Un estudio de Microsoft publicado el 22 de octubre de 2026 en Science reporta que su sistema de IA MAI-DxO acertó el diagnóstico en el 83 % de los casos complejos evaluados, frente al 36 % de médicos generalistas con acceso a referencias. La comparación se hizo mediante simulaciones de casos ya documentados; la validación clínica con pacientes está pendiente.
Microsoft AI Diagnostic Orchestrator coordina agentes basados en modelos como GPT-5 para simular un panel médico. Proponen diagnósticos, eligen preguntas y pruebas y revisan sus conclusiones con los nuevos datos, según la compañía.
De dónde sale el "casi cuatro veces"
Microsoft sitúa la ventaja en unas 2.3 veces frente a médicos con material de consulta y en unas 3.7 veces frente a quienes trabajaron sin él, que acertaron el 22 %. Esta segunda comparación origina la afirmación de que el sistema fue casi cuatro veces más preciso.
En los casos de urgencias, la compañía comunicó un 80 % de aciertos para MAI-DxO frente al 47 % de los médicos. Las tasas redondeadas de su anuncio distinguen tres condiciones:
| Casos y condiciones de los médicos | MAI-DxO | Médicos generalistas |
|---|---|---|
| Complejos de NEJM, con referencias | 83 % | 36 % |
| Complejos de NEJM, sin referencias | 83 % | 22 % |
| Urgencias de MIMIC-IV-ED | 80 % | 47 % |
La AAAS, entidad que publica Science, señala que los costos comparados son estimaciones de las pruebas diagnósticas solicitadas. Los resultados dependen también del presupuesto permitido para investigar cada caso.
La documentación oficial de SDBench atribuye a Microsoft tanto el sistema como el banco de pruebas.
TechCrunch reportó 78.9 % con GPT-5 solo y precisó que la comparación humana excluyó equipos de especialistas.
Cómo se simuló el proceso diagnóstico
El banco de pruebas SDBench transforma los expedientes en encuentros interactivos que empiezan con información limitada. Reúne 629 casos, según la AAAS; Microsoft detalla que 304 proceden de los casos clínicos complejos de The New England Journal of Medicine. También incorpora encuentros de urgencias del conjunto MIMIC-IV-ED.
La documentación de SDBench explica que un agente entrega la información solicitada: devuelve el resultado real cuando figura en el expediente y puede generar uno sintético cuando falta. Otro agente evalúa el diagnóstico final frente al de referencia. El resultado describe el desempeño dentro de ese entorno de evaluación.
La prueba con pacientes será en Boston
La AAAS advierte que el sistema carece de capacidad para explorar físicamente u observar directamente a los pacientes y que hacen falta evaluaciones de su efecto en la práctica clínica y en los resultados de salud.
"Necesita validación clínica", dijo Mustafa Suleyman, CEO de Microsoft AI, a The Verge. Su expectativa de desarrollar una "superinteligencia médica" sigue siendo una ambición de la compañía.
Microsoft anunció una colaboración con Beth Israel Deaconess Medical Center, en Boston, para realizar un estudio prospectivo en distintos entornos hospitalarios. Los pacientes interactuarán directamente con el sistema y sus evaluaciones se compararán con las de médicos que trabajen de forma independiente.
