de urgencias queda un camino que debe validarse.
Ante síntomas de causa desconocida, la dificultad del diagnóstico suele consistir en decidir qué preguntar a continuación y qué prueba realizar. Un equipo de investigación de Microsoft trasladó este proceso de razonamiento a una evaluación simulada, en la que su sistema de coordinación diagnóstica alcanzó una precisión del 83.2% en casos complejos, superior a la de médicos generalistas que podían utilizar herramientas de consulta. El estudio, publicado el 22 de octubre en *Science*, aporta una medida de la capacidad de la IA para recopilar evidencias de forma progresiva, pero todavía no demuestra que pueda mejorar la atención de pacientes reales.
Microsoft denomina MAI-DxO a este sistema. Simula un grupo de médicos con distintas funciones que proponen posibles diagnósticos, cuestionan las hipótesis vigentes y ajustan sus conclusiones a medida que reciben nueva información. Un artículo de Reuters publicado ese mismo día también describió este funcionamiento: el sistema debe elegir por sí mismo las preguntas y las pruebas, en lugar de leer una historia clínica completa y ya organizada para ofrecer directamente una respuesta.
El marco de evaluación SDBench utilizado en el estudio incluye 304 casos complejos de *The New England Journal of Medicine* y 325 registros de ingresos hospitalarios desde urgencias procedentes de la base de datos MIMIC-IV-ED. La evaluación comienza con información clínica limitada y los participantes solo obtienen más pistas cuando las solicitan. Se registran tanto la exactitud del diagnóstico como las evidencias solicitadas y el coste estimado de las pruebas.
En los casos complejos, los médicos generalistas con acceso a material de consulta alcanzaron una precisión del 36.1%; el anuncio de Microsoft también señaló que, sin recursos externos de consulta, esta era de aproximadamente el 22%. En los casos de urgencias, la precisión del sistema y de los médicos fue del 80.3% y del 46.8%, respectivamente. Ambos conjuntos de datos muestran la misma tendencia, pero la comparación se realizó con médicos generalistas individuales, por lo que no permite concluir que el sistema supere a especialistas de las áreas correspondientes o a equipos clínicos.
Los resultados de costes también dependen de la configuración. *Medical Economics* señaló que, sin límites presupuestarios, el coste medio de las pruebas del sistema era, de hecho, superior al de los médicos; solo al introducir restricciones de costes se obtuvo un menor gasto a cambio de perder parte de la precisión. Por tanto, la afirmación «más preciso y más barato» debe interpretarse junto con las condiciones de la evaluación. Estas cifras estiman el coste de las pruebas y tampoco incluyen las molestias para los pacientes, los riesgos de los procedimientos invasivos ni el tiempo de espera de los resultados.
La mayor distancia respecto a la práctica real radica en que sigue siendo una simulación controlada basada en texto: no incluye la interpretación directa de imágenes ni de muestras histológicas, y difícilmente reproduce la omisión de síntomas por parte de los pacientes, la comunicación en el entorno asistencial o la presión del tiempo. El estudio no evaluó las decisiones terapéuticas, la seguridad de los pacientes ni los resultados clínicos. Aunque el diagnóstico sea correcto con mayor frecuencia, esto no permite responder directamente si el sistema pasará por alto urgencias médicas o hará que los pacientes reciban antes la atención adecuada.
Microsoft indicó que hará públicos el conjunto de referencia de una parte de los casos del NEJM y el código de evaluación, y que iniciará un estudio prospectivo con el Beth Israel Deaconess Medical Center de Boston, en el que los pacientes interactuarán directamente con el sistema y los resultados se compararán con las evaluaciones independientes de los médicos; según Reuters, la colaboración probará su uso para el triaje en la zona de espera de urgencias. Al pasar de los casos simulados a este entorno, la verdadera pregunta es si la ventaja diagnóstica del sistema puede traducirse en decisiones asistenciales fiables.