Ciencia: La IA supera a los médicos en razonamiento clínico en casos reales de emergencia por primera vez
Un estudio en Science demostró que el modelo de lenguaje grande o1 de OpenAI superó a médicos certificados en diagnóstico, especialmente en triaje de emergencia con datos incompletos. En una prueba doble ciego con historiales reales de pacientes, la precisión de la IA fue mayor y los médicos no pudieron distinguir sus conclusiones de las humanas.
El artículo en Science del 30 de abril de 2026 no es solo un punto de referencia. Es un precedente legal envuelto en un protocolo científico. El grupo de Broder y Manrai no solo demostró que una máquina diagnostica mejor que un médico; crearon una base de evidencia que, en un plazo de 5 a 7 años, cambiará los estándares de negligencia médica y, paradójicamente, hará que el uso de la IA por parte de los médicos no sea un derecho, sino un deber.
El núcleo: qué está sucediendo realmente
El estudio, publicado en Science, comparó OpenAI o1 con cientos de médicos en activo en una prueba ciega sobre casos reales de emergencia del Beth Israel Deaconess Medical Center. El resultado: en la etapa de triaje, cuando los datos son mínimos, la precisión del modelo fue del 67,1 % frente al 55,3 % y el 50,0 % de dos médicos tratantes. Los revisores adivinaron si la conclusión fue escrita por un humano o una máquina solo el 15 % de las veces.
Pero la clave no son ni siquiera los números. El modelo o1-preview obtuvo un 89 % en las pruebas Grey Matters de tácticas de manejo, mientras que los médicos con acceso a GPT-4 obtuvieron un 41 % y los médicos con herramientas estándar un 34 %. Esto significa que tener un especialista en vivo entre el paciente y el algoritmo no mejoró, sino que empeoró el resultado. El factor humano (exceso de confianza, sesgos cognitivos, fatiga) actuó no como un filtro, sino como un obstáculo.
Cronología y contexto
El camino hacia esta publicación tomó 65 años. En 1959, Ledley y Lusted publicaron un artículo en Science proponiendo que los casos clínicos complejos fueran el estándar de oro para evaluar sistemas informáticos médicos. Desde entonces, cada tecnología (desde naive Bayes hasta los verificadores de síntomas) se ha probado en tareas de NEJM.
Hasta 2023, las máquinas perdían frente a los médicos de forma tan evidente que los grupos de control humanos eran innecesarios. GPT-4 mostró por primera vez resultados que requerían comparación con humanos. En 2025, OpenAI lanzó o1-preview, un modelo con razonamiento lógico paso a paso (cadena de pensamiento), y a principios de 2026, el o1 completo. Investigadores de Harvard lograron realizar experimentos en la estrecha ventana entre el lanzamiento del modelo y su obsolescencia: hoy, los laboratorios ya están probando o3 y GPT-5.3 con capacidades multimodales.
Un detalle cronológico importante: el manuscrito fue aceptado en abril, y en mayo el mundo lo discute una generación tecnológica tarde. Lo que estamos leyendo ahora son noticias de ayer en la industria.
Quién gana y quién pierde
Ganadores:
OpenAI. El estudio se publicó en Science, no en una revista médica especializada. Esto le da a la compañía no un activo clínico, sino reputacional: la narrativa "el modelo piensa como un médico" se convierte en "piensa mejor que un médico". La valoración estimada de OpenAI después de cerrar su ronda en mayo de 2026 se acerca a los 400 mil millones de dólares, y cada publicación de este tipo añade entre 0,2 y 0,3 veces al multiplicador.
Startups médicas que ofrecen "segunda opinión" como servicio. Antes de la publicación, su producto era una herramienta opcional. Ahora tienen una cita de Science donde una IA sin médico supera a un médico con acceso a internet. Esto abre un mercado de ventas B2B a hospitales por valor de 8,4 mil millones de dólares.
Pacientes con diagnósticos raros y complejos. El modelo en casos CPC incluyó el diagnóstico correcto en la lista diferencial en el 78,3 % de los casos, y considerando diagnósticos "cercanos", en el 97,9 %. Esto significa que una segunda opinión de IA podría costar 14 dólares por inferencia en lugar de 2.500 dólares por una consulta en la Clínica Mayo.
Perdedores:
Médicos de atención primaria y emergencias. El estudio desmantela sistemáticamente la tesis defensiva "la IA es un asistente, no un reemplazo". Si la máquina supera a los humanos precisamente en condiciones de información incompleta (el principal argumento a favor de la intuición humana), entonces el valor del médico se desplaza de diagnosticador a comunicador y operador de procedimientos. Esto reduce el valor de mercado del trabajo cognitivo en medicina en un horizonte de 10 años.
Desarrolladores de sistemas CDS tradicionales. El resultado del 34 % para médicos con herramientas estándar frente al 89 % de o1-preview es una sentencia de muerte para bases de conocimiento como UpToDate e Isabel Healthcare si no integran modelos de razonamiento en su interfaz en los próximos 18 meses.
Fabricantes de software médico especializado. Cuando un modelo de propósito general supera a los expertos en su propio terreno, las soluciones de nicho pierden su propósito. ¿Por qué comprar software por 120.000 dólares al año si una suscripción API por 800 dólares al mes da un mejor resultado?
Lo que los medios no están diciendo
Primero: los autores del estudio tienen conflictos de interés que no se articulan en los titulares. Adam Rodman es investigador visitante en Google DeepMind. Eric Horvitz trabaja en Microsoft. Esto no desacredita los resultados, pero explica por qué el estudio probó específicamente OpenAI o1, no modelos competidores. Ninguna publicación de este nivel es neutral.
Segundo: el modelo no mostró superioridad en la métrica más importante: identificar "diagnósticos que no deben pasarse por alto". En las pruebas NEJM Healer, o1-preview identificó condiciones potencialmente mortales con una mediana de 0,92, pero la diferencia con los médicos no fue estadísticamente significativa. Esto es una bomba de tiempo: la IA puede ser más precisa en general, pero si omite meningitis o disección aórtica con la misma frecuencia que un humano, su implementación en cuidados de emergencia crea un riesgo de errores catastróficos.
Tercero: el costo de inferencia. Los investigadores mencionan que procesar un caso CPC en o1-preview cuesta entre 3,20 y 42,10 dólares según la complejidad. Si un departamento de emergencias atiende a 200 pacientes al día, ejecutar el modelo en cada uno costaría entre 640 y 8.420 dólares diarios, o entre 230.000 y 3 millones de dólares al año. Esto es comparable al salario de uno o dos médicos, y los administradores de hospitales calcularán exactamente eso.
Cuarto: el estudio probó texto, pero la medicina es multimodal. Un comentario editorial en Science afirma directamente que GPT-5.3 y Gemini 3.1 Pro ya procesan texto, imágenes, audio y video. Esto significa que la próxima publicación (probablemente en 6-8 meses) mostrará modelos multimodales superando a los médicos en tareas que requieren interpretación de imágenes y datos de examen físico. Los resultados de Broder son el límite inferior de las capacidades de la IA, no el techo.
Pronóstico: próximos 30 días y 90 días
30 días (para el 5 de junio de 2026):
Las compañías de seguros médicos, incluidas UnitedHealth Group y Aetna, comenzarán pruebas internas de segundas opiniones con LLM. Objetivo: entender si se pueden reducir los costos de consultas especializadas innecesarias. Los proyectos piloto se lanzarán en 3-5 redes grandes, cada una con un presupuesto de 2-4 millones de dólares.
JAMA y NEJM publicarán editoriales instando a la precaución. La retórica será: "resultados impresionantes, pero se necesitan ensayos prospectivos". Esta es una reacción defensiva estándar del establishment médico, que ve a la IA como una amenaza a su monopolio experto.
OpenAI y Google intensificarán las negociaciones con la FDA sobre un marco regulatorio para SaMD (Software como Dispositivo Médico) basado en modelos de razonamiento. La cuestión no es si dichos sistemas serán aprobados, sino qué clase de riesgo se les asignará: II o III. Esto determina el costo de entrada al mercado: 2 millones de dólares frente a 15 millones para ensayos clínicos.
90 días (para el 5 de agosto de 2026):
Aparecerán los primeros preprints con modelos multimodales en tareas clínicas. Se espera que GPT-5.3 con acceso a tomografías computarizadas y grabaciones de audio de la respiración supere a los neumólogos en el diagnóstico de enfermedades pulmonares intersticiales.
Comenzará la integración silenciosa de segundas opiniones con LLM en los departamentos de emergencia de cinco centros académicos líderes de EE. UU. Formalmente como protocolos de investigación, pero efectivamente como una herramienta de trabajo. Los médicos lo usarán como usan UpToDate hoy, pero sin revelarlo a los pacientes.
El precedente legal clave aún no ha ocurrido, pero sus contornos ya son visibles. La primera demanda en la que un abogado pregunte a un médico: "¿Por qué no usó una segunda opinión de IA, si los datos publicados en Science muestran su superioridad en el diagnóstico de emergencia?" cambiará el estándar de atención más rápido que cualquier guía clínica. El estudio de Broder y Manrai se convertirá en un documento citado en los tribunales, no como un artículo científico, sino como evidencia de que el estándar de atención ha evolucionado.
— Editorial Team
