El nuevo orquestador de inteligencia artificial de Microsoft resuelve el 85.5% de los casos médicos y reduce los costes de diagnóstico.

Empresa de tecnología Microsoft presentó Microsoft AI Diagnostic Orchestrator (MAI-DxO), un sistema diseñado para simular un panel virtual de profesionales médicos con diferentes métodos de diagnóstico que trabajan en colaboración en casos clínicos. 

En las aplicaciones de IA generativa, un orquestador funciona como una capa de coordinación que gestiona los múltiples componentes que intervienen en la ejecución de una tarea compleja. En el ámbito sanitario, estos mecanismos de coordinación se consideran importantes debido a la naturaleza crítica de las decisiones médicas. En este caso, el orquestador se posiciona por encima de los grandes modelos de lenguaje, estructurando el proceso de diagnóstico paso a paso para minimizar posibles errores y mejorar la consistencia, la transparencia y la fiabilidad operativa. 

Los investigadores de Microsoft sugieren que la orquestación de múltiples modelos de lenguaje podría ser necesaria para gestionar flujos de trabajo clínicos complejos. Esta estrategia podría permitir una mejor integración de diversas fuentes de datos y proporcionar mayor seguridad y adaptabilidad en entornos sanitarios dinámicos. El diseño independiente del sistema también facilita la auditabilidad y la robustez. 

Los resultados de la evaluación presentados por Microsoft indican que MAI-DxO mejoró el rendimiento del diagnóstico en todos los modelos probados, y su mayor precisión (85.5 %) se logró cuando se combinó con OpenAIEl modelo o3 de [nombre del paciente] en un punto de referencia del New England Journal of Medicine (NEJM). En comparación, un grupo de 21 médicos de EE. UU. y el Reino Unido, cada uno con entre 5 y 20 años de experiencia, registró una precisión promedio del 20 % en las mismas tareas. 

El sistema MAI-DxO se puede configurar para funcionar dentro de los límites preestablecidos.defiParámetros de costo optimizados, lo que permite analizar las compensaciones entre la precisión diagnóstica y los gastos de las pruebas. Esta función busca evitar el exceso de pruebas ineficiente y optimizar los resultados. Hallazgos de Microsoft sugieren que MAI-DxO proporcionó una precisión diagnóstica mejorada y redujo los costos de pruebas en comparación con los médicos o los modelos de IA individuales.

La IA supera los límites médicos tradicionales al combinar una amplia experiencia especializada y ofrecer un soporte diagnóstico rentable.

Los profesionales médicos suelen clasificarse según el alcance o enfoque de su especialización. Los médicos generales, como los médicos de familia, suelen abordar una amplia gama de problemas de salud en diferentes grupos de edad y sistemas orgánicos. En cambio, los especialistas se centran en áreas específicas, como la reumatología, y a menudo dedican su práctica a una sola afección o sistema. 

Sin embargo, ningún médico puede abordar de forma integral todo el espectro de casos clínicos presentados en conjuntos de datos complejos como la serie de casos del NEJM. La IA, en cambio, no está sujeta a estas limitaciones. Puede incorporar conocimientos tanto amplios como especializados, aplicando el razonamiento clínico de maneras que, en varios ámbitos, superan lo que un solo experto humano podría lograr. Este nivel de razonamiento tiene implicaciones para la estructura de la prestación de servicios de salud. Los sistemas de IA pueden facilitar la gestión de la atención rutinaria dirigida por el paciente y proporcionar a los profesionales clínicos herramientas mejoradas para la toma de decisiones en casos más complejos. Los datos también indican que estos sistemas tienen el potencial de reducir los gastos de salud. En Estados Unidos, los costos de la atención médica se acercan a una quinta parte del PIB nacional, y una gran parte —estimada en alrededor del 25%— se atribuye a ineficiencias o intervenciones con un beneficio clínico limitado. 

Una característica distintiva de esta investigación reside en la inclusión de consideraciones económicas. Si bien los costos reales difieren según la región y el modelo de atención médica, y a menudo incluyen variables posteriores que no se miden aquí, se aplicó una metodología uniforme a todos los agentes y profesionales clínicos para evaluar las compensaciones entre la efectividad diagnóstica y el consumo de recursos. Esta investigación representa una exploración inicial de estas dinámicas. Se requiere más investigación antes de... sistemas de IA generativa Se pueden integrar plenamente en la práctica clínica. Las pruebas en condiciones reales, la supervisión regulatoria y la evaluación basada en la evidencia serán esenciales para garantizar que estas herramientas cumplan con los estándares de seguridad y eficacia. Se están realizando esfuerzos de colaboración con instituciones sanitarias para respaldar una evaluación exhaustiva antes de cualquier posible implementación a gran escala.