GPT-5 dejó en ridículo a los médicos en los diagnósticos, pero la victoria de la IA tiene truco

El sistema diagnóstico de Microsoft MAI-DxO superó notablemente a los médicos de atención primaria en casos médicos complejos, pero por ahora solo en una simulación textual controlada. En 304 historias clínicas el sistema identificó correctamente la enfermedad en el 83,2% de los casos, mientras que los médicos con acceso a manuales e Internet lo hicieron en el 36,1%. Los autores expusieron los resultados en un estudio publicado en Science.

La prueba se organizó de forma más cercana a la práctica diagnóstica real que las pruebas habituales para la IA médica. Al inicio, el médico o el programa recibían solo una breve descripción del estado del paciente, y la información restante había que obtenerla de forma gradual: formular preguntas, solicitar resultados de pruebas y decidir qué exploraciones eran necesarias a continuación. A cada prueba se le asignaba un coste teórico, por lo que los autores evaluaron no solo la corrección del diagnóstico sino también el camino para llegar a él.

MAI-DxO funciona sobre un gran modelo de lenguaje y distribuye la tarea entre varios médicos virtuales. Unos proponen posibles diagnósticos, otros buscan puntos débiles en esas hipótesis, eligen la siguiente pregunta o exploración y revierten conclusiones tras nuevos datos. En las pruebas principales los investigadores utilizaron el GPT-5.

El propio GPT-5 sin este esquema ya mostró una alta precisión y resolvió correctamente el 78,9% de los casos complejos. MAI-DxO elevó el resultado aproximadamente cuatro puntos porcentuales, hasta el 83,2%. Por tanto, la gran diferencia con los médicos no puede explicarse solo por el funcionamiento del consilio virtual: una parte importante de la ventaja la proporcionó el propio modelo de lenguaje.

Los autores repitieron la comprobación aparte en 325 historias clínicas procedentes de servicios de urgencias. Allí MAI-DxO estableció el diagnóstico correcto en el 80,3% de los casos, y los médicos en el 46,8%. En el primer conjunto, los médicos sin materiales de referencia obtuvieron un resultado aún más bajo, del 22,3%.

La cuestión de los costes resultó más compleja. Sin restricciones, MAI-DxO ordenaba exploraciones por un valor aproximado de $5431 por caso, y los médicos por $4725. Cuando los desarrolladores obligaron al sistema a considerar el presupuesto de forma más estricta, el coste medio estimado bajó a $2241 con una precisión del 80,9% y a $1303 con una precisión del 79,6%. Por tanto, los resultados no permiten afirmar que la IA elija siempre una estrategia diagnóstica más barata.

La comparación con los médicos también exige matices. En las pruebas participaron médicos de atención primaria, médicos hospitalarios y de urgencias que trabajaron de forma individual. Los autores no compararon MAI-DxO con especialistas de la materia ni con comités médicos completos, aunque los casos especialmente complejos en la práctica habitual suelen ser evaluados por un equipo.

Además, el sistema leyó historias clínicas preparadas con antelación. No tuvo que examinar a una persona viva, interpretar imágenes médicas, considerar respuestas incompletas del paciente ni decidir si la persona estaba sana en absoluto. En la muestra compleja, cada caso ya contenía una enfermedad, por lo que la prueba no muestra qué tan bien la inteligencia artificial médica afrontaría el flujo habitual de pacientes, donde muchos síntomas resultan ser benignos.

Los investigadores tampoco evaluaron la calidad del tratamiento, la seguridad de las indicaciones ni el estado de los pacientes tras el diagnóstico. Los 15 autores trabajan en Microsoft y poseen acciones de la empresa, y de momento no existe una réplica independiente de los resultados.

Microsoft planea la siguiente fase ya con pacientes reales en uno de los centros médicos de Boston. Las personas recibirán la atención médica habitual y, de forma paralela, interactuarán con MAI-DxO, tras lo cual los especialistas compararán las conclusiones del sistema con decisiones independientes de médicos. Esa verificación es la que debería mostrar si la ventaja de la IA se mantiene fuera de las historias clínicas cuidadosamente preparadas.