Microsoft lanza una IA revolucionaria que diagnostica enfermedades con hasta 4 veces más precisión que los médicos humanos

Microsoft ha presentado un innovador modelo de inteligencia artificial (IA) diseñado para diagnosticar enfermedades con información limitada sobre el paciente, logrando una precisión que supera hasta cuatro veces la de médicos generalistas en ciertas pruebas. Este sistema, denominado Diagnostic Orchestrator (DxO), destaca por su capacidad para replicar los métodos que utilizan los médicos durante las consultas, lo que lo diferencia de otros algoritmos que dependen de informes médicos ya completos.

A diferencia de enfoques anteriores, DxO inicia su evaluación con datos limitados y luego formula preguntas para obtener más información sobre los antecedentes del paciente. A través de este proceso, determina las pruebas de laboratorio necesarias para aclarar los síntomas y finalmente establece un diagnóstico una vez que cuenta con la evidencia suficiente.

Un avance en la práctica médica

En un artículo reciente publicado en la revista Science, los desarrolladores del DxO argumentan que su propuesta no solo ofrece una aplicación más precisa de la IA en la medicina, sino que también tiene el potencial de aliviar las cargas económicas y emocionales relacionadas con el diagnóstico. Esto se logra al evitar pruebas y estudios innecesarios que pueden generar costos y ansiedad en los pacientes. “A medida que los modelos se vuelven más capaces, la integración de la inferencia secuencial estructurada con la experiencia clínica puede transformar la forma en que la IA apoya el razonamiento diagnóstico, mejorando así la calidad y la accesibilidad de la atención médica a nivel global”, comentan los autores.

El funcionamiento de DxO se basa en el modelo GPT-5.5 de OpenAI, lo que le permite organizar tareas de razonamiento para alcanzar objetivos específicos. En la práctica, esta herramienta utiliza cinco agentes de IA, cada uno especializado en una función particular: generar hipótesis, seleccionar pruebas, revisar resultados, controlar costos y verificar el diagnóstico final. Juntos, estos componentes crean un proceso que busca simular las diversas etapas del razonamiento clínico.

Evaluación de la eficiencia diagnóstica

Aunque los autores no revelan los datos específicos utilizados para entrenar el sistema, han desarrollado un nuevo indicador para medir su rendimiento: el Sequential Diagnosis Benchmark (SDBench). Este instrumento transforma los casos clínicos en interacciones dinámicas de múltiples pasos. Las evaluaciones de DxO se fundamentan en 304 casos clínicos presentados en conferencias y 325 situaciones de ingreso a urgencias extraídas de la base de datos del Medical Information Mart for Intensive Care IV de Estados Unidos.

Los casos clínicos se seleccionaron por su valor educativo y clínico, mientras que los encuentros de urgencias representan situaciones más cercanas a la realidad hospitalaria. Ambas bases de datos abarcan desde enfermedades comunes hasta trastornos poco frecuentes y diferentes niveles de complejidad diagnóstica. Cada caso inicia con una breve descripción de los síntomas y las circunstancias del paciente, a partir de la cual el sistema determina qué información adicional necesita para emitir un diagnóstico.

Resultados prometedores en precisión diagnóstica

La evaluación se centró en dos aspectos clave: la corrección del diagnóstico final y el costo de las pruebas solicitadas durante el proceso. De esta manera, el indicador no solo midió la precisión en la identificación de enfermedades, sino también la eficiencia en la recolección de la información necesaria para el diagnóstico. Los resultados mostraron que DxO superó considerablemente a los médicos en precisión diagnóstica. En los casos clínicos complejos, alcanzó un 83.2% de precisión sin restricciones presupuestarias, en contraste con el 36.1% de los médicos generalistas cuando tenían acceso a materiales de referencia, y el 22.3% cuando no los tenían.

En situaciones de urgencias, DxO logró una precisión del 80.3%, frente al 46.8% obtenido por los médicos. Sin embargo, es importante señalar que estas cifras se refieren a condiciones específicas del experimento y no garantizan que el sistema supere a los especialistas en todos los entornos clínicos.

Consideraciones sobre el uso de IA en la medicina

Además, DxO demostró una capacidad notable para reducir los costos de las pruebas médicas, manteniendo una disminución mínima en su precisión. En los casos complejos, operando con un presupuesto amplio, la precisión fue del 83.2% con un costo promedio de 5,431 dólares por caso. Sin embargo, al limitar el gasto a 1,303 dólares, la precisión bajó a 79.6%, una diferencia de solo 3.6 puntos porcentuales, a pesar de que el costo se redujo en aproximadamente un 76%.

No obstante, los investigadores advierten que estos resultados deben ser considerados con cautela, ya que el estudio se realizó en un entorno controlado que no refleja toda la complejidad de la práctica clínica real. Tampoco se puede determinar si el sistema mantendría su eficacia al interactuar directamente con pacientes o al integrarse en los procedimientos diarios de un hospital.

El futuro de la IA en la atención médica

A pesar de las limitaciones, los autores creen que DxO y SDBench pueden ser herramientas valiosas para complementar el trabajo de los profesionales de la salud. Estos avances podrían transformar la manera en que se organizan y se hacen transparentes los procesos diagnósticos, optimizando recursos y minimizando sesgos. Sin embargo, su efectividad deberá ser probada en condiciones reales antes de evaluar su aplicabilidad en los servicios de salud.

Esta investigación forma parte de la ambiciosa propuesta de Microsoft para desarrollar lo que se denomina “superinteligencia médica”, una IA que supere el rendimiento de los sistemas de salud gestionados por humanos. En un artículo publicado en la revista BMJ Digital, la compañía reconoce que aún queda un largo camino por recorrer para alcanzar este objetivo. Para mejorar la atención sanitaria, se requiere más que resultados superiores en tareas específicas; es esencial integrar las capacidades de la IA en cada etapa del proceso de atención médica y utilizarlas en colaboración con los profesionales del sector.

“A medida que las capacidades de la IA y su integración en los flujos de trabajo clínicos avanzan, mejorar la calidad de la atención requerirá más que un rendimiento sobresaliente en tareas aisladas. Necesitaremos sistemas que utilicen la IA, tanto de manera independiente como en colaboración con humanos, para superar a los sistemas de salud actuales más avanzados, liderados por personas, en el razonamiento médico integrado a lo largo de todo el proceso asistencial. Para maximizar su valor, será crucial comprender cómo estas capacidades complementan la inteligencia médica existente y combinarlas de manera eficaz”, concluyen los investigadores.