Análisis
Un estudio realizado por investigadores del Mass General Brigham evaluó el rendimiento de 21 chatbots de IA populares, incluyendo modelos avanzados como Claude 4.5 Opus, DeepSeek, Gemini 3.0 Pro, GPT-5 y Grok 4, en la tarea de diagnóstico diferencial médico. Los resultados indican que, con información básica del paciente (edad, sexo, síntomas), los modelos fallaron en proporcionar un diagnóstico adecuado en aproximadamente el 80% de los casos. Sin embargo, cuando se les proporcionó información clínica más completa, como análisis de laboratorio e imágenes diagnósticas, el rendimiento de la IA mejoró significativamente, alcanzando un diagnóstico correcto en más del 90% de los casos. La conclusión principal es que, si bien los LLM son efectivos con datos completos, aún presentan limitaciones significativas en las etapas iniciales del razonamiento clínico.
Hechos verificados
- 1Investigadores del Mass General Brigham evaluaron 21 chatbots de IA en diagnóstico diferencial médico.
- 2Modelos como Claude 4.5 Opus, DeepSeek, Gemini 3.0 Pro, GPT-5 y Grok 4 fueron parte del estudio.
- 3Con información básica (edad, sexo, síntomas), los chatbots fallaron en el diagnóstico diferencial en aproximadamente el 80% de los casos.
- 4El rendimiento de la IA mejoró a más del 90% de acierto cuando se proporcionó información clínica completa (análisis, imágenes).
- 5Los LLM son limitados en la fase inicial del razonamiento clínico, a pesar de su capacidad con datos completos.