OpenAI o1 supera a los médicos en el diagnóstico a partir de datos de urgencias
Según una publicación en Science, el modelo de IA o1-preview alcanzó un 78,3 % de precisión en los casos más difíciles de NEJM, superando a los médicos humanos y a versiones anteriores de GPT-4. La mayor brecha a favor de la IA se observó durante la fase de triaje en urgencias, cuando se dispone de menos información sobre el paciente.
Mientras los titulares claman «la IA supera a los médicos en urgencias», la historia real es más matizada y preocupante. El 29 de abril de 2026, la revista Science publicó un estudio que no trata realmente de la victoria de un algoritmo, sino de un cambio en la metodología de la investigación médica con IA. Un equipo liderado por Peter Broder del Beth Israel Deaconess Medical Center y la Harvard Medical School realizó la primera comparación ciega del modelo OpenAI o1 con médicos humanos, no sobre viñetas de entrenamiento, sino sobre datos reales y no estructurados del servicio de urgencias, y demostró simultáneamente que el modelo falla precisamente donde las apuestas son más altas.
El núcleo: no reemplazar a los médicos, sino redefinir el estándar de evidencia
El estudio constó de seis experimentos. Cinco utilizaron casos clínicos estructurados; el sexto empleó 76 casos reales del servicio de urgencias del Beth Israel Deaconess Medical Center en Boston. En todas las etapas, el modelo o1 superó a los médicos: durante el triaje, la precisión del diagnóstico diferencial fue del 67,1 % frente al 55,3 % y el 50,0 % de dos médicos adjuntos. La brecha fue mayor precisamente cuando la información era mínima: en el primer contacto con el paciente.
Pero el hallazgo clave del estudio se oculta en los detalles. Los autores enfatizan que o1-preview no mostró una superioridad estadísticamente significativa sobre los médicos en la identificación de «diagnósticos que no se pueden pasar por alto»: condiciones cuya omisión es potencialmente mortal. El modelo genera brillantemente un diferencial amplio, pero no es mejor que un humano para identificar la amenaza principal. Esto no es una salvedad menor, sino un resultado central para la evaluación de la seguridad.
La metodología es impresionante: los diagnósticos generados por el modelo y por los médicos fueron evaluados por dos especialistas adicionales que no sabían si estaban analizando una respuesta humana o de una máquina. El cegamiento funcionó: los revisores identificaron correctamente la fuente solo en el 15 % y el 3 % de los casos, respectivamente. En otras palabras, los textos de o1 son clínicamente indistinguibles de los escritos por un médico competente.
Cronología y contexto: la carrera por los métodos de evaluación
El estudio no surgió en el vacío. Ya en la década de 1950, Ledley y Lusted propusieron los puntos de referencia basados en casos como estándar para evaluar sistemas informáticos médicos. Desde entonces, las conferencias clinicopatológicas de NEJM han servido como estándar de oro: cada generación de generadores de diagnóstico diferencial se ha probado con estos casos.
Hasta 2024, los modelos de aprendizaje automático para el diagnóstico eran tan débiles que la comparación con médicos carecía de sentido. La situación cambió con la llegada de GPT-4, que comenzó a acercarse al nivel humano en algunas tareas. o1-preview se convirtió en el primer modelo de razonamiento en someterse a pruebas ciegas a gran escala contra médicos de distintos niveles de formación.
Fundamentalmente nuevo en el diseño de Broder es el uso de registros reales de urgencias en lugar de viñetas depuradas. Esto aborda la principal crítica de trabajos anteriores: los casos de entrenamiento están bien estructurados, mientras que la información clínica real es caótica, redundante y contiene errores. El sexto experimento demostró que el modelo puede extraer señal del ruido tan bien como un clínico experimentado.
Quién gana y quién pierde
Ganan quienes apuestan por el «médico aumentado» en lugar del «médico reemplazado». OpenAI obtiene la validación de su arquitectura de razonamiento en el ámbito más exigente: la medicina. Esto fortalece la posición de la empresa en las negociaciones con redes hospitalarias y aseguradoras. La Harvard Medical School y BIDMC consolidan su estatus como centros de evaluación de IA clínica: una publicación en Science con metodología transparente crea una plantilla que otros replicarán.
Los desarrolladores de sistemas de apoyo a la decisión clínica de generaciones anteriores —verificadores de síntomas basados en redes bayesianas y reglas— quedan definitivamente obsoletos. Las startups que venden «médicos de IA» como entidades independientes también pierden: el estudio de Broder muestra claramente que el modelo no es seguro sin un médico precisamente en los puntos críticos.
Lo que los medios no dicen
El primer punto no obvio es el conflicto de intereses. Adam Rodman, uno de los coautores, es investigador visitante en Google DeepMind, y Eric Horvitz es empleado de Microsoft. Esto no compromete los datos, pero explica por qué el estudio se centra en las capacidades del modelo en lugar de los riesgos de su implementación.
El segundo punto es la limitación textual del modelo. o1 no tiene acceso a imágenes, datos de exploración física ni información auditiva. En medicina de urgencias, la apariencia, el olor y los sonidos respiratorios del paciente son señales críticas. Un modelo que solo trabaja con texto está fundamentalmente limitado.
El tercer y más importante aspecto es la brecha regulatoria. Simultáneamente con la publicación en Science, la revista Nature Medicine publicó dos artículos que exigen que la IA médica demuestre mejoras en los resultados clínicos, no solo precisión en puntos de referencia. Esta sincronización no es casual: la comunidad de investigación en IA reconoce que la mayoría de los sistemas implementados no han demostrado un beneficio real para los pacientes.
Pronóstico: los próximos 30 y 90 días
En los próximos 30 días, espero que al menos una gran red hospitalaria estadounidense —probablemente Mass General Brigham— anuncie planes para un estudio prospectivo de o1 como herramienta de «segunda opinión» en urgencias. No será un ECA, sino un estudio observacional que evalúe la concordancia entre los diagnósticos del modelo y el diagnóstico final al alta.
En el horizonte de 90 días, la FDA publicará un documento de debate sobre el estatus de los LLM como software de apoyo a la decisión clínica. La pregunta clave: si el modelo no supera a los médicos en la identificación de diagnósticos que no se pueden pasar por alto, ¿puede aprobarse para uso autónomo? La respuesta será casi con certeza negativa, lo que enfriará el mercado de «diagnosticadores de IA» pero acelerará el desarrollo de sistemas con supervisión humana.
El pronóstico principal: el estudio de Broder se convertirá en un precedente que cambie el estándar para evaluar la IA médica. A partir de ahora, no basta con mostrar precisión en un punto de referencia: se requiere comparación ciega con médicos sobre datos reales y análisis de seguridad obligatorio en puntos críticos. Las startups que no estén preparadas para este nivel de validación perderán el acceso al capital de riesgo en un plazo de 12 meses. Esto no es una crisis, sino una maduración del mercado: la medicina exige no solo precisión, sino seguridad demostrable.
— Editorial Team
