Microsoft asegura que ha desarrollado un modelo de inteligencia artificial (IA) capaz de diagnosticar enfermedades con información limitada sobre el paciente y alcanzar una precisión hasta cuatro veces superior a la obtenida por médicos generalistas en determinadas pruebas.
Una de las características más destacadas del sistema, denominado Diagnostic Orchestrator (DxO), es que replica los procedimientos que los médicos emplean para establecer un diagnóstico durante una consulta. A diferencia de otros algoritmos similares, sus conclusiones no parten de informes médicos que contienen de antemano toda la información necesaria para determinar la condición clínica del paciente.
En cambio, la herramienta desarrollada por Microsoft comienza su evaluación con datos limitados y, posteriormente, formula preguntas para conocer los antecedentes de la persona, determina qué pruebas de laboratorio necesita para explicar los síntomas y, finalmente, establece un diagnóstico cuando reúne evidencia suficiente.
Patrocinado por TecnoArtesanos ¿Tu empresa ya está usando IA? Automatizamos procesos, integramos asistentes inteligentes y conectamos tus sistemas. Descubre cómo →
Un artículo reciente sostiene que la IA suele ser mejor que los médicos a la hora de ejercer la medicina. Adivina quiénes no están nada contentos.
En un artículo publicado esta semana en la revista Science, los desarrolladores sostienen que su propuesta no solo plantea una aplicación más precisa de la IA en la práctica médica, sino que también podría reducir las cargas económicas y psicoemocionales asociadas al diagnóstico al evitar pruebas y estudios innecesarios que pueden generar gastos y preocupación en los pacientes.
“A medida que los modelos se vuelven más capaces, los métodos que integran la inferencia secuencial estructurada con la experiencia clínica pueden transformar la forma en que la IA apoya el razonamiento diagnóstico, con el potencial de mejorar la calidad y la accesibilidad de la atención médica en todo el mundo”, sostienen los autores.
El funcionamiento de DxO se basa en GPT-5.5 de OpenAI y, como su nombre indica, corresponde a un algoritmo de orquestación. Esto significa que organiza las tareas de razonamiento de un modelo subyacente para cumplir objetivos específicos.
En la práctica, DxO emplea cinco agentes de IA basados en el sistema de OpenAI. Cada uno se especializa en una función: generar hipótesis, seleccionar pruebas, revisar críticamente los resultados, controlar los costos y verificar el diagnóstico final. En conjunto, estos componentes estructuran un proceso que busca reproducir las distintas etapas del razonamiento clínico.
Los autores no detallan el conjunto de datos exacto utilizado para entrenar el sistema ni los procedimientos específicos de su capacitación. Sin embargo, destacan el desarrollo de un indicador diseñado para evaluar su rendimiento: Sequential Diagnosis Benchmark (SDBench).
Un nuevo indicador para medir la eficiencia de la IA en la medicina
Esta herramienta convierte los casos clínicos en encuentros interactivos de varios pasos. Las evaluaciones de DxO se basan en 304 casos de conferencias clinicopatológicas publicados en The New England Journal of Medicine y 325 encuentros de ingreso a urgencias procedentes de la base de datos del Medical Information Mart for Intensive Care IV de Estados Unidos.
Los primeros corresponden a casos seleccionados por su valor educativo y clínico, mientras que los segundos provienen de registros de atención en urgencias y representan situaciones más cercanas al flujo cotidiano de los hospitales.
Los investigadores señalan que ambas bases de datos incluyeron enfermedades comunes y trastornos poco frecuentes, así como situaciones con distintos grados de dificultad diagnóstica. Cada caso comienzó con una descripción breve de los síntomas y las circunstancias iniciales del paciente, a partir de la cual el sistema debe decidir qué información adicional necesita antes de emitir una conclusión.
La evaluación contempló dos aspectos: si el diagnóstico final es correcto y cuánto costaba el conjunto de pruebas solicitadas durante el proceso. De esta manera, el indicador no solo calculó la precisión para identificar una enfermedad, sino también la eficiencia con la que se obtuvo la información necesaria para determinarla.
