AegisDx: framework de AI para diagnóstico seguro superó a GPT-5 en la evaluación de médicos

Un grupo de investigación publicó una descripción de AegisDx en arXiv en julio de 2026 — un marco para diagnóstico diferencial seguro basado en grandes modelos de lenguaje. En un ensayo ciego de 43 historias reales de pacientes del departamento de emergencias del Yale New Haven Health System, AegisDx recibió una puntuación de seguridad promedio de 4.55 de 5 de los médicos en comparación con 4.31 para GPT-5 — una diferencia estadísticamente significativa (p ajustado = 2.1×10⁻⁴).

Por

Qué un LLM Ordinario No Es Suficiente para Diagnóstico Seguro

Los errores de diagnóstico siguen siendo una de las principales amenazas para la seguridad del paciente. Los sistemas LLM modernos generalmente abordan el diagnóstico como una tarea de "una sola consulta": un médico describe síntomas, el modelo proporciona una suposición. Este enfoque no tiene protección contra perder condiciones que amenazan la vida y no verifica su propio razonamiento.

AegisDx está estructurado fundamentalmente de manera diferente. Los autores llaman a su enfoque razonamiento clínico hipotético-deductivo: el sistema primero genera una amplia lista de hipótesis, luego las reduce sucesivamente, verificando cada paso contra la base de evidencia médica. Elementos clave de la arquitectura:

• Contratos de roles: cada componente LLM es estrictamente responsable de su tarea
• Conclusiones intermedias estructuradas: cada paso del razonamiento se registra explícitamente
• Interfaces de búsqueda de evidencia: las hipótesis se verifican contra la literatura médica en tiempo real
• Compuertas de verificación: el diagnóstico final se verifica antes de su salida
• Cribado obligatorio de must-not-miss: infarto de miocardio, embolia pulmonar, disección aórtica, meningitis — el sistema debe verificarlos explícitamente, es imposible omitirlos accidentalmente

Lo Que Mostraron Tres Niveles de Pruebas

Los autores compararon AegisDx con GPT-oss-120B utilizado directamente sin restricciones adicionales. Para cada grupo de casos, la métrica principal fue la precisión Top-3 — el diagnóstico correcto en las tres primeras predicciones, correspondiendo a la práctica clínica real.

• Casos JAMA: precisión Top-3 59.9% versus 52.1%
• Casos NEJM: precisión Top-3 62.7% versus 51.4%
• Annals of Emergency Medicine: 85.7% versus 68.6%
• Diagnósticos críticos de must-not-miss: AegisDx incluyó al menos una condición de este tipo en el top-3 en 78.0% de los casos versus 52.0% para LLM independiente

Más riguroso fue la prueba ciega con médicos clínicos: 43 registros reales del departamento de emergencias se compararon ciegamente con conclusiones de GPT-5. Los participantes calificaron a AegisDx más alto en una medida de seguridad agregada — 4.55 versus 4.31 en una escala de cinco puntos. Cualitativamente, notaron mejora en la identificación de diagnósticos que amenazan la vida y mayor transparencia en el razonamiento.

Lo Que Esto Significa

La ganancia del marco estructurado resultó comparable al escalado directo del modelo — y los autores consideran este el hallazgo principal. La ingeniería de sistemas de diagnóstico de IA como tuberías de razonamiento seguro puede ser más productiva que perseguir la precisión predictiva bruta — especialmente en medicina de emergencia, donde el error de diagnóstico cuesta vidas. AegisDx se posiciona no como un reemplazo para los médicos, sino como una herramienta transparente de apoyo a las decisiones en la cama del paciente.

Preguntas Frecuentes

¿Qué Modelo de Lenguaje Usa AegisDx?

En los experimentos, los autores utilizaron GPT-oss-120B como el modelo base para todos los componentes. La arquitectura del marco no está vinculada a ningún LLM en particular y fue diseñada como universal.

¿Qué Material Clínico Se Utilizó para las Pruebas?

Los casos de literatura fueron tomados de NEJM, JAMA y Annals of Emergency Medicine. El ensayo ciego con médicos se realizó en 43 historias de pacientes reales del departamento de emergencias del Yale New Haven Health System.