AegisDx: un marco de IA para diagnósticos más seguros supera a GPT-5 en la valoración de los médicos

Un equipo de investigación publicó en arXiv, en julio de 2026, la descripción de AegisDx, un marco para el diagnóstico diferencial seguro basado en grandes modelos de lenguaje. En un ensayo ciego con 43 historias clínicas reales del servicio de urgencias del Yale New Haven Health System, los médicos otorgaron a AegisDx una puntuación media de seguridad de 4.55 sobre 5, frente a 4.31 de GPT-5. La diferencia es estadísticamente significativa (p ajustada = 2.1×10⁻⁴).

Por qué un LLM convencional no basta para un diagnóstico seguro

Los errores de diagnóstico siguen siendo una de las principales amenazas para la seguridad del paciente. Los sistemas actuales basados en LLM suelen abordar el diagnóstico como una tarea de «una sola consulta»: el médico describe los síntomas y el modelo propone una hipótesis. Ese enfoque no ofrece protección frente a la omisión de afecciones potencialmente mortales y no verifica su propio razonamiento.

AegisDx funciona de forma radicalmente distinta. Sus autores describen su enfoque como razonamiento clínico hipotético-deductivo: el sistema genera primero una amplia lista de hipótesis y luego la va acotando paso a paso, contrastando cada uno con la evidencia médica. Los elementos clave de la arquitectura:

• Contratos de rol: cada componente LLM se encarga estrictamente de su propia tarea
• Resultados intermedios estructurados: cada paso del razonamiento queda registrado de forma explícita
• Interfaces de búsqueda de evidencia: las hipótesis se contrastan con la literatura médica en tiempo real
• Puertas de verificación: el diagnóstico final se comprueba antes de entregarse
• Cribado obligatorio must-not-miss: infarto, TEP, disección aórtica y meningitis. El sistema debe comprobarlos de forma explícita, así que no se pueden omitir por descuido

Qué mostraron los tres niveles de pruebas

Los autores compararon AegisDx con GPT-oss-120B usado directamente, sin restricciones adicionales. Para cada grupo de casos, la métrica principal fue la precisión Top-3: que el diagnóstico correcto aparezca entre las tres mejores hipótesis, lo que refleja la práctica clínica real.

• Casos de JAMA: precisión Top-3 de 59.9% frente a 52.1%
• Casos de NEJM: precisión Top-3 de 62.7% frente a 51.4%
• Annals of Emergency Medicine: 85.7% frente a 68.6%
• Diagnósticos críticos must-not-miss: AegisDx incluyó al menos una de estas afecciones en su top 3 en el 78.0% de los casos, frente al 52.0% del LLM por sí solo

La prueba más exigente fue la ciega con médicos clínicos: se compararon a ciegas 43 historias reales de urgencias con las conclusiones de GPT-5. Los participantes puntuaron mejor a AegisDx en el índice compuesto de seguridad: 4.55 frente a 4.31 en una escala de cinco puntos. En términos cualitativos, señalaron una mejora en la detección de diagnósticos potencialmente mortales y un razonamiento más transparente.

Qué significa

La mejora aportada por un marco estructurado resultó comparable a la que se obtiene escalando directamente el modelo, y los autores lo consideran la conclusión principal. Diseñar los sistemas de IA diagnóstica como cadenas de razonamiento seguras puede ser más productivo que perseguir la precisión predictiva en bruto, sobre todo en medicina de urgencias, donde un error de diagnóstico puede costar una vida. AegisDx se presenta no como sustituto del médico, sino como una herramienta transparente de apoyo a la decisión a pie de cama.

Preguntas frecuentes

¿Qué modelo de lenguaje usa AegisDx?

En los experimentos, los autores emplearon GPT-oss-120B como modelo base para todos los componentes. La arquitectura del marco no está atada a un LLM concreto y se diseñó para ser universal.

¿Con qué material clínico se realizaron las pruebas?

Los casos de la literatura proceden de NEJM, JAMA y Annals of Emergency Medicine. El ensayo ciego con médicos se realizó con 43 historias clínicas reales del servicio de urgencias del Yale New Haven Health System.