El estudio publicado en Science el 22 de octubre de 2026 atribuye a DxO, el sistema de diagnóstico por IA de Microsoft, una precisión del 83,2 % en casos clínicos complejos del benchmark SDBench. Los médicos participantes alcanzaron un 36,1 % con material de consulta y un 22,3 % sin él. Son resultados de casos simulados en texto, no de atención clínica habitual.
Qué encontró el estudio
SDBench evaluó dos conjuntos distintos: 304 casos de conferencias clinicopatológicas del New England Journal of Medicine (NEJM), que analizan casos clínicos complejos, y 325 episodios de urgencias que acabaron en ingreso, procedentes de MIMIC-IV-ED.
| Conjunto de SDBench | Casos | Precisión de DxO | Precisión de los médicos |
| Casos CPC del NEJM | 304 | 83,2 % | 36,1 % con material de consulta; 22,3 % sin él |
| Episodios de urgencias a ingreso de MIMIC-IV-ED | 325 | 80,3 % | 46,8 % de promedio |
El 83,2 % mide cuántas veces el diagnóstico final de DxO recibió una puntuación considerada correcta en los casos CPC. En ese conjunto, el sistema usó una configuración de GPT-5 sin límite de presupuesto. En el benchmark de urgencias, DxO obtuvo un 80,3 % y los médicos un 46,8 % de promedio. Son comparaciones entre conjuntos distintos, con sus propios casos y participantes.
Cómo SDBench pone a prueba el diagnóstico
El benchmark no pide una respuesta única a partir de un caso completo: empieza con información limitada y permite solicitar antecedentes o hallazgos de exploración, pedir pruebas, revisar el diagnóstico diferencial y presentar un diagnóstico final. Un Gatekeeper gestiona las solicitudes de información y un Judge evalúa la respuesta final.
La evaluación usa una rúbrica médica de cinco niveles. Las puntuaciones 4 y 5 cuentan como correctas cuando el diagnóstico no cambiaría la conducta clínica. Así se define la precisión publicada; la puntuación no mide por sí sola la seguridad del tratamiento ni la evolución de los pacientes.
La demostración en inglés de Microsoft recorre un caso seleccionado del NEJM. DxO solicita análisis, una tomografía y una biopsia, actualiza sus diagnósticos posibles y termina con un diagnóstico de rabdomiosarcoma embrionario. El vídeo muestra el flujo del benchmark y su seguimiento de costes en ese caso concreto.
Qué representan los costes estimados
En los casos CPC, la configuración de DxO sin límite presupuestario obtuvo un 83,2 % de precisión con un coste estimado de 5.431 dólares por caso. Las configuraciones orientadas al ahorro alcanzaron un 80,9 % con 2.241 dólares y un 79,6 % con 1.303 dólares; la configuración de excelencia diagnóstica llegó al 84,5 % con 8.945 dólares.
| Configuración o grupo en los casos CPC | Precisión | Coste estimado por caso |
| DxO, sin límite presupuestario | 83,2 % | 5.431 dólares |
| DxO, configuración orientada al ahorro | 80,9 % | 2.241 dólares |
| DxO, configuración orientada al ahorro | 79,6 % | 1.303 dólares |
| DxO, configuración de excelencia diagnóstica | 84,5 % | 8.945 dólares |
| Médicos, con material de consulta | 36,1 % | 4.725 dólares |
| Médicos, sin material de consulta | 22,3 % | 3.049 dólares |
El estudio calculó estas cifras con precios CPT de un listado de cargos hospitalarios de Kaiser Permanente Washington, consultado en abril de 2026. Las preguntas sobre antecedentes y exploración se contabilizaron como parte de un coste fijo de consulta médica. En MIMIC-IV-ED, el coste estimado medio fue de 4.979 dólares por caso para DxO sin límite presupuestario y de 3.400 dólares para los médicos. Son cálculos basados en precios estadounidenses; el artículo señala que no recogen las variaciones de precios, los tiempos de espera para resultados, las molestias ni la disponibilidad logística.
Qué límites tienen los resultados
El estudio midió diagnósticos en interacciones de texto mediadas por un Gatekeeper. Sus conjuntos no incluyen encuentros rutinarios de personas sanas o con problemas benignos, y los casos CPC pueden dar más peso a presentaciones difíciles por su valor didáctico. La evaluación tampoco reproduce la comunicación con pacientes, los historiales clínicos completos ni pruebas multimodales como imágenes. No midió la seguridad de los tratamientos ni el seguimiento a largo plazo.
La comparación con médicos se hizo con profesionales individuales, no con equipos de especialistas. El artículo declara que todos sus autores trabajan en Microsoft y poseen acciones de la compañía; también indica que el estudio no recibió financiación externa a Microsoft.
El 22 de octubre de 2026, Microsoft anunció que prevé realizar una evaluación prospectiva con Beth Israel Deaconess Medical Center. El plan contempla que los pacientes reciban la atención habitual e interactúen en paralelo con DxO, cuyas recomendaciones se compararían con evaluaciones independientes de médicos.
