MAI-DxO obtuvo una precisión del 83,2 % en casos clínicos del New England Journal of Medicine (NEJM) y del 80,3 % en registros de urgencias MIMIC-IV-ED, según un estudio publicado en Science el 22 de octubre de 2026. Son resultados de pruebas retrospectivas y basadas en texto: miden cómo resolvió el sistema casos históricos en SDBench, no su rendimiento al atender pacientes.
Qué puntuación obtuvo MAI-DxO en cada prueba
El estudio evaluó el Diagnostic Orchestrator de Microsoft, también llamado MAI-DxO, con GPT-5 en sus resultados principales. Comparó sus respuestas con las de médicos participantes en dos conjuntos distintos de casos históricos:
| Cohorte de SDBench | Casos históricos | MAI-DxO con GPT-5 | Médicos participantes | Condición de comparación |
| Casos clínico-patológicos del NEJM | 304 | 83,2 % | 36,1 % con referencias; 22,3 % sin ellas | Médicos generalistas individuales |
| MIMIC-IV-ED | 325 | 80,3 % | 46,8 % | Casos de urgencias con ingreso hospitalario |
GPT-5.5 aparece en una evaluación repetida por separado, con las mismas instrucciones y la misma orquestación. No es el modelo utilizado para las cifras principales de la tabla.
Cómo SDBench convierte casos históricos en una prueba interactiva
MAI-DxO coordina un modelo de lenguaje para que avance por etapas: parte de una descripción breve del caso, solicita datos de antecedentes o exploración, pide pruebas y revisa sus diagnósticos posibles antes de dar una respuesta final.
En SDBench, un agente llamado Gatekeeper entrega la información del registro clínico que corresponde a cada solicitud. Si el caso histórico no contiene el dato pedido, puede generar un resultado sintético neutral desde el punto de vista diagnóstico. Después, un agente Judge puntúa la respuesta con una rúbrica médica de cinco niveles; las puntuaciones 4 y 5 cuentan como correctas. La interacción es más elaborada que una pregunta única, pero parte de registros históricos y puede incluir respuestas generadas por la simulación.
Qué significan las cifras de precisión y coste
Los casos procedían de conferencias clínico-patológicas del NEJM y de episodios de urgencias que acabaron en ingreso. Eran casos patológicos, no una muestra de visitas habituales que incluyera pacientes sanos o problemas benignos. Por eso, los resultados no permiten calcular la tasa de falsos positivos en una población general ni trasladar directamente las puntuaciones a la práctica clínica. El estudio tampoco comparó MAI-DxO con equipos de especialistas: los médicos participantes eran individuos evaluados en condiciones controladas.
Los costes por caso son estimaciones del benchmark, no facturas ni ahorros clínicos observados. El estudio asignó 300 dólares estadounidenses a cada consulta médica y calculó los precios de las pruebas a partir de códigos CPT y del listado de cargos de Kaiser Permanente Washington de 2023. Ese cálculo no representa los costes de la sanidad española y no incorpora factores como el tiempo hasta obtener resultados, la disponibilidad de las pruebas o las diferencias entre proveedores y pagadores.
En los casos del NEJM, una configuración con presupuesto limitado obtuvo un 80,9 % de precisión con un coste estimado de 2.241 dólares por caso; otra alcanzó un 79,6 % por 1.303 dólares. La configuración de conjunto llegó al 84,5 % con un coste estimado de 8.945 dólares. La comparación muestra que las puntuaciones y los costes variaron según la configuración, sin demostrar ahorros en la atención de pacientes.
El artículo de Science identifica a todos sus autores como empleados de Microsoft y declara que tenían acciones de la empresa.
La evaluación hospitalaria que Microsoft describió como planificada
El 22 de octubre de 2026, Microsoft describió una evaluación prospectiva con Beth Israel Deaconess Medical Center para estudiar el razonamiento clínico en entornos hospitalarios, con interacción con pacientes y comparación con evaluaciones independientes de médicos. Ese trabajo se presentó como un plan, no como un resultado clínico del estudio publicado en Science.
