El 22 de octubre de 2026, Science publicó un estudio en el que DxO, el sistema de diagnóstico de Microsoft también llamado MAI-DxO, alcanzó un 83,2 % de precisión con GPT-5 en 304 casos de conferencias clinicopatológicas del New England Journal of Medicine (NEJM). En otros 325 casos de urgencias de MIMIC-IV-ED obtuvo un 80,3 %. Son resultados de SDBench, un benchmark interactivo basado en texto.
Las cifras miden la capacidad de resolver esos casos bajo las condiciones del estudio. No son tasas de acierto en la atención médica habitual ni resultados clínicos en pacientes.
Cómo evalúa SDBench el diagnóstico
SDBench convierte cada caso en una secuencia de decisiones: el sistema puede pedir antecedentes, solicitar pruebas o presentar un diagnóstico. DxO coordina las etapas y un agente Gatekeeper devuelve la información del caso. Un evaluador aplica una rúbrica de cinco niveles redactada por médicos; las puntuaciones de 4 o 5 cuentan como correctas.
Una demostración de Microsoft publicada en 2025 recorre un caso paso a paso, con preguntas, pruebas y seguimiento de costes. Es un ejemplo del flujo de trabajo, no una medida de los resultados publicados en 2026.
Resultados en los dos conjuntos de casos
| Conjunto de datos | Casos | DxO con GPT-5 | Promedio de los médicos |
| Casos CPC de NEJM | 304 | 83,2 % | 36,1 % |
| MIMIC-IV-ED, casos de urgencias hasta el ingreso | 325 | 80,3 % | 46,8 % |
La comparación médica de NEJM requiere un matiz importante: los médicos trabajaron con una muestra reservada de 56 casos, mientras que el resultado de DxO se calculó sobre los 304. Los médicos de esa prueba podían consultar referencias, pero no usar IA generativa. Por tanto, el 83,2 % y el 36,1 % no corresponden a una comparación sobre el mismo número de casos.
En MIMIC-IV-ED, el estudio comunica un promedio médico del 46,8 %. Los autores describen el conjunto como más cercano al flujo habitual de urgencias que los casos seleccionados de NEJM, aunque sigue siendo una evaluación controlada y textual.
Qué significan las estimaciones de coste
El estudio asignó códigos CPT a las pruebas solicitadas y calculó su coste con el chargemaster de Kaiser Permanente Washington de 2023, una lista de cargos de un sistema sanitario estadounidense. Sumó además un coste fijo de 300 dólares por visita médica. Son estimaciones estandarizadas del benchmark, no facturas de pacientes ni costes aplicables a España.
En los casos de NEJM, la configuración de GPT-5 sin límite de presupuesto alcanzó un 83,2 % con un coste estimado de 5.431 dólares por caso. Otras configuraciones obtuvieron un 80,9 % con 2.241 dólares y un 79,6 % con 1.303 dólares. Una configuración de conjunto orientada a maximizar la precisión llegó al 84,5 % con un coste de 8.945 dólares. Cada cifra describe un punto de funcionamiento distinto, no un ahorro universal.
Qué alcance tienen los resultados
El benchmark evalúa razonamiento diagnóstico en texto. No incorpora información multimodal como imágenes, ondas o preparaciones de anatomía patológica, y excluye encuentros sanos o benignos. La puntuación mide si el diagnóstico es correcto según la rúbrica, no la seguridad del tratamiento ni la evolución posterior del paciente.
Los autores señalan que el estudio no demuestra superioridad frente a especialistas, equipos multidisciplinares o la práctica clínica real. También declaran que todos eran empleados de Microsoft y tenían acciones de la compañía.
Por qué circulan cifras distintas
La versión de 2025 publicada en arXiv describía una evaluación anterior centrada en o3. Incluía un 85,5 % para una configuración orientada a maximizar la precisión y un promedio médico del 20 %. Esas cifras corresponden a otra versión del estudio, con modelos, configuraciones y condiciones de comparación diferentes de las del artículo de Science de 2026.
La evaluación prospectiva anunciada por Microsoft
Microsoft anunció que realizaría una evaluación prospectiva con pacientes y valoraciones independientes de médicos en Beth Israel Deaconess Medical Center. Esa evaluación futura es distinta del benchmark de SDBench y no forma parte de los resultados publicados por Science.
