¿Puede una IA manejar un caso clínico mejor que un médico?

87,8 % contra 78,1 %. En una simulación sobre casos reales de pacientes, un agente de IA llamado MIRA acertó más diagnósticos que médicos certificados. Pero hay una trampa en esa frase, y está en la palabra simulación.

Paper: Towards autonomous medical artificial intelligence agents — Ferber et al., Nature (2026) DOI: 10.1038/s41586-026-10675-5

🎬 Video: [Pendiente]

Qué es MIRA y qué midieron

MIRA (Medical Intelligence for Reasoning and Action) es un agente de IA que no solo conversa: opera dentro de una historia clínica electrónica simulada. Puede pedir análisis de sangre, ordenar imágenes, leer microbiología, armar un diagnóstico diferencial y hasta proponer un tratamiento o una hospitalización.

Lo pusieron a prueba con casos reales pero retrospectivos de MIMIC-IV —una base de datos de pacientes ya atendidos— dentro de una historia clínica de laboratorio. Los médicos certificados que sirvieron de comparación respondían bajo las mismas restricciones: sin paciente enfrente, con la misma información del expediente.

Esto es clave: no es «la IA contra tu médico en el consultorio». Es un banco de pruebas controlado. Todo lo que sigue sale del Source Data del paper (Figs. 3–5).

# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
COLOR_MIRA     = '#2563EB'   # Azul CaM — la IA
COLOR_MEDICOS  = '#DC2626'   # Rojo — médicos certificados (board-certified)
COLOR_SEGURO   = '#059669'   # Emerald — sin riesgo
COLOR_RIESGO   = '#D97706'   # Amber — riesgo potencial
FUENTE = 'Fuente: Ferber et al. (2026), Nature | Datos: Source Data Figs. 3-5 | Casos: MIMIC-IV (simulación)'

import os, urllib.request
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Estilo CaM (local → /tmp → GitHub raw)
style_file = '../../cam.mplstyle'
if not os.path.exists(style_file):
    style_file = '/tmp/cam.mplstyle'
    if not os.path.exists(style_file):
        urllib.request.urlretrieve(
            'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main/cam.mplstyle',
            style_file)
plt.style.use(style_file)

# Carga de los 5 datasets del Source Data
dx   = pd.read_csv('datos/diagnostico_mira_vs_medicos.csv')   # precisión por diagnóstico
tarea = pd.read_csv('datos/precision_por_tarea.csv')          # precisión por tarea clínica
seg  = pd.read_csv('datos/seguridad_medicacion.csv')          # chequeos de seguridad
ing  = pd.read_csv('datos/decision_ingreso.csv')              # matriz de ingresos
tr   = pd.read_csv('datos/transcripcion_recetas.csv')         # fidelidad de transcripción

overall = dx[dx['diagnostico'] == 'Overall'].iloc[0]
print(f"Diagnóstico global — MIRA {overall['precision_mira_pct']}%  vs  médicos {overall['precision_medicos_bc_pct']}%")
print(f"Ventaja de MIRA: +{overall['precision_mira_pct'] - overall['precision_medicos_bc_pct']:.1f} puntos porcentuales")
print(f"Enfermedades evaluadas: {len(dx) - 1}")
print(f"Escenarios de seguridad por chequeo: {int(seg[['seguro','probablemente_seguro','riesgo_potencial']].sum(axis=1).max())}")
print(f"Prescripciones transcritas: {int((tr['correcto'] + tr['incorrecto']).iloc[0])}")

Diagnóstico global — MIRA 87.8%  vs  médicos 78.1%
Ventaja de MIRA: +9.7 puntos porcentuales
Enfermedades evaluadas: 8
Escenarios de seguridad por chequeo: 56
Prescripciones transcritas: 468

El diagnóstico, enfermedad por enfermedad

Aquí está.

enf = dx[dx['diagnostico'] != 'Overall'].copy()
# Traducción de etiquetas al español
nombres = {
    'Appendicitis': 'Apendicitis', 'Cholecystitis': 'Colecistitis',
    'Diverticulitis': 'Diverticulitis', 'Lung Embolism': 'Embolia pulmonar',
    'Pancreatic Cancer': 'Cáncer de páncreas', 'Pancreatitis': 'Pancreatitis',
    'Pneumonia': 'Neumonía', 'Urinary Tract Infection': 'Infección urinaria',
}
enf['nombre'] = enf['diagnostico'].map(nombres)
enf = enf.sort_values('precision_mira_pct')   # peor arriba visualmente invertido
y = np.arange(len(enf))

fig, ax = plt.subplots(figsize=(13, 5.5))
# Segmento entre médicos y MIRA
for yi, (_, r) in zip(y, enf.iterrows()):
    ax.plot([r['precision_medicos_bc_pct'], r['precision_mira_pct']], [yi, yi],
            color='#BBBBBB', linewidth=2, zorder=1)
ax.scatter(enf['precision_medicos_bc_pct'], y, color=COLOR_MEDICOS, s=90,
           edgecolors='white', linewidths=0.8, zorder=5)
ax.scatter(enf['precision_mira_pct'], y, color=COLOR_MIRA, s=90,
           edgecolors='white', linewidths=0.8, zorder=5)

ax.set_yticks(y)
ax.set_yticklabels(enf['nombre'], fontsize=10)
ax.set_xlabel('Precisión diagnóstica (%)')
ax.set_xlim(50, 105)
# Línea del promedio global de cada uno
ax.axvline(overall['precision_mira_pct'], color=COLOR_MIRA, ls=':', lw=1, alpha=0.5)
ax.axvline(overall['precision_medicos_bc_pct'], color=COLOR_MEDICOS, ls=':', lw=1, alpha=0.5)

# Inline labels sobre la fila superior
top = len(enf) - 1
ax.text(enf['precision_mira_pct'].iloc[-1] + 1.2, top + 0.35, 'MIRA',
        color=COLOR_MIRA, fontweight='bold', fontsize=10, ha='left')
ax.text(enf['precision_medicos_bc_pct'].iloc[-1] - 1.2, top + 0.35, 'Médicos',
        color=COLOR_MEDICOS, fontweight='bold', fontsize=10, ha='right')

ax.set_title('¿Quién acierta más, la IA o los médicos?', fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'En simulación sobre casos retrospectivos de MIMIC-IV — puntos: precisión por diagnóstico',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/diagnostico_dumbbell.png', dpi=200, bbox_inches='tight')
plt.show()

En los 8 diagnósticos, MIRA igualó o superó a los médicos: ganó en 7 y empató en cáncer de páncreas (85,7 % los dos). La distancia más grande aparece en neumonía —76,9 % contra 57,7 %, casi 20 puntos porcentuales— y en infección urinaria.

Pero fíjate en la escala de la izquierda: esas dos enfermedades rondan el 75 % incluso para MIRA. Ni la IA ni los médicos aciertan siempre. El margen es real, no una goleada, y todo esto ocurre con el expediente ya cerrado, sin un paciente que se queje de un síntoma nuevo.

¿Y si separamos el trabajo en tareas?

Un diagnóstico no es un solo acto. Hay que examinar, pedir sangre, cultivar microbios, leer una placa. ¿MIRA gana en todas?

tnombres = {'Examen fisico': 'Examen físico', 'Analisis de sangre': 'Análisis de sangre',
            'Microbiologia': 'Microbiología', 'Radiologia': 'Radiología'}
tarea = tarea.copy()
tarea['nombre'] = tarea['tarea_clinica'].map(tnombres)
x = np.arange(len(tarea))
w = 0.38

fig, ax = plt.subplots(figsize=(13, 5.5))
b1 = ax.bar(x - w/2, tarea['precision_mira_pct'], w, color=COLOR_MIRA, label='MIRA')
b2 = ax.bar(x + w/2, tarea['precision_medicos_bc_pct'], w, color=COLOR_MEDICOS, label='Médicos')
for bars in (b1, b2):
    for bar in bars:
        ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1.2,
                f'{bar.get_height():.1f}', ha='center', fontsize=9, color='#444444')

# Resaltar la única tarea donde ganan los médicos
rad_i = tarea.index[tarea['tarea_clinica'] == 'Radiologia'][0]
rad_pos = list(tarea['tarea_clinica']).index('Radiologia')
ax.annotate('Aquí ganan los médicos', xy=(rad_pos + w/2, tarea['precision_medicos_bc_pct'].iloc[rad_i] + 4),
            xytext=(rad_pos - 0.3, 82), fontsize=10, fontweight='bold', color=COLOR_MEDICOS,
            arrowprops=dict(arrowstyle='->', color=COLOR_MEDICOS, lw=1.5))

ax.set_xticks(x)
ax.set_xticklabels(tarea['nombre'], fontsize=10)
ax.set_ylabel('Precisión (%)')
ax.set_ylim(0, 108)
ax.legend(fontsize=10, loc='upper right', framealpha=0.9)
ax.set_title('¿En qué tareas gana cada uno?', fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Precisión por tarea clínica — sangre y microbiología son difíciles para ambos',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/precision_por_tarea.png', dpi=200, bbox_inches='tight')
plt.show()

Acá aparece lo incómodo: en radiología los médicos ganan (61,5 % contra 55,3 %). Y en microbiología y análisis de sangre ambos rinden bajo —por debajo del 52 %—, un recordatorio de que interpretar un laboratorio suelto, sin el resto del cuadro, es genuinamente difícil.

Más allá de acertar: ¿es seguro recetar?

Diagnosticar bien no basta. Un sistema que propone medicamentos tiene que no hacer daño. A MIRA le pusieron 56 escenarios por cada tipo de chequeo de seguridad: interacciones entre fármacos, dosis ajustada al riñón, alergias, prolongación del QT, opioides y duplicación terapéutica.

chk_nombres = {'DDI': 'Interacciones (DDI)', 'Renal dosing': 'Dosis renal',
               'Allergy': 'Alergia', 'QT': 'Prolongación QT',
               'Unsafe Opioid': 'Opioide inseguro', 'Duplication': 'Duplicación'}
seg = seg.copy()
seg['nombre'] = seg['chequeo'].map(chk_nombres)
seg = seg.iloc[::-1]   # invertir para lectura arriba-abajo
y = np.arange(len(seg))

fig, ax = plt.subplots(figsize=(13, 5.5))
ax.barh(y, seg['seguro'], color=COLOR_SEGURO, label='Seguro')
ax.barh(y, seg['probablemente_seguro'], left=seg['seguro'],
        color='#A7D8C4', label='Probablemente seguro')
ax.barh(y, seg['riesgo_potencial'], left=seg['seguro'] + seg['probablemente_seguro'],
        color=COLOR_RIESGO, label='Riesgo potencial')

# Marcar los 3 flags de duplicación
dup_i = list(seg['chequeo']).index('Duplication')
ax.annotate('3 flags de riesgo\n(todos aquí)', xy=(55, dup_i), xytext=(38, dup_i - 0.6),
            fontsize=9.5, fontweight='bold', color=COLOR_RIESGO,
            arrowprops=dict(arrowstyle='->', color=COLOR_RIESGO, lw=1.5))

ax.set_yticks(y)
ax.set_yticklabels(seg['nombre'], fontsize=10)
ax.set_xlabel('Escenarios (de 56)')
ax.set_xlim(0, 62)
ax.legend(fontsize=9, loc='lower right', framealpha=0.9)
ax.set_title('¿Recetó de forma segura?', fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Chequeos de seguridad de medicación — 0 escenarios inseguros, 3 con riesgo potencial',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/seguridad_medicacion.png', dpi=200, bbox_inches='tight')
plt.show()

De 56 escenarios por chequeo, ninguno resultó inseguro. Los únicos 3 avisos fueron por duplicación terapéutica —recetar dos cosas que hacen lo mismo—, el más leve de los problemas de la lista.

La decisión que más pesa: ¿ingresar o mandar a casa?

Mandar a un paciente a casa cuando debía quedarse es el error que más asusta. Veamos la matriz de aciertos y errores de MIRA en dos condiciones: embolia pulmonar y neumonía.

TP, FN = int(ing['TP'].sum()), int(ing['FN'].sum())
FP, TN = int(ing['FP'].sum()), int(ing['TN'].sum())
n = TP + FN + FP + TN
sens = TP / (TP + FN) * 100
espec = TN / (TN + FP) * 100

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(13, 5.5))

# --- Panel izquierdo: matriz de decisión de ingreso ---
cats = ['Ingreso\nacertado\n(TP)', 'Ingreso\nomitido\n(FN)',
        'Ingreso\nde más\n(FP)', 'Alta\nacertada\n(TN)']
vals = [TP, FN, FP, TN]
cols = [COLOR_SEGURO, COLOR_MEDICOS, COLOR_RIESGO, COLOR_SEGURO]
bars = ax1.bar(range(4), vals, color=cols, alpha=0.9)
for bar, v in zip(bars, vals):
    ax1.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.6,
             str(v), ha='center', fontsize=12, fontweight='bold')
ax1.set_xticks(range(4))
ax1.set_xticklabels(cats, fontsize=8.5)
ax1.set_ylabel('Casos')
ax1.set_ylim(0, max(vals) + 6)
ax1.set_title('Decisiones de ingreso', fontsize=12, fontweight='bold', pad=20)
ax1.text(0.5, 1.02, f'Sensibilidad {sens:.0f} %  ·  Especificidad {espec:.1f} %  ·  n = {n}',
         transform=ax1.transAxes, fontsize=9.5, color='#666666', ha='center')

# --- Panel derecho: fidelidad de transcripción por campo ---
fnombres = {'Dosage Text': 'Texto de dosis', 'Dosage Value': 'Valor de dosis',
            'Dosage Unit': 'Unidad de dosis', 'Period': 'Periodo',
            'Period Unit': 'Unidad de periodo', 'Frequency': 'Frecuencia', 'Route': 'Vía'}
tr = tr.copy()
tr['nombre'] = tr['campo'].map(fnombres)
tr['pct'] = tr['correcto'] / (tr['correcto'] + tr['incorrecto']) * 100
tr = tr.sort_values('pct')
yb = np.arange(len(tr))
colst = [COLOR_RIESGO if c == 'Route' else COLOR_MIRA for c in tr['campo']]
ax2.barh(yb, tr['pct'], color=colst, alpha=0.9)
for yi, p in zip(yb, tr['pct']):
    ax2.text(p - 0.4, yi, f'{p:.1f}', va='center', ha='right', fontsize=8.5, color='white', fontweight='bold')
ax2.set_yticks(yb)
ax2.set_yticklabels(tr['nombre'], fontsize=9)
ax2.set_xlim(95, 100.3)
ax2.set_xlabel('Transcripción correcta (%)')
ax2.set_title('Fidelidad al transcribir recetas', fontsize=12, fontweight='bold', pad=20)
ax2.text(0.5, 1.02, f'{int((tr["correcto"]+tr["incorrecto"]).iloc[0])} prescripciones — la "vía" es el campo más flojo',
         transform=ax2.transAxes, fontsize=9.5, color='#666666', ha='center')

fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/ingresos_transcripcion.png', dpi=200, bbox_inches='tight')
plt.show()

Lo que los datos soportan

Afirmación	¿Soportada?	Detalle
MIRA superó a los médicos en precisión diagnóstica global	✅	87,8 % vs 78,1 % (+9,7 pp); MIRA ≥ médicos en los 8 diagnósticos (gana 7, empata 1)
La mayor ventaja está en neumonía	✅	76,9 % vs 57,7 % (+19,2 pp). En infección urinaria: 75,6 % vs 60,0 %
No gana en todo	✅	En radiología los médicos ganan (61,5 % vs 55,3 %). Sangre y microbiología: ambos bajo 52 %
Recetó de forma segura	✅	0 de 56 escenarios inseguros por chequeo; solo 3 flags, todos de duplicación terapéutica
Nunca omitió un ingreso necesario	⚠️	En la muestra: 0 falsos negativos (sensibilidad 100 %), pero 9 falsos positivos (especificidad 78,6 %). Solo 2 condiciones, n = 80
Transcribe recetas con alta fidelidad	✅	98,7 % promedio sobre 468 prescripciones; el campo más flojo es la vía (96,8 %)

Limitaciones. Todo esto es una simulación sobre casos retrospectivos de MIMIC-IV, no un despliegue clínico real. Los médicos comparados respondían bajo las mismas restricciones (expediente cerrado, sin paciente presente). La sensibilidad del 100 % en ingresos se midió sobre 80 casos y solo 2 diagnósticos: es una señal, no una garantía. El propio paper pide estudios prospectivos del mundo real para hablar de generalización, seguridad y gobernanza.

Ahora tú

1. ¿Dónde fallan más los dos? Ordena dx por precision_medicos_bc_pct y busca las enfermedades donde incluso MIRA baja del 80 %. Pista: dx.sort_values('precision_medicos_bc_pct').

2. ¿Cuánto pesa la tarea que MIRA pierde? En la gráfica por tarea, los médicos ganan en radiología. Calcula el promedio de MIRA con y sin esa tarea. Pista: tarea[tarea.tarea_clinica != 'Radiologia']['precision_mira_pct'].mean().

3. El costo del falso positivo. MIRA ingresó de más 9 veces (FP) y nunca de menos (FN = 0). ¿Cómo cambia la especificidad si redujeras los FP a la mitad? Pista: TN / (TN + FP/2) * 100.

# --- EXPERIMENTA AQUÍ ---
# ¿Qué pasa con el promedio de MIRA si excluimos la tarea donde pierde (radiología)?
sin_radiologia = tarea[tarea['tarea_clinica'] != 'Radiologia']
prom_mira = sin_radiologia['precision_mira_pct'].mean()
prom_bc   = sin_radiologia['precision_medicos_bc_pct'].mean()
print(f"Sin radiología — MIRA: {prom_mira:.1f}%  |  Médicos: {prom_bc:.1f}%")
print(f"Ventaja de MIRA fuera de la tarea que pierde: +{prom_mira - prom_bc:.1f} pp")
# Cambia 'Radiologia' por 'Microbiologia' y observa cómo se encoge la ventaja.

Sin radiología — MIRA: 60.4%  |  Médicos: 49.1%
Ventaja de MIRA fuera de la tarea que pierde: +11.2 pp

Créditos y reproducibilidad

• Paper: Ferber et al. (2026), Nature. DOI: 10.1038/s41586-026-10675-5

• Datos: Source Data (Figs. 3–5) del propio artículo. Casos clínicos de MIMIC-IV (PhysioNet, acceso credencializado).

• Código de MIRA: Dyke-F/MIRA

• Este notebook: reproducible en el repo del Lab.

Fuentes

Paper: Towards autonomous medical artificial intelligence agents
Nature, 2026-06-17

Source Data: Datos de las Figs. 2–5 del artículo — precisión por diagnóstico y por tarea, seguridad de medicación, decisiones de ingreso y transcripción de recetas.

Datos clínicos: MIMIC-IV v2.2 (PhysioNet) — casos retrospectivos subyacentes (acceso credencializado; el notebook reproduce los valores publicados del Source Data).

17 afirmaciones verificadas contra estas fuentes