La IA de Microsoft acertó el 83 % de los casos médicos difíciles en una simulación

Una consulta simulada, no un examen de memoria

El sistema se llama MAI-DxO, siglas de Microsoft AI Diagnostic Orchestrator. No es un solo modelo que responde de memoria: funciona como un panel virtual de médicos. Varios agentes proponen diagnósticos, discuten entre sí, formulan preguntas sobre el paciente y solicitan pruebas de laboratorio antes de concluir. Esa dinámica intenta reproducir cómo se investiga un caso real, con la información llegando poco a poco.

Para medirlo, Microsoft creó su propia pista de pruebas: SDBench, un banco de 629 casos que convierte historiales ya documentados en encuentros interactivos. El sistema empieza con pocos datos y solo recibe más información cuando la pide. Un evaluador compara después su diagnóstico final con el de referencia del expediente.

De esos 629 casos, 304 son expedientes complejos del NEJM, famosos por su dificultad, y el resto proviene de urgencias del conjunto MIMIC-IV-ED. Los agentes trabajaron sobre todo con modelos de OpenAI, con los mejores resultados en GPT-5 y GPT-5.5, aunque también se evaluaron modelos de Google, Anthropic, Meta y DeepSeek.

La novedad que destaca el artículo es esa coordinación: no es solo una máquina más potente, sino otra forma de organizar el trabajo, parecida a lo que ya explicamos en Vimee sobre qué convierte a un programa en un agente capaz de ejecutar pasos encadenados.

Los números, con su letra pequeña al lado

• Casos complejos del NEJM: el sistema acertó el 83,2 %. Los médicos generalistas, trabajando solos y con libros e internet a la mano, llegaron al 36,1 %. Sin ningún material de consulta, esos mismos médicos quedaron en 22,3 %.
• El modelo GPT-5 por sí solo, sin el orquestador de agentes, alcanzó el 78,9 % en el mismo conjunto. La capa de coordinación aportó unos cuatro puntos extra.
• Casos de urgencias (325 encuentros del MIMIC-IV-ED): el sistema logró el 80,3 % frente al 46,8 % de los médicos generalistas.
• El coste estimado de las pruebas solicitadas por el sistema también fue menor que el de las pruebas pedidas por los médicos en la simulación.

Dos matices de la propia fuente: la AAAS, que publica Science, aclara que esos costes son estimaciones de las pruebas que cada parte pidió, y que los resultados dependen del presupuesto permitido para investigar cada caso. Además, solo se midieron aciertos en casos ya enfermos: sin pacientes sanos, no se evaluaron falsas alarmas.

Por qué la comparación no es «la IA contra tu médico»

La comparación humana se hizo solo con médicos de atención primaria e internistas generales, trabajando en solitario. No participaron especialistas ni equipos médicos, que es lo que un caso difícil suele recibir en la práctica. Tampoco hubo pacientes de verdad: todo fueron expedientes en texto, sin exploración física ni imágenes médicas.

El propio director de Microsoft AI, Mustafa Suleyman, rebajó las expectativas al decir a The Verge que el sistema necesita validación clínica. Los 15 autores figuran como afiliados de Microsoft; el estudio pasó revisión por pares en Science, pero aún no hay réplica independiente. Es un resultado prometedor en un laboratorio bien diseñado, no una certificación de que la máquina diagnostica mejor en un hospital.

Estos anuncios suelen correr más rápido que la evidencia. La misma semana en que una gran cadena presentó perfiles con topes para asistentes que hacen la compra, esta noticia muestra la otra cara de esa tecnología. En ambos mundos vale la misma regla: supervisión humana antes de confiarle algo importante.

Lo que viene: pacientes de verdad en Boston

Microsoft anunció que el siguiente paso es un estudio prospectivo con el Beth Israel Deaconess Medical Center, en Boston. Allí los pacientes interactuarán directamente con el sistema y sus evaluaciones se compararán con las de médicos independientes. Ese estudio dirá mucho más que los porcentajes de esta semana.

La compañía también trabaja con la Clínica Mayo en un modelo de base pensado para la salud, previsto para el año próximo, según las declaraciones de Suleyman recogidas por la prensa. El objetivo declarado es una «superinteligencia médica» que ayude a anticipar cómo evoluciona cada paciente.

• No uses chatbots para autodiagnosticarte: MAI-DxO no es un producto disponible ni una app que puedas descargar.
• Ante síntomas que te preocupen, ve al médico: una simulación con expedientes no sustituye una exploración ni unos análisis reales.
• Si alguna vez un hospital usa una herramienta así contigo, pregunta cómo fue validada y quién revisa sus conclusiones.
• Guarda tus informes, recetas y resultados: sirven igual para el médico humano que para cualquier sistema futuro.