Microsoft Research publicó el 17 de noviembre de 2026 un episodio de podcast que pregunta cómo sería la medicina con IA, y los invitados coinciden en algo directo: la investigación avanza más rápido que los hospitales. El episodio «Can AI help build a healthier future?» forma parte de la serie The Shape of Things to Come, conducida por Doug Burger.

Lo acompañan tres invitados. Eric Horvitz es director científico de Microsoft, Ava Amini es gerente principal de investigación en Microsoft Research y colíder del Project Ex Vivo con el Broad Institute, y el Dr. Eric Topol es vicepresidente ejecutivo de Scripps Research. Entre todos abordan el diagnóstico, las imágenes médicas, los modelos de paciente completo, las células virtuales y el descubrimiento de fármacos.

¿Qué informó el equipo de Microsoft sobre el diagnóstico con IA?

Eric Horvitz describió un cambio en la forma de evaluar la IA diagnóstica. En lugar de entregar al modelo un expediente terminado, su equipo lo puso en el lugar de un clínico: parte de un motivo de consulta y algo de historial, y luego decide qué preguntas hacer, qué estudios pedir según su costo y cuándo dar un diagnóstico, incluso con incertidumbre. Lo llama el reto del diagnóstico secuencial.

La página de la publicación en Microsoft Research da las cifras principales:

  • el sistema de IA, que simula un panel de médicos, alcanzó 83,2 % de exactitud en casos clinicopatológicos del New England Journal of Medicine
  • alcanzó 80,3 % en ingresos a urgencias de MIMIC-IV-ED
  • los médicos generalistas obtuvieron 36,1 y 46,8 % en los dos conjuntos, respectivamente

El resumen aclara que estos resultados vienen de un entorno de prueba controlado. Horvitz dijo algo parecido en el episodio: la comparación con los generalistas debe leerse con sus limitaciones. Topol lo calificó como el primer sistema agéntico que supera a los médicos y a otros modelos de frontera, con una exactitud «casi doble» y a menor costo.

¿Por qué dice Topol que la IA ya probada no llega a los pacientes?

Topol sostuvo que el campo se volcó a la IA generativa y dejó de lado lo mejor demostrado: el análisis de imágenes médicas como la retina, la radiografía de tórax y el electrocardiograma. Citó un ensayo aleatorizado en mamografía con más de cien mil mujeres y 44 ensayos aleatorizados en colonoscopia, que siguen guardados en revistas.

Su explicación es de adopción, no de ciencia. Los sistemas de salud trabajan con márgenes estrechos, la profesión cambia con lentitud y ni los médicos ni los pacientes exigen estas herramientas. Dijo que sigue esperando que esa investigación llegue a la atención y sugirió que la presión de médicos o pacientes podría moverla.

¿Qué son los modelos de paciente completo y las células virtuales?

Topol describió los modelos de paciente completo como la siguiente fase: expedientes electrónicos junto con imágenes en bruto, genómica, proteómica y exposoma. La meta es predecir enfermedades y su momento probable, probar escenarios hipotéticos y pasar de decir «está en riesgo» a hacer posible la prevención. Espera modelos de paciente completo maduros antes que una célula virtual, que según él está lejos.

Amini explicó que la biología opera a varias escalas, de moléculas a células y sistemas de órganos, y que conectarlas es un reto difícil de aprendizaje automático. Su principal preocupación es la implementación: qué resolverán estos modelos y cómo los adoptarán los científicos experimentales. La colaboración con el Broad Institute busca construir ese vínculo desde la base.

¿Qué frena a la IA en la biología?

Los datos, según Topol y Amini. Topol recordó que AlphaFold funcionó porque ya existía el Protein Data Bank, y dijo que no hay nada comparable en ciencias de la vida ni en medicina. Amini quiere conjuntos de datos centrados en la actividad, que relacionen la secuencia de una proteína con su función a gran escala.

Amini y Horvitz también describieron el uso de modelos para guiar experimentos, de modo que el tiempo de laboratorio se dedique a las opciones más prometedoras y bajen costos y plazos. Amini fue clara: el mundo real siempre será el cuello de botella.

Precios

La página del episodio no indica ningún precio. Ofrece reproducción de video, transcripción completa y enlaces de suscripción para Apple Podcasts, Spotify, correo, Android y RSS.

A quién le sirve

Lectores que siguen la IA en medicina. El episodio muestra a investigadores de Microsoft y a un médico científico externo coincidiendo, discrepando y matizando sus propias afirmaciones.

Directivos de hospitales y sistemas de salud. El argumento de Topol trata las barreras de adopción, como costos, márgenes e incentivos.

Estudiantes e investigadores de biología y aprendizaje automático. La discusión sobre datos y validación muestra de dónde deben venir los próximos avances.

Quien busque orientación de salud. Es una conversación sobre investigación, no un consejo médico. Para dudas sobre su propia salud, consulte a un profesional calificado.

Lo que aún no se sabe

El episodio no da fecha para el uso clínico de estos sistemas, y los resultados del artículo son de pruebas controladas. Los propios invitados dicen que aún faltan implementación, mejores datos biológicos y validación en el mundo real.

Para profundizar, abra la página del episodio en el sitio de Microsoft Research para ver la transcripción y luego la página de la publicación para leer el resumen completo.