La IA que supera a los médicos en diagnóstico secuencial: el nuevo reto para la formación clínica

Un equipo de investigadores de Microsoft, liderado por Harsha Nori y Eric Horvitz, publicó en Science los resultados de SDBench, un banco de pruebas que evalúa la capacidad de los modelos de lenguaje para realizar diagnósticos secuenciales: preguntar, ordenar pruebas y decidir cuándo concluir, en lugar de analizar un caso ya resuelto. El sistema Diagnostic Orchestrator (DxO), construido sobre GPT-5, alcanzó un 83,2% de precisión en 304 casos clinicopatológicos del New England Journal of Medicine (NEJM) y un 80,3% en 325 admisiones de urgencias de MIMIC-IV-ED, superando a médicos generalistas participantes (36,1% y 46,8%, respectivamente). El trabajo es relevante para la educación superior porque desplaza el foco de la evaluación médica desde el conocimiento memorizado hacia el razonamiento iterativo y la gestión eficiente de recursos.

Cómo funciona el sistema

SDBench convierte cada caso en una interacción por turnos. El agente diagnóstico —sea una IA o un médico— parte de una viñeta clínica breve y puede hacer preguntas de historia o exploración, solicitar pruebas o comprometerse con un diagnóstico final. Un agente “portero” (Gatekeeper) recupera la información del registro original o genera respuestas sintéticas neutras cuando el dato no existe, para no filtrar pistas. Un juez con rúbrica clínica de cinco niveles valida el acierto, y un estimador calcula el costo acumulado de las pruebas según tarifas CPT de un gran sistema de salud estadounidense.

DxO simula un panel de especialistas con roles complementarios, incorpora criterios de contención de costos en cada paso y agrega diagnósticos de ejecuciones independientes. Sin restricción presupuestaria, logró 83,2% de acierto con un costo medio de 5.431 dólares; con límites progresivos, 80,9% a 2.241 dólares y 79,6% a 1.303 dólares. En una configuración orientada a la excelencia diagnóstica, alcanzó 84,5% a 8.945 dólares.

La brecha con los médicos

En los casos del NEJM, 56 casos reservados para la evaluación humana, los médicos participantes —de atención primaria, hospitalaria y de urgencias— completaron una media de 36,4 casos con libro cerrado y 34,8 con libro abierto, acumulando 764 y 662 diagnósticos. Su precisión promedio fue de 22,3% y 36,1%, con costos de 3.049 y 4.725 dólares respectivamente. Incluso el médico con mejor desempeño (51,8%) fue superado en precisión y costo. Los clínicos intercalaron preguntas y pruebas de forma compacta: 5,6 preguntas antes de la primera prueba, frente a 25,5 preguntas de DxO, que prioriza una anamnesis estructurada extensa antes de iniciar el estudio diagnóstico.

Implicaciones para la enseñanza

El artículo atribuye parte de la ventaja a la escala de exposición de los modelos: corpus que abarcan enfermedades raras, presentaciones atípicas y razonamiento transdisciplinario. Frente a clínicos cuya cognición se ve afectada por presión de tiempo, fatiga o sesgos de especialidad, el sistema mantiene un recuerdo uniforme y una evaluación sistemática. Los autores señalan que estas ventajas se amplifican en un entorno simulado que abstrae la incertidumbre de la historia clínica, la documentación incompleta y la relación con el paciente.

El texto también advierte limitaciones: SDBench solo incluye casos patológicos y encuentros de urgencias, excluye escenarios benignos y no captura datos multimodales como imágenes o anatomía patológica. La comparación es contra médicos individuales, no contra equipos multidisciplinarios. Los propios autores esperan que la brecha se reduzca frente a especialistas. No obstante, plantean que la codificación explícita de hipótesis, la crítica adversarial y la cuantificación del valor marginal de cada prueba podrían integrarse en flujos de trabajo clínico-docente y en simulaciones interactivas para la formación médica continua.

Contexto de la publicación

El estudio, aceptado el 10 de agosto de 2026, utilizó casos del NEJM y de MIMIC-IV-ED, con costos derivados del archivo de tarifas estándar del Kaiser Permanente Washington Central Hospital. El código de SDBench está disponible en Zenodo y en GitHub bajo licencia MIT. Los autores son empleados de Microsoft y declaran una solicitud de patente relacionada con el marco de evaluación automatizada.

Referencia: Nori, H., Daswani, M., Kelly, C., Lundberg, S., Ribeiro, M. T., Wilson, M., Liu, X., Sounderajah, V., Carlson, J. M., Lungren, M. P., Gross, B., Hames, P., Suleyman, M., King, D., & Horvitz, E. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930