Inteligencia artificial en medicina · global
La IA diagnóstica de Microsoft acierta en ocho de cada diez casos de urgencias simulados; su utilidad clínica aún debe validarse
Un nuevo estudio permitió que la IA y médicos individuales realizaran consultas paso a paso, eligieran pruebas y formularan un diagnóstico. La IA obtuvo una clara ventaja en la evaluación textual, pero la información simulada, el equilibrio entre costes y precisión y la seguridad del paciente aún no medida delimitan el significado de estos resultados.
Ante un paciente cuyos síntomas aún no están claros, la dificultad del diagnóstico suele radicar en decidir qué preguntar a continuación y qué prueba ayudará a identificar la causa. Un estudio publicado el 22 de octubre en *Science* trasladó este proceso de razonamiento a un entorno de simulación textual. Diagnostic Orchestrator (DxO), el sistema diagnóstico desarrollado por Microsoft, alcanzó una precisión diagnóstica del 80.3% en la evaluación de casos de urgencias, frente al 46.8% de médicos generalistas evaluados individualmente; sin embargo, esta diferencia todavía no demuestra que la IA sea superior en la atención real.
El estudio utilizó una evaluación diagnóstica por etapas llamada SDBench, que incluyó 325 registros de atención de la base de datos MIMIC-IV-ED correspondientes a pacientes hospitalizados tras pasar por urgencias, así como 304 casos complejos de *The New England Journal of Medicine* (NEJM). Al principio, los participantes solo recibían un breve resumen clínico y debían solicitar por su cuenta más antecedentes y pruebas antes de presentar un diagnóstico final. En los casos de NEJM, la precisión de DxO fue del 83.2%, frente al 36.1% de los médicos, que podían utilizar búsquedas y materiales de referencia.
El diseño de DxO se asemeja a una consulta médica virtual: distintos roles proponen posibles causas, cuestionan las hipótesis actuales y ajustan sus conclusiones a medida que aparece nueva evidencia. Según *Medical Economics*, los resultados principales se obtuvieron utilizando GPT-5 como modelo subyacente. Esta configuración evalúa si el sistema puede recopilar indicios de forma ordenada, más allá de identificar la respuesta tras leer un caso completo.
Sin embargo, no todos los indicios de la simulación proceden de registros reales. La documentación oficial explica que la IA «guardián», encargada de responder las preguntas, proporciona de forma prioritaria la información disponible en el caso original; si los participantes solicitan datos que no existen, genera resultados simulados plausibles. El diagnóstico final también es evaluado por un juez de IA, que lo compara con la respuesta del caso y lo puntúa en una escala de cinco puntos; las puntuaciones de cuatro o cinco se consideran correctas. Por tanto, la precisión refleja el rendimiento bajo unas reglas específicas de simulación y puntuación y no puede equipararse directamente con la capacidad diagnóstica a pie de cama.
Una mayor precisión tampoco implica necesariamente un menor coste. *Medical Economics* señala que, sin un límite presupuestario, el coste estimado de las pruebas solicitadas por DxO en los casos de urgencias fue de 4,979 dólares por caso, frente a 3,400 dólares en el caso de los médicos; al introducir restricciones presupuestarias, el sistema pudo reducir los costes, pero también disminuyó su precisión. Estas cifras son estimaciones del coste de las pruebas calculadas con precios estandarizados, no gastos médicos reales, y tampoco incorporan plenamente las molestias, los riesgos de los procedimientos invasivos o los tiempos de espera asociados a las pruebas.
La mayor brecha sigue estando entre la evaluación y la consulta médica. Se trata de un estudio retrospectivo basado exclusivamente en texto, en el que el sistema no interpretó directamente imágenes ni cortes histológicos y que tampoco contempló situaciones como los relatos incompletos de pacientes reales; la comparación se realizó con médicos individuales, no con especialistas emparejados ni con equipos de distintas especialidades. El estudio solo evaluó el diagnóstico y no midió las decisiones terapéuticas, la seguridad del paciente ni los resultados de salud. Según la declaración de intereses citada por *Medical Economics*, todos los autores son empleados de Microsoft y poseen participaciones en la empresa, y ocho de ellos también figuran como inventores en solicitudes de patentes relacionadas, por lo que la posterior validación independiente resulta especialmente importante.
Microsoft ha publicado el código de evaluación de SDBench, incluidos los componentes del guardián, el juez y la estimación de costes, pero el acceso a los casos completos sigue sujeto a condiciones: los datos de NEJM requieren una licencia, mientras que los de MIMIC exigen completar la acreditación de PhysioNet, la formación y el acuerdo de uso de datos; el repositorio público incluye cinco casos sintéticos de demostración. La empresa también anunció que planea realizar un estudio prospectivo con Beth Israel Deaconess Medical Center, en el que los pacientes interactuarán directamente con el sistema y los resultados se compararán con evaluaciones independientes de médicos. Esto ayudará a comprobar si la ventaja del razonamiento simulado puede extenderse a las consultas reales; para determinar si puede mejorar los resultados de la atención, todavía se necesita evidencia directa.