Microsoft DxO: 83% de acierto diagnóstico con IA

Qué es DxO y qué midió exactamente el estudio

Un orquestador es una capa de software que coordina modelos de IA ajenos en lugar de ser un modelo en sí mismo. Eso es DxO —Diagnostic Orchestrator, que Microsoft bautizó MAI-DxO en su anuncio—, el sistema que la revista Science publicó el 22 de octubre y que simula un panel de especialistas con papeles complementarios: uno propone diagnósticos, otro pide pruebas, otro cuestiona supuestos y otro vigila el costo.

El resultado que dio la vuelta al mundo: 83,2% de acierto en 304 casos clínicos complejos del New England Journal of Medicine, frente al 36,1% de un grupo de médicos generalistas con acceso a buscadores y referencias. 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 estrecha de lo que sugiere el titular.

¿Es nuevo este estudio?

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 sí es sustancial: la revisión por pares, un segundo conjunto de datos de 325 ingresos de urgencias de MIMIC-IV-ED (notas clínicas reales en lugar de casos didácticos), una rama de comparación con médicos que podían usar buscadores —de donde sale el 36,1%— y el motor actualizado. El sistema corre sobre GPT-5, con la batería completa repetida en GPT-5.5 sin cambiar ni los prompts ni la orquestación.

Según TechCrunch, buena parte de la mejora viene de los modelos de base, no del orquestador. GPT-5 solo, con un prompt básico, ya alcanzaba 78,9% en casos complejos a unos 8.400 dólares por caso; DxO recortó ese costo en unos 3.000 dólares pero subió la precisión apenas cuatro puntos. Con GPT-5.5 el salto fue mayor: de 72% a casi 87%. Y en los casos de urgencias, DxO no aportó casi nada.

¿Por qué el 83% no equivale a «mejor que los médicos»?

Hay tres asimetrías que ninguna cobertura del titular ha puesto sobre la mesa.

• Contra quién se comparó: generalistas de atención primaria y de agudos en ejercicio, incluidos internistas y urgenciólogos. No especialistas. El paper lo dice con todas las letras: «These comparisons do not establish superiority over specialists, multidisciplinary teams, or real-world clinical practice».
• Sobre cuántos casos: el 83,2% de DxO se mide sobre los 304 casos; el resultado de los médicos, solo sobre los 56 reservados durante el desarrollo.
• En qué condiciones: hubo dos ramas. A libro cerrado, sin buscadores ni modelos de lenguaje, los médicos sacaron 22,3%. A libro abierto, 36,1%. Es el 36,1% el que se compara con la máquina.

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 atribuye su ventaja precisamente a eso: diagnósticos que dependen de una buena anamnesis, como exposiciones raras e infecciones de viaje.

¿Cuánto cuesta? El dato que desmonta medio titular

En su configuración más precisa, DxO es más caro que los médicos: 83,2% de acierto a un costo 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 costo y precisión, pero «más barato» depende de qué configuración se elija, y la que da la cifra estrella no lo es. El costo se estimó con precios CPT del chargemaster público de Kaiser Permanente Washington, consultado en abril de 2026, tratando las preguntas de historia y exploración como parte de un costo fijo de visita. Son estimaciones de pruebas diagnósticas, no gasto hospitalario real.

¿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. Cuando el dato no está en el expediente, genera resultados sintéticos neutrales para no delatar qué pruebas no se hicieron: si el silencio revelara el hueco, 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.

¿Está aprobado para usarse en pacientes?

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».

Dos cosas conviene poner sobre la mesa. La primera: los quince autores son empleados de Microsoft y ocho figuran como inventores en una solicitud de patente estadounidense sobre un marco automatizado de evaluación de diagnóstico secuencial. La financiación es íntegramente interna. La segunda: Eric Topol, del Scripps Research, que valoró el preprint con entusiasmo y una reserva, figura en los agradecimientos del paper entre los colegas que aportaron «valuable insights». No es coautor ni cobra de Microsoft, pero tampoco es una voz ajena.

¿Qué significa esto para tu startup?

El listón de evidencia en IA clínica acaba de subir, y eso afecta a cualquiera que venda tecnología en salud.

• Si tu pitch dice «mejor que los médicos», reescríbelo. El propio paper acota el alcance: mide corrección diagnóstica a nivel de enfermedad, pero «does not assess therapeutic appropriateness, safety, or longitudinal management quality». Un comprador hospitalario o un regulador va a leer esa frase antes que tu titular.
• Mide costo por caso, no solo precisión. DxO gana en la frontera costo-precisión, pero solo en configuraciones concretas. Si tu producto no puede mostrar el costo por decisión, no tienes con qué competir en un hospital.
• La capa de orquestación es un negocio en sí mismo. DxO no es un modelo médico de Microsoft: es coordinación sobre modelos de OpenAI. Ese patrón —envolver modelos ajenos y aportar el flujo de trabajo— es replicable por equipos pequeños con foco vertical.
• El benchmark secuencial es la nueva vara. El equipo propone el Sequential Diagnosis Benchmark (SDBench), que evalúa qué preguntar, qué pedir y cuándo parar. Ese es el tipo de evaluación que un comprador serio va a exigir.

El contexto en español ayuda a calibrar. En un debate recogido por Redacción Médica, el radiólogo Josep Munuera citó que en un programa de cribado de mama la IA redujo un 40% la carga de trabajo del profesional sin pérdida de calidad diagnóstica. La Razón recoge que en endoscopia digestiva el uso de IA aumenta un 10% la detección de pólipos frente a no usarla. Y El Español reportó que un modelo de la Clínica Mayo predice el riesgo de cáncer de páncreas con tres años de antelación con una precisión del 85,3%. Son mejoras medibles sobre tareas acotadas, no sustituciones de criterio clínico.

Conclusión

El paper es considerablemente mejor que su cobertura. Lo que propone no es sustituir a nadie: apunta a flujos de trabajo conjunto médico-máquina y a usos educativos. Lo que Microsoft construyó es un banco de pruebas que mide algo que no se medía —decidir qué preguntar, qué pedir y cuándo parar, con un costo 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 costo superior al de los humanos en la configuración que da la cifra estrella. A tres días de la publicación, ninguna sociedad médica ni ningún regulador se ha pronunciado. Eso no es aval ni rechazo: es silencio.

Fuentes

• wwhatsnew.com (fuente original)
• TechCrunch
• TechRepublic
• Gizmodo
• Redacción Médica
• La Razón
• El Español

Artículos relacionados:

Microsoft: su IA acierta 83% en casos clínicos complejos Copilot Health: IA de Microsoft para tus datos de salud Agentes IA en la empresa: ¿uno por persona o uno por equipo? Desempleo, agentes 24/7 y la carta de Dario Amodei Microsoft: los agentes de IA son amenazas internas