La revista Science publicó el 22 de octubre el trabajo con el que Microsoft sostiene que su sistema DxO acierta el 83,2 % de los casos clínicos del New England Journal of Medicine, frente al 36,1 % de un grupo de médicos generalistas. En ingresos de urgencias, 80,3 % contra 46,8 %.
El paper es público, está revisado por pares y detalla cómo se midió. Y cuando se lee entero, la comparación resulta más interesante y más estrecha de lo que dice el titular.
¿Es nuevo esto?
A medias. El trabajo se recibió en Science el 4 de abril de 2026 y se aceptó el 10 de agosto, pero su primera versión la publicó Microsoft como preprint en junio de 2025: mismo título, los mismos quince autores, el mismo sistema y los mismos 304 casos del NEJM.
Lo nuevo de la versión publicada es sustancial. La revisión por pares. Un segundo conjunto de datos: 325 ingresos de urgencias de MIMIC-IV-ED, notas clínicas reales en lugar de casos didácticos. Una rama de comparación con médicos con acceso a buscadores y referencias, de donde sale el 36,1 %. Y el motor: el sistema corre sobre GPT-5, con la batería completa repetida en GPT-5.5 sin cambiar ni los prompts ni la orquestación.
Una precisión sobre el nombre y sobre qué es: en Science el sistema se llama DxO, Diagnostic Orchestrator —Microsoft lo bautizó MAI-DxO en su anuncio— y el paper lo describe como «a model-agnostic orchestrator». No es un modelo médico de Microsoft: es una capa que coordina modelos ajenos, en este caso de OpenAI, simulando un panel de especialistas con papeles complementarios.
¿Contra qué médicos se comparó, y en qué condiciones?
Contra generalistas: médicos de atención primaria y de agudos en ejercicio, incluidos internistas y urgenciólogos. El paper da las medias pero no el número de participantes; la cifra de veintiún médicos con una mediana de doce años de experiencia procede del preprint.
Lo decisivo es la estructura de la prueba, y aquí el paper es escrupuloso. Hubo dos ramas: a libro cerrado, donde los médicos no podían usar buscadores ni modelos de lenguaje, y a libro abierto, con esas herramientas disponibles. Los resultados: 22,3 % a libro cerrado y 36,1 % a libro abierto. Es el 36,1 % el que se compara con el 83,2 % de la máquina.
Los motivos de la restricción, en el preprint, son dos y los dos razonables: los casos del NEJM están publicados en internet y los habrían encontrado, y querían medir la capacidad diagnóstica propia del médico en lugar de evaluar indirectamente las herramientas disponibles.
Pero hay una asimetría en el recuento que ninguna cobertura ha señalado. El 83,2 % de DxO se mide sobre los 304 casos; el resultado de los médicos, solo sobre los 56 reservados durante el desarrollo.
Y el dato que mejor describe la diferencia de estrategia no es un porcentaje: los médicos hicieron una media de 5,6 preguntas antes de pedir la primera prueba; DxO, 25,5. Donde el humano va al laboratorio, la máquina sigue preguntando. El paper lo atribuye a eso mismo: su ventaja se concentra en diagnósticos que dependen de una buena anamnesis, como exposiciones raras e infecciones de viaje, «discriminating clues that would not be easily found in broad test batteries».
¿Y los pacientes?
No hay. Son expedientes de texto, sin exploración física y sin imagen: el paper lo admite expresamente, las sesiones no capturaron «multimodal data such as imaging, waveforms, or pathology slides that are central to real diagnostic workflows».
El paciente lo interpreta otro modelo, el Gatekeeper, que media todas las peticiones de información y devuelve solo lo que sería clínicamente obtenible. Y cuando el dato no está en el expediente, hace algo que conviene entender bien: «the Gatekeeper generates diagnostically neutral synthetic results to avoid signaling the absence of data, which could provide clues about the final diagnosis». No es un adorno: si el silencio delatara qué pruebas no se hicieron, eso ya sería una pista hacia el diagnóstico.
Quien corrige es un tercer modelo, el Judge, con una rúbrica de cinco niveles redactada por médicos; cuentan como acierto los niveles 4 y 5, definidos como aquellos en los que el manejo del paciente no cambiaría.
El coste se estimó con precios CPT del chargemaster público de un gran sistema sanitario estadounidense, el de Kaiser Permanente Washington, consultado en abril de 2026, tratando las preguntas de historia y exploración como parte de un coste fijo de visita.
Y ahí aparece el matiz que desmonta medio titular. En su configuración más precisa, DxO es más caro que los médicos: 83,2 % de acierto a un coste medio de 5.431 dólares, frente al 36,1 % de los médicos a 4.725. Donde gana en las dos cosas es un escalón más abajo: 80,9 % a 2.241 dólares, y 79,6 % a 1.303. Microsoft tiene razón en que su sistema domina la frontera de coste y precisión, pero «más barato» depende de qué configuración se elija, y la que da el titular no lo es.
¿Qué dicen los autores que no se puede concluir?
Mucho, y con una franqueza que hay que reconocerles. La frase que acota todo está en la introducción: «These comparisons do not establish superiority over specialists, multidisciplinary teams, or real-world clinical practice».
Sobre el sesgo de los casos: «CPC cases may overrepresent diagnostically challenging presentations, and both exclude healthy or benign encounters, so the overall case mix and disease prevalence do not mirror those of routine clinical practice». Ninguno de los casos era una persona sana. El preprint añadía la consecuencia que la versión publicada no formula así: que no pudieron medir tasas de falsos positivos.
Sobre quién es el rival: «A limitation of our evaluation is the comparison of DxO performance with individual physicians», cuando el diagnóstico real implica colaboración multiespecialidad y derivaciones. Y esperan que la brecha «se estreche» frente a especialistas o equipos multidisciplinares.
Sobre qué mide la nota: la rúbrica evalúa la corrección diagnóstica a nivel de enfermedad, pero «does not assess therapeutic appropriateness, safety, or longitudinal management quality». Y sobre el entorno: «the performance advantage refers specifically to information gathering and diagnostic accuracy under idealized conditions, not to the full scope of clinical reasoning, patient care, or medical judgment required in practice».
El propio resumen se cubre: «Although these findings were obtained in a controlled benchmark setting…».
¿Está aprobado para usarse?
No, en ninguna parte. Ni FDA, ni EMA, ni AEMPS. El sistema no consta en el registro 510(k) de la FDA, el anuncio oficial no menciona ninguna vía regulatoria y no se usa con pacientes. El consejero delegado de Microsoft AI, Mustafa Suleyman, lo reconoce: «It needs clinical validation. That is a leap, but this is a major milestone along that journey». El responsable de salud de Microsoft AI y coautor, Dominic King, dice que el estudio prospectivo con el Beth Israel Deaconess Medical Center de Boston, donde los pacientes interactuarán con el sistema directamente, arrancará «in the next couple of months».
Mi lectura es que el paper es considerablemente mejor que su cobertura, y que lo que de verdad propone no es sustituir a nadie. El propio texto apunta a flujos de trabajo conjuntos médico-máquina y a usos educativos, y cita entre sus referencias un ensayo aleatorizado sobre colaboración clínico-IA en diagnóstico. Lo que han construido es un banco de pruebas que mide algo que no se medía —decidir qué preguntar, qué pedir y cuándo parar, con un coste asociado a cada decisión— y eso es un avance real, independientemente del porcentaje.
El titular, en cambio, no se sostiene como se cuenta. «Mejor que los médicos» significa, con precisión: mejor que generalistas, medidos sobre un subconjunto distinto, en casos seleccionados por su valor docente, sin paciente, sin imagen, con un paciente simulado por otra IA y un corrector que también es una IA, y a un coste superior al de los humanos en la configuración que da la cifra estrella.
Hay dos cosas que conviene poner sobre la mesa. La primera: los quince autores son empleados de Microsoft y tienen participación en la compañía, y ocho de ellos figuran como inventores en una solicitud de patente estadounidense presentada por Microsoft sobre un marco automatizado de evaluación de diagnóstico secuencial. Es decir, la empresa ha patentado el método con el que se mide. La financiación es íntegramente interna: «No funds external to Microsoft were acquired for these studies».
La segunda es una cautela sobre mi propia fuente de contraste. Eric Topol, del Scripps Research, que en julio de 2025 valoró el preprint para TIME con entusiasmo y una reserva —«It’s impressive what they did», «this is a really big jump», pero «it doesn’t change medical practice until they take it out on the real medical highway»—, figura en los agradecimientos del paper entre los colegas que aportaron «valuable insights». No es un coautor ni cobra de Microsoft, pero tampoco es exactamente una voz ajena. Lo mismo vale para un clínico del Beth Israel, el hospital donde ahora se hará la validación.
A tres días de la publicación, ninguna sociedad médica ni ningún regulador se ha pronunciado. Eso no es aval ni rechazo: es silencio.
Nada de esto es una herramienta para que nadie se autodiagnostique: no está aprobada, no está validada clínicamente y su propio responsable lo dice. Para el panorama general, aquí está cómo la IA está entrando en el diagnóstico y el tratamiento; el contrapunto a la promesa de ahorro lo da un dato incómodo, los 942 millones de dólares que el sistema de salud estadounidense gastó de más porque los hospitales usan IA para exagerar diagnósticos; y Microsoft ya había llevado la IA a la consulta con Dragon Copilot.
☞ El artículo completo original de Natalia Polo lo puedes ver
aquí
