OpenAI o1 supera a los médicos en el diagnóstico de casos complejos de urgencias
Un estudio de Harvard y Stanford publicado en Science encontró que el último modelo LLM de OpenAI, o1, diagnostica correctamente el 78,3% de los casos clínicos complejos, superando a los médicos. La IA muestra su mayor ventaja durante el triaje inicial con información mínima del paciente.
Como alguien que ha observado la carrera de los algoritmos médicos desde dentro de la industria durante los últimos siete años, permítanme decir esto: Harvard y Stanford acaban de publicar más que un simple estudio. Publicaron un manifiesto sobre el fin de la 'era dorada' de la intuición médica en la medicina de urgencias. El artículo en Science es una capitulación elegantemente elaborada de los humanos frente a las máquinas en la parte más caótica del hospital, pero debajo de esta capitulación yace un acuerdo que remodelará el presupuesto de Medicare.
El núcleo: qué está sucediendo realmente
El profano ve el número 78,3% y piensa: 'El robot diagnostica mejor que el médico'. Esa es una visión superficial. La verdadera revolución es que OpenAI o1 gana no por conocimiento, sino por resiliencia al 'ruido de información'.
Cuando un paciente llega a urgencias con dolor abdominal, no trae un resumen de alta ordenado de libro de texto. Hay una mezcla de quejas inconexas, ataques de pánico y resultados de laboratorio borrosos. En ese momento, el médico humano activa 'heurísticas de disponibilidad': ve a un paciente obeso con dolor—piensa en vesícula biliar; ve a un migrante—subconscientemente busca tuberculosis. Estos son sesgos cognitivos grabados en las neuronas por miles de horas de práctica.
o1-preview, a diferencia de nosotros, no está sujeto a 'heurísticas afectivas'. El estudio mostró que en el punto de triaje, cuando la información es más escasa, la IA alcanzó un 67,1% de precisión frente al 50–55% de los médicos en vivo. Eso no es solo una brecha de 12–17 puntos porcentuales. Es la prueba de que el LLM procesa el 'silencio' en los datos mejor que los humanos. No intenta llenar el cuadro con estereotipos cuando faltan datos. Calcula probabilidades donde el médico empieza a adivinar.
Cronología y contexto
Este avance no ocurrió en el vacío. A principios de 2023, todos se reían de GPT-4 por fallar en escenarios clínicos básicos, confundiendo la secuencia de acciones en la RCP. En ese momento, parecía que el 'razonamiento' era el santo grial de la humanidad.
Hitos clave que llevaron a este momento:
- Septiembre de 2024: OpenAI lanza o1-preview. Los conocedores saben que inicialmente se probó en problemas matemáticos y programación, pero el equipo de Adam Rodman en Beth Israel Deaconess vio inmediatamente el potencial de Chain-of-Thought para la medicina.
- Otoño de 2024 – Invierno de 2025: Una carrera silenciosa entre Google DeepMind (con su Med-PaLM) y OpenAI para ser los primeros en publicar en una revista como Science. Harvard obtiene acceso a datos EHR sin procesar—un gran riesgo.
- Abril de 2026: Publicación en Science. La principal sorpresa no es que el modelo ganara en la selección de diagnósticos, sino que en la tarea de 'gestión clínica' (Grey Matters), o1 obtuvo una mediana del 89%, mientras que los médicos con acceso a Google y GPT-4 obtuvieron un mísero 34–41%. Esto significa que la IA gestiona los recursos hospitalarios mejor que los humanos.
Quién gana y quién pierde
Ganadores:
- Compañías de seguros (UnitedHealth Group, Elevance Health): Los principales beneficiarios. o1 demostró que puede funcionar excelentemente bajo escasez de información. Esto significa que el algoritmo puede colocarse en el 'punto de entrada' del sistema para reducir hospitalizaciones innecesarias. Si la IA dice que un paciente con dolor en el pecho no necesita troponina y un ECG cada 15 minutos, solo un antiácido y a casa, los ahorros serían de miles de millones de USD al año.
- Enfermeros de triaje: Su rol aumentará paradójicamente. Se convertirán en las 'manos de la IA' junto a la cama, ganando salarios por encima del mercado por su capacidad para verificar la entrada de la máquina.
- Startups de envoltura médica: Docenas de empresas comenzarán a vender 'o1 para radiología', 'o1 para patología', incluso si debajo del capó es solo una llamada a la API.
Perdedores:
- Médicos de ecografía y diagnóstico funcional en urgencias: Si o1 diagnostica con más precisión a partir de una historia escasa que un médico después de un examen, ¿por qué pagar $300 por un examen extendido cuando puedes pagar $0.03 por token?
- Sistema de residencia en EE. UU.: ¿Por qué pasar 7 años entrenando a un internista si su pensamiento clínico al graduarse es inferior al de un modelo entrenado durante 3 meses en un clúster de GPU? Los residentes en el estudio mostraron resultados desalentadores en la escala R-IDEA (puntuación perfecta en solo 16 de 80 casos, frente a 78 para o1). Esto desmoraliza todo el sistema de educación médica basado en el aprendizaje.
Lo que los medios no están diciendo
Ahora la parte más desagradable. Todos escriben sobre 'pruebas ciegas' donde los médicos no podían distinguir el texto humano del de la máquina (probabilidad de adivinanza 15% y 3%). Pero nadie dice que esto significa el colapso de la reproducibilidad diagnóstica.
La segunda idea clave se refiere a la 'curva de olvido'. El estudio mostró que el modelo maneja bien una instantánea única de una situación (triaje), pero la medicina de urgencias real es un proceso dinámico. El modelo no sigue al paciente en tiempo real; no ve cómo cambia el color de la piel o empeora la disnea. Trabaja con una instantánea textual. Por eso, en diagnósticos críticos 'que no se pueden pasar por alto', o1 no mostró una superioridad significativa sobre los humanos. La máquina es excelente jugando al '¿Qué? ¿Dónde? ¿Cuándo?' pero pobre manteniendo el pulso de un paciente moribundo.
Pronóstico: próximos 30 y 90 días
Primeros 30 días (hasta mediados de junio de 2026):
Comenzará lo que llamo una 'epidemia de versiones demo'. Cada centro médico estadounidense que se precie emitirá un comunicado de prensa sobre una asociación con OpenAI o Microsoft para pilotar una 'segunda opinión de IA'. Pero la implementación real no ocurrirá. El departamento legal de cualquier hospital se echará atrás: ¿quién va a la cárcel si o1 pasa por alto una disección aórtica? La FDA guarda silencio por ahora. También espere una ola de críticas de la Asociación Médica Estadounidense (AMA), insistiendo en que 'interpretación de datos' no es lo mismo que 'diagnóstico'.
Próximos 90 días (hasta septiembre de 2026):
El cambio clave será la integración multimodal. Actualmente, el modelo solo trabaja con texto, pero OpenAI ya ha lanzado o3. Espero filtraciones o preprints donde el modelo recibe no solo el texto de la queja, sino también imágenes de ultrasonido portátil y grabaciones de respiración. Una vez que o3 demuestre superioridad en la recopilación de datos multimodales, grandes redes como Kaiser Permanente comenzarán a integrarlo no como 'asistente' sino como el filtro de triaje principal en los departamentos de urgencias. Las inversiones en soluciones de PLN para urgencias caerán a cero porque nadie querrá competir con el gigante de Microsoft/OpenAI. El mercado de scripts de razonamiento clínico y pruebas para médicos simplemente será destruido.
— Editorial Team
