Microsoft publicó en Science que su sistema de IA MAI-DxO acertó el 83% de los diagnósticos de casos complejos, contra 36% de médicos generalistas con material de consulta

El estudio, publicado el 22 de octubre, usó casos clínicos del New England Journal of Medicine y de guardia. Los autores, todos de Microsoft, advierten que no se comparó con especialistas y que la prueba con pacientes reales recién empieza en el Beth Israel Deaconess de Boston.

Microsoft publicó en la revista Science los resultados de MAI-DxO, su sistema de inteligencia artificial para diagnóstico médico: en casos clínicos complejos del New England Journal of Medicine (NEJM) acertó el diagnóstico final el 83% de las veces, contra 22% de médicos generalistas que trabajaron sin material de consulta y 36% de los que sí pudieron usar referencias, según el anuncio del equipo de salud de Microsoft AI del jueves 22 de octubre.

El paper, titulado «Sequential diagnosis with language models», salió en el volumen 394 de Science y lo firman 15 autores, todos empleados de Microsoft, entre ellos el jefe de Microsoft AI, Mustafa Suleyman, según el detalle recogido por Unite.AI. Es la versión revisada por pares de un trabajo que la empresa había difundido como preprint en junio de 2025.

Cómo funciona y qué se midió

MAI-DxO no es un modelo nuevo sino un «orquestador»: coordina varios agentes de IA que actúan como un panel de médicos, hacen preguntas, piden estudios y debaten antes de cerrar un diagnóstico. A diferencia de los exámenes de opción múltiple, la prueba —el banco de casos SDBench— obliga a avanzar paso a paso y le asigna un costo estimado a cada estudio que se pide.

En la base de casos de guardia MIMIC-IV-ED, más parecidos a la práctica habitual, el sistema llegó al 80% de aciertos frente al 47% de los médicos, según Microsoft. La empresa sostiene además que alcanza el diagnóstico con menos estudios: una configuración que limita el gasto logró 81% en los casos del NEJM a menos de la mitad del costo de sistemas comparables. Esos costos son estimaciones de precios de estudios, no gastos reales de atención.

Cuánto aporta el sistema y cuánto el modelo

Los mejores resultados se lograron con GPT-5 y GPT-5.5, de OpenAI; Microsoft también probó el orquestador con modelos de Google, Anthropic, Meta y DeepSeek. Un análisis de TechCrunch sobre los datos del estudio señala que buena parte de la mejora viene del modelo de base: GPT-5 solo, con una instrucción simple, ya acertaba 78,9% de los casos complejos, y MAI-DxO le sumó unos cuatro puntos mientras bajaba el costo estimado en unos US$ 3.000 por caso. En los casos de guardia, según el mismo análisis, GPT-5.5 rondó el 85% de aciertos con o sin el orquestador, por encima del 80% que Microsoft informa para su configuración principal.

Los propios autores marcan los límites: la comparación no demuestra superioridad frente a especialistas, equipos multidisciplinarios ni la práctica real, y la simulación deja afuera factores como historias clínicas incompletas, imágenes y seguimiento en el tiempo, según Unite.AI. Los casos del NEJM, además, son deliberadamente difíciles y no representan la consulta cotidiana. Suleyman, en cambio, presentó el resultado como un paso hacia la «superinteligencia médica», un objetivo que la propia empresa describe como ambición y no como algo demostrado.

Qué sigue: pacientes reales

Microsoft anunció una alianza con el Beth Israel Deaconess Medical Center de Boston para un estudio prospectivo: pacientes que den su consentimiento interactuarán con el sistema mientras reciben la atención habitual, y sus recomendaciones se compararán con las evaluaciones independientes de los médicos. También trabaja con la Mayo Clinic en un modelo de IA para salud que, según Suleyman citado por TechCrunch, se lanzaría el año próximo. La empresa liberó el código de evaluación del banco de casos y una selección de los casos del NEJM.