MedGPT, según un reporte, gana 88 a 12 a 250 médicos de hospitales chinos de máximo nivel; la ablación apunta al proceso
Según un reporte de Xinzhiyuan del 12 de noviembre de 2026, un estudio multicéntrico con 40 casos difíciles de cáncer de pulmón afirma que MedGPT, de Future Doctor, superó a 250 médicos de hospitales chinos de máximo nivel por 88 a 12 en el recuento por caso; los médicos sin asistencia promediaron 53.26 puntos frente a 85.29 de MedGPT. La ablación descrita en el reporte indica que quitar el proceso resta casi 24 puntos, y el reporte no aclara si los pesos o una API están abiertos.
Qué ha cambiado
Según el reporte de Xinzhiyuan del 12 de noviembre de 2026, Future Doctor realizó junto con servicios de cirugía torácica de hospitales chinos de máximo nivel un estudio multicéntrico: de 100 casos complejos de cáncer de pulmón se seleccionaron como examen 40 casos difíciles en los que las recomendaciones de las guías no eran claras. Veinte expertos redactaron antes de ver las respuestas 6 reglas de puntuación por caso, 240 en total, de las cuales 40 eran líneas rojas de seguridad. La comparación fue con 250 médicos de hospitales de máximo nivel provenientes de 98 instituciones sanitarias, más del 60% de ellos médicos jefes o médicos jefes adjuntos. El reporte afirma que sin asistencia el grupo de médicos promedió 53.26 puntos y MedGPT 85.29; en comparaciones uno a uno por caso frente a 750 planes de médicos sin asistencia, MedGPT puntuó más alto 660 veces, con un marcador reportado de 88 a 12, y sus respuestas fueron más de un 40% más cortas que las de los médicos. El reporte ofrece además una comparación de modelos bajo otro criterio de puntuación: MedGPT 96.22 en conjunto, frente a GPT-5.4, Claude Opus 4.7 y Gemini 3.1 Pro con 71.38, 61.81 y 54.62 respectivamente. El mismo reporte señala que en el experimento de ablación, desmontar todo el proceso y dejar que el modelo base responda directamente reduce casi 24 puntos, y retirar solo el módulo de consulta multidisciplinaria reduce 16 puntos; en la dimensión de colaboración humano-máquina, los médicos sin asistencia obtienen 53.40, con solo referencias de búsqueda 61.05, y tras revisar el informe completo de estrategia 66.27.
Impacto para desarrolladores
La parte de este sistema que aporta valor a los desarrolladores no está en un modelo concreto, sino en el proceso. El reporte describe tres etapas: al ingresar, la literatura se descompone en unidades de evidencia que registran una sola conclusión, extraídas del texto original por un programa, y el modelo solo puede citarlas, no generarlas; la información del paciente se organiza en una tabla de estado que se actualiza con los resultados de las pruebas y cuya actualización requiere la firma del médico; y hasta seis agentes especializados emiten cada uno su opinión conservando las discrepancias tal cual, y se genera una ruta estándar, una ruta de frontera y tareas de verificación, que pasan por simulación con pacientes virtuales y una revisión adversarial en cinco dimensiones —seguridad, riesgo de cola, evidencia y dosis, ejecución temporal y valor marginal—, donde el resultado solo puede conservarse, corregirse o descartarse, y normalmente hacen falta dos o tres rondas para aprobarlo. Para equipos que construyen agentes verticales, estas son restricciones de diseño trasladables, no capacidades de modelo listas para invocar. Hay que aclarar que el reporte habla de MedGPT, de Future Doctor, como un sistema cerrado: no menciona que sus pesos sean abiertos ni ofrece información sobre API o licencias para desarrolladores, así que para los usuarios de API esta noticia cambia métodos de evaluación y decisiones de arquitectura, no una opción de integración reemplazable de inmediato. Otro punto fácil de pasar por alto: el mismo reporte da tanto resultados de sistema con recuperación y revisión multiagente, como 96.22 frente a 71.38, como admite que quitar el proceso resta unos 24 puntos; leyendo ambos conjuntos de cifras en conjunto se llega a un juicio condicional: esa comparación se acerca más a un proceso completo contra modelos desnudos y no debería tomarse como una clasificación de capacidad de modelos bajo el mismo andamiaje.
Integración y evaluación
Lo que sigue es análisis condicional, no hechos del reporte. Primero, cuantificar el proceso antes de tocar el modelo base. El cambio que describe el reporte son las cifras de la ablación: desmontar todo el proceso y dejar solo el modelo base respondiendo directamente resta casi 24 puntos; retirar únicamente el módulo de consulta multidisciplinaria resta 16. La decisión es convertir primero la capa de recuperación de evidencia, la consulta multiagente y la revisión adversarial en interruptores que se puedan apagar uno por uno, y solo después hablar de cambiar de modelo. Esta recomendación solo se sostiene si tienes reglas de puntuación estables y definidas de antemano; si el criterio sigue cambiando, la diferencia medida no distingue entre módulos y criterios de evaluación. Un indicador medible es la diferencia de puntuación al activar y desactivar cada módulo bajo el mismo conjunto de reglas, registrando también la longitud de las respuestas, porque el reporte afirma que las respuestas del sistema son más de un 40% más cortas que las de los médicos y un salto brusco de longitud suele indicar que la puntuación se compra con palabras. Segundo, la disyuntiva entre una base de evidencia estructurada y la generación aumentada por recuperación convencional. El reporte dice que la evidencia se descompone al ingresar en unidades que registran una sola conclusión, que solo un programa puede extraer del texto original y que el modelo solo puede citar; solo para cáncer de pulmón se descompusieron más de trece mil artículos, generando más de doscientas mil unidades de evidencia estructurada. Debes decidir si inviertes primero personas en esa capa de evidencia o si aguantas con recuperación aumentada convencional. Sus premisas son que el coste de las alucinaciones sea alto, que el dominio tenga textos verificables como guías y prospectos de medicamentos, y que haya quien valide la calidad de la extracción; si el corpus es desordenado y las preguntas son muy abiertas, hacer primero recuperación es más realista. Un indicador medible es la precisión de las citas, es decir, si la cita extraída respalda realmente esa conclusión, y la proporción de cifras no rastreables en la salida. Tercero, evaluar sistema contra sistema y modelo contra modelo por separado. El cambio que describe el reporte es que ofrece dos conjuntos de cifras a la vez: en la comparación de modelos, MedGPT 96.22 frente a los GPT-5.4 71.38, Claude Opus 4.7 61.81 y Gemini 3.1 Pro 54.62 que lista el reporte; en la dimensión de colaboración humano-máquina, 53.40, 61.05 y 66.27. La decisión es correr al menos dos líneas base sobre tu propio conjunto de casos —el sistema completo y el modelo base sin andamiaje— en lugar de comparar el sistema ajeno con recuperación y revisión contra tu modelo desnudo. La premisa es poder replicar el proceso del otro; si no puedes, usa como control la versión de tu propio sistema con interruptores. Un indicador medible es si el orden se mantiene al cambiar de criterio: si se invierte, la conclusión es sensible al andamiaje y no sirve para elegir. Cuarto, elegir con claridad la forma de la intervención humana. El reporte dice que cuando solo se dan referencias de búsqueda los médicos obtienen 61.05 y que tras revisar el informe completo de estrategia llegan a 66.27, y que la actualización de la tabla de estado del paciente solo cuenta con la firma del médico. La elección es si el producto muestra solo fragmentos recuperados o entrega un informe completo de estrategia para revisión conservando un punto de confirmación con firma. Depende de si el proceso ya tiene un paso de confirmación atribuible y de si la longitud del informe excede el presupuesto de tiempo del revisor. Un indicador medible es la diferencia de puntuación entre las dos ramas —solo recuperación e informe completo— sobre los mismos casos, y la proporción real de modificaciones que hacen los médicos a los planes.
Límites y cuestiones pendientes
Las reglas de puntuación del reporte fueron redactadas de antemano por expertos convocados por el equipo de investigación, los casos son solo 40 y se concentran en un único tipo de cáncer, y el reporte no menciona replicación independiente por terceros: estas cifras deben considerarse resultados autoinformados bajo el criterio de los investigadores; las valoraciones de expertos de primera línea que cita el reporte provienen del propio reporte y son opiniones de apoyo. Los nombres de versiones de modelos y las puntuaciones que aparecen en el reporte no pueden verificarse fuera de esa fuente. Las tres series de cifras —comparación humano-máquina, comparación de modelos y colaboración humano-máquina— usan criterios distintos, y el propio reporte los diferencia: no son convertibles entre sí ni ordenables directamente. Lo más importante: MedGPT, de Future Doctor, no tiene actualmente una entrada correspondiente en KimiSeek y no debe tratarse como un modelo ya publicado en esa plataforma; el reporte tampoco indica si sus pesos son abiertos, si ofrece una API para desarrolladores ni bajo qué licencia, así que cualquier información sobre integración y disponibilidad debe tomarse del fabricante.