MAI-DxO es un sistema que coordina distintas funciones de un modelo de lenguaje para reunir datos clínicos por etapas antes de proponer un diagnóstico. En el benchmark textual SDBench, alcanzó un 83,2 % de precisión en casos del New England Journal of Medicine (NEJM) y un 80,3 % en episodios de MIMIC-IV-ED; los médicos participantes obtuvieron un 36,1 % y un 46,8 %, respectivamente. Los resultados describen casos simulados, no atención clínica.
La comparación de NEJM reúne evaluaciones de distinto tamaño: la cifra de MAI-DxO abarca 304 casos y la de los médicos, 56 casos reservados. Eso importa para interpretar los porcentajes como resultados de un benchmark, no como una prueba clínica equivalente.
Cómo funciona SDBench
SDBench convirtió 304 casos de conferencias clinicopatológicas de NEJM y 325 episodios de urgencias de MIMIC-IV-ED en encuentros de texto por etapas. El sistema podía pedir antecedentes o datos de exploración, solicitar pruebas y decidir cuándo emitir un diagnóstico. Un agente intermediario, llamado Gatekeeper, respondía a esas solicitudes a partir del registro del caso; si faltaba un dato, podía generar un resultado sintético neutral para el diagnóstico.
MAI-DxO simulaba cinco funciones: proponer hipótesis, elegir pruebas, cuestionar el diagnóstico, vigilar el uso de pruebas y repasar una lista de comprobación. Una rúbrica de cinco niveles puntuaba cada diagnóstico; las notas 4 y 5 contaban como correctas porque, según el criterio del estudio, no cambiarían el manejo del caso. GPT-5 produjo los principales resultados comunicados.
Microsoft muestra el proceso en un caso simulado de una mujer de 29 años con inflamación y sangrado alrededor de la amígdala. El sistema solicita antecedentes y análisis, actualiza sus hipótesis y pide una tomografía y una biopsia antes de proponer un rabdomiosarcoma embrionario. La demostración está narrada en inglés.
Qué significan las cifras de precisión
| Conjunto de casos | Precisión de MAI-DxO | Precisión de los médicos participantes |
| NEJM: 304 casos para MAI-DxO y 56 casos reservados para la evaluación médica | 83,2 % | 36,1 % con recursos de consulta |
| MIMIC-IV-ED: 325 episodios de urgencias | 80,3 % | 46,8 % |
En la evaluación de NEJM, los médicos podían consultar recursos de referencia, pero no usar IA generativa. La comparación no enfrentó a ambos grupos con el mismo número de casos: MAI-DxO se evaluó sobre los 304 casos y los médicos sobre los 56 reservados. En MIMIC-IV-ED, el estudio comunicó los promedios de precisión de ambos grupos.
El coste depende de la configuración
Los costes estimados cambian según la configuración de MAI-DxO y el nivel de precisión obtenido. En los casos de NEJM, la configuración que alcanzó un 83,2 % tuvo un coste estimado superior al promedio de los médicos con consulta de referencias; otras configuraciones de menor coste lograron menos precisión.
| Grupo o configuración en NEJM | Precisión diagnóstica | Coste estimado por caso, en dólares estadounidenses |
| MAI-DxO, sin límite presupuestario | 83,2 % | 5.431 |
| MAI-DxO, configuración con presupuesto | 80,9 % | 2.241 |
| MAI-DxO, configuración con presupuesto | 79,6 % | 1.303 |
| MAI-DxO, configuración orientada a la precisión | 84,5 % | 8.945 |
| Médicos participantes, con recursos de consulta | 36,1 % | 4.725 |
El estudio calculó los importes mediante correspondencias con códigos CPT y la lista de cargos hospitalarios de Kaiser Permanente Washington de 2023. Asignó además un coste fijo de 300 dólares a las consultas de historia clínica y exploración. Son estimaciones comparativas en dólares estadounidenses, no facturas reales ni precios de la atención sanitaria en España.
Qué queda fuera del benchmark
SDBench no incluyó casos sanos o benignos, la incertidumbre habitual de las conversaciones con pacientes, exploraciones físicas en condiciones clínicas, imágenes u otros datos multimodales, decisiones terapéuticas, evaluación de seguridad ni seguimiento de resultados a largo plazo. La comparación médica fue con profesionales generalistas individuales, no con especialistas ni equipos multidisciplinares. Los autores señalaron que esos resultados no permiten concluir que MAI-DxO supere a especialistas, equipos o la práctica clínica real.
Los investigadores reservaron los 56 casos más recientes de NEJM, publicados en 2024 y 2025, fuera del desarrollo de la orquestación. La mayoría apareció después de las fechas de corte de entrenamiento de los modelos, aunque los autores reconocieron que algunos casos de NEJM de acceso público podrían haber formado parte de esos datos. El artículo identifica a todos los autores como empleados de Microsoft con participaciones en la empresa y declara que el estudio no recibió financiación externa.
La evaluación prospectiva anunciada por Microsoft
El 22 de octubre de 2026, Microsoft anunció un plan para evaluar MAI-DxO de forma prospectiva con Beth Israel Deaconess Medical Center. El plan contempla que pacientes interactúen con el sistema y que su rendimiento se compare con evaluaciones independientes de médicos; el comunicado presentó la investigación como planificada, sin resultados clínicos finalizados.
