¿Y si la IA pudiera ayudar a los clínicos a trabajar un diagnóstico médico complejo, paso a paso, y alcanzar mayor precisión, a menor coste y con menos pruebas médicas?

Ese futuro ya se ha comenzado a presentar. En las presentaciones habituales a urgencias de EE. UU., MAI-DxO – nuestro sistema diagnóstico de IA – es 1,7 veces más preciso que los médicos cuando se evalúan con casos de MIMIC-IV-ED.

Y en los casos más complejos de la medicina, publicados en The New England Journal of Medicine, MAI-DxO es más del doble de preciso que los médicos que usan libros de texto e internet, y casi cuatro veces más preciso cuando diagnostican sin esos recursos. Además, consigue hacerlo a mitad o incluso un tercio del coste, llegando al diagnóstico correcto con menos pruebas y procedimientos.

Nuestro trabajo se publica hoy en Science.

Lean más sobre nuestra visión para la superinteligencia médica, también publicada esta semana en BMJ Digital Health and AI.

Repensar cómo se construye y prueba la IA

La IA tiene el potencial de transformar la salud y la sanidad, y el progreso se acelera con rapidez. El reto ahora es construir y evaluar con rigor, sistemas de IA que traduzcan los avances en sus capacidades de razonamiento clínico en un impacto significativo.

El artículo de hoy, basándose en trabajos anteriores, introduce dos bases para ese cambio: el Sequential Diagnosis Benchmark (SDBench), que pone a prueba el razonamiento diagnóstico paso a paso, y el Microsoft AI Diagnostic Orchestrator (MAI-DxO), nuestro sistema líder de IA en el benchmark.

Los exámenes de licencia médica, como los Exámenes de Licencia Médica de Estados Unidos (USMLEs, por sus siglas en inglés), están diseñados para evaluar el conocimiento de los médicos, no las realidades de hacer un diagnóstico clínico. En estos tests, toda la información se presenta desde el principio y se selecciona una única respuesta; en la práctica, los clínicos deben construir el panorama paso a paso, para decidir qué preguntar, qué pruebas solicitar y cómo cada nuevo hallazgo cambia el diagnóstico probable. Estos exámenes se han convertido en los referentes habituales para evaluar el rendimiento de la IA en salud.

Por eso desarrollamos SDBench, que evalúa el rendimiento en dos conjuntos complementarios de casos: 304 casos complejos tomados de  las actas de casos de The New England Journal of Medicine (NEJM) y un conjunto de presentaciones más típicas en urgencias de MIMIC-IV-ED. Cada uno se convierte en un caso interactivo en el que los modelos de IA y/o los médicos parten con información limitada y eligen qué solicitar a continuación. El benchmark mide la precisión diagnóstica, la evidencia solicitada y los costes estimados de las pruebas, evaluando tanto la respuesta como el camino seguido.

Construimos MAI-DxO y lo probamos dentro de SDBench. En lugar de depender de un solo modelo para una respuesta inmediata, funciona como un panel de médicos virtuales: cada uno propone diagnósticos, selecciona preguntas o pruebas útiles y cuestiona la visión emergente. MAI-DxO coordina este intercambio a lo largo de varias rondas de debate, a través de actualizar su evaluación a medida que llega evidencia y sopesar el probable valor de cada prueba frente a su coste.

Lo que hemos encontrado:

• En casos complejos de NEJM, MAI-DxO alcanzó una precisión diagnóstica del 83%. Los médicos lograron un 22% sin recursos de referencia externos y un 36% con ellos, para hacer que MAI-DxO fuera alrededor de 3,7 y 2,3 veces más preciso, de maner respectiva.
• En casos más típicos de urgencias de MIMIC-IV-ED, MAI-DxO alcanzó un 80% de precisión frente al 47% de los médicos, más de 1,7 veces más.
• Cuando se optimizó más en cuanto al coste, el rendimiento de MAI-DxO se mantuvo sólido mientras elegía evaluaciones más rentables. En casos NEJM, una configuración alcanzó un 81% de precisión a menos de la mitad del coste de los sistemas comparativos.
• En ambos conjuntos de datos, ningún otro enfoque humano o de IA fue más preciso y menos costoso que MAI-DxO.
• Estos avances persistieron —y mejoraron— cuando repetimos la evaluación con modelos más recientes, incluido GPT-5.5, sin cambiar el método de orquestación, lo que sugiere que el enfoque no está ligado a una sola generación de modelo.

Abrimos SDBench para casos seleccionados de NEJM – incluido el código de referencia, Gatekeeper, Judge y estimación de costes – para que los investigadores puedan reproducir la evaluación, probar otros modelos y desafiar o ampliar los hallazgos.

Exploren SDBench

De un mejor diagnóstico a una mejor atención

El diagnóstico es solo una parte del camino de la atención. Una mejor atención también requiere mantenerse al día con el conocimiento médico, seleccionar el tratamiento adecuado, comprender el cambio a lo largo del tiempo y apoyar elecciones que reflejen los valores y el acceso a la atención de una persona. La oportunidad es unir estas capacidades en un estándar de atención que hoy en día no está disponible de manera amplia. En The Building Blocks of Medical Superintelligence, publicado en BMJ Digital Health and AI, exploramos qué haría falta para que la IA apoyara esta visión más amplia y, en última instancia, superara las capacidades de los equipos clínicos y sistemas de salud más sólidos de la actualidad.

El diagnóstico secuencial ofrece un ejemplo temprano: médicos de IA que colaboran, cuestionan suposiciones y refinan su razonamiento clínico a medida que surge la evidencia. Nuestra ambición es construir IA que conecte conocimiento, contexto y decisiones a lo largo del recorrido asistencial, no tan solo destacar en una sola tarea clínica. A través de nuestra colaboración con Mayo Clinic, pretendemos combinar IA de vanguardia, experiencia clínica y datos multimodales longitudinales para construir sistemas que permitan la complejidad y diversidad de la atención en el mundo real.

Pruebas en el mundo real

Los puntos de referencia importan, pero la verdadera prueba es el rendimiento en entornos clínicos reales. A través de una nueva colaboración con el Beth Israel Deaconess Medical Center en Boston, evaluaremos las capacidades de razonamiento clínico en diferentes entornos hospitalarios. En un estudio prospectivo, los pacientes interactuarán directo con el sistema, para medir el rendimiento en función de las evaluaciones independientes de los médicos. Trabajar junto a equipos clínicos mostrará dónde la tecnología tiene éxito, dónde falla y cómo puede encajar en flujos de trabajo intensos.

Salud en Microsoft

Los rápidos avances en la IA médica abren nuevas posibilidades para pacientes y clínicos. Para convertir este progreso en impacto práctico, reunimos equipos de salud de toda Microsoft —incluidos científicos de Microsoft Research y los equipos detrás de productos como Dragon Copilot y PowerScribe— en un esfuerzo integrado en Microsoft AI. Al trabajar juntos, aceleraremos la entrega de sistemas de IA de confianza que impulsen mejores resultados clínicos y experiencias de atención.

Publicado en MAI blog.