AMIE en videoconsulta: un sistema multiagente de Google supera a médicos de familia en un OSCE simulado, con la cámara de los médicos apagada

Un equipo de cuarenta autores de Google Research y Google DeepMind sometió a AMIE, su agente conversacional médico, a un examen clínico objetivo estructurado (OSCE) por videoconsulta: 100 escenarios interpretados por 15 actores profesionales, con diez médicos de atención primaria estadounidenses como brazo de comparación. AMIE identifica el diagnóstico principal correcto en 0,91 de los casos frente a 0,77 de los médicos, y añadir vídeo eleva su puntuación de «observación y exploración» de 0,41 a 0,74. Ahora bien, el protocolo exigía a los médicos comparados mantener la cámara apagada, restringía los cuadros clínicos a lo que un actor puede representar, y los propios actores —los únicos que vivieron realmente la consulta— solo hallaron diferencia significativa en 2 de los 29 criterios que puntuaban.

El contexto

AMIE (Articulate Medical Intelligence Explorer) es la línea de trabajo de Google sobre agentes de diálogo diagnóstico. Las versiones anteriores conversaban por escrito: un paciente simulado teclea sus síntomas, el agente pregunta y produce un diagnóstico diferencial y un plan de manejo. Esos trabajos comunicaron puntuaciones superiores a las de médicos situados en el mismo formato textual.

La objeción evidente es que la atención primaria no se practica por chat. Una consulta, incluso a distancia, se apoya en la voz, en el ritmo y sobre todo en lo que el clínico ve: la marcha, la respiración, la coloración cutánea, la forma en que un paciente se protege el abdomen. La teleconsulta por vídeo tiene además su propio corpus de recomendaciones sobre qué partes de la exploración física siguen siendo factibles a distancia: el paciente se autopalpa, se desplaza y reorienta la cámara guiado por el clínico.

Pasar del texto al vídeo en tiempo real plantea tres problemas técnicos distintos. La latencia: un buen razonamiento clínico exige varios segundos de cómputo, pero un silencio de veinte segundos vuelve la conversación impracticable. La percepción: hay que interpretar un flujo audiovisual continuo, no una imagen aislada. La robustez: encuadre aproximado, ruido de fondo, iluminación variable. Este artículo, depositado en arXiv el 10 de agosto de 2026, se propone resolverlos y medir el resultado.

El método

AMIE (Video) es un sistema multiagente asíncrono: varios módulos funcionan en paralelo a ritmos distintos en lugar de encadenarse. Tres agentes, construidos sobre Gemini 3 Flash y Gemini 3.1 Pro.

El Talker sostiene la conversación en tiempo real. Para mantenerse rápido trabaja con un presupuesto de cómputo mínimo y solo mira los últimos cinco segundos de vídeo. También actúa como orquestador: consolida los estados de los otros dos agentes, el historial completo del diálogo y las imágenes recientes.

El Planner sostiene el razonamiento clínico: resumen de síntomas, diagnóstico diferencial, plan de manejo y una lista de objetivos conversacionales en curso (información por recoger, maniobras por solicitar). Se actualiza en cada turno del paciente, pero su razonamiento profundo está limitado a una invocación cada diez segundos de diálogo.

El agente Perception invoca Gemini 3.1 Pro sobre una ventana de vídeo ampliada y mantiene una memoria acumulativa de todos los indicios audiovisuales detectados. Los autores construyeron previamente una taxonomía de esos indicios, estructurada en 14 áreas (abdominal, cardiovascular, dermatológica, HEENT, neurológica, conducta de dolor, entorno e instalación, etc.) con una calificación de viabilidad en teleconsulta que va de alta a «inaccesible por audio-vídeo».

Un punto importante: no se realizó ningún entrenamiento ni ajuste fino. Los tres agentes se orquestan mediante prompting, es decir, con instrucciones textuales dadas a modelos Gemini públicos. Eso hace el resultado conceptualmente más reproducible y, a la vez, enteramente dependiente de modelos cerrados.

La ganancia de ingeniería más clara es la latencia: la orquestación asíncrona reduce el retardo medio por turno de 21,4 segundos [IC 95 %: 20,3–23,0] a 2,6 segundos [2,3–2,8] respecto a una arquitectura secuencial anterior.

El protocolo de evaluación. Cien escenarios clínicos fueron redactados por una organización canadiense especializada en OSCE y verificados después por médicos de familia estadounidenses certificados. Cubren cinco dominios —cardiopulmonar, abdominal, HEENT, neurología y psiquiatría, musculoesquelético— con dos casos «sin enfermedad» por dominio. Cada escenario lleva una rúbrica de 20 puntos específica del caso.

Cada escenario se ejecutó tres veces: AMIE por vídeo, AMIE solo texto y un médico por vídeo. Son 300 consultas. Quince actores profesionales (7 mujeres, 8 hombres, de 20 a 75 años) interpretaron los papeles. Diez médicos de familia estadounidenses certificados, con 4,5 años de ejercicio de media tras la residencia (rango 1–9), formaron el brazo humano. Otros veinte médicos de primaria independientes, claramente más experimentados (14,95 años de media), puntuaron las grabaciones. El estudio se describe como parcialmente ciego: los evaluadores no conocían la fuente, pero la voz sintética de AMIE sigue siendo identificable.

Un detalle del protocolo condiciona toda la lectura: los médicos del brazo humano debían mantener la cámara apagada durante toda la consulta, para «controlar» la comparación con AMIE, que no tiene avatar. Ellos veían al paciente; el paciente no los veía a ellos.

Los resultados

En diagnóstico diferencial, AMIE (Video) sitúa el diagnóstico correcto en primer lugar en 0,91 de los casos [0,85–0,96], frente a 0,77 [0,68–0,85] de los médicos (p = 0,039). Sobre 100 escenarios eso son 14 casos más con el diagnóstico principal acertado. En top-3 la brecha baja a 0,98 frente a 0,90 y deja de ser significativa (p = 0,179). La pertinencia del diferencial (0,89 frente a 0,80, p = 1,05 × 10⁻³) y su exhaustividad (0,88 frente a 0,73, p = 2,38 × 10⁻⁶) separan más nítidamente los brazos.

En las rúbricas de 20 puntos propias de cada caso, la puntuación global es de 0,83 [0,81–0,86] para AMIE (Video), 0,75 para AMIE (Text) y 0,68 [0,64–0,72] para los médicos. El dominio que abre la brecha es «percepción y exploración»: 0,74 frente a 0,41 en la versión texto y 0,47 en los médicos. En el criterio aislado de observación física, 0,77 frente a 0,30 (texto) y 0,51 (médicos); en exploración guiada, 0,72 frente a 0,51 y 0,39.

De los 36 criterios puntuados por los evaluadores clínicos, 26 favorecen significativamente a AMIE (Video) sobre los médicos tras la corrección de Benjamini-Hochberg, y ninguno favorece significativamente a los médicos. La pertinencia del plan de manejo es 0,79 frente a 0,68 (p = 7,55 × 10⁻³). El criterio «evitar la confabulación» queda en empate estricto: 0,93 para AMIE (Video), 0,95 para AMIE (Text), 0,93 para los médicos (p = 1,0).

El resultado más interesante es el que contradice a los demás. Los actores, que puntuaban 29 criterios tras cada consulta, solo hallaron dos diferencias significativas respecto a los médicos: «evaluar mi estado» (0,91 frente a 0,81) y «explicarme mi estado» (0,88 frente a 0,79). En varios criterios relacionales la dirección se invierte a favor de los médicos sin alcanzar significación: construir una relación de colaboración (0,66 frente a 0,74), interesarse por mí como persona (0,67 frente a 0,77). Las grandes brechas que vieron los evaluadores en empatía (0,82 frente a 0,71) y habilidades interpersonales (0,96 frente a 0,83) no aparecen en la vivencia de los pacientes simulados.

Por último, la percepción sigue siendo muy desigual según lo que haya que ver. Por áreas: conducta de dolor 88 %, dermatológica 75 %, musculoesquelética 70 %, pero comunicación y conducta 44 % y entorno e instalación 46 %. En signos concretos el desplome es claro: nistagmo 3 %, temblor 24 %, estado afectivo 29 %.

Lo que está bien

La arquitectura asíncrona resuelve un problema real y lo demuestra con una cifra. Pasar de 21,4 a 2,6 segundos de latencia media por turno no es cosmética: es la diferencia entre una demostración y una conversación. Separar Talker / Planner / Perception con un presupuesto de cómputo deliberadamente asimétrico es una respuesta de ingeniería limpia al conflicto entre calidad del razonamiento y tiempo de respuesta.

La ablación aísla honestamente la aportación de cada agente. En el banco monoturno de 500 escenarios, el sistema completo obtiene 59 %, el agente Perception solo 58 % y el Talker solo 42 %. Los propios autores muestran, pues, que la mayor parte de la ganancia viene de la percepción y no de la orquestación global. En multiturno, 87 % frente a 71 % con solo el Talker.

Los fallos de percepción se publican con detalle. Un artículo promocional habría dado la media. Este publica la tabla por signo, incluidos el 3 % en nistagmo y el 24 % en temblor. Esa granularidad es lo que hace el trabajo criticable, y por tanto útil.

Lo que está menos bien

El comparador está sesgado, y de varias maneras a la vez. Es el modo de fallo más clásico de la literatura de IA en salud, y aquí es estructural. Los médicos comparados tenían la cámara apagada, y luego se les penaliza en las rúbricas de comunicación y empatía por un déficit relacional en una consulta en la que el paciente no veía su rostro. Tenían 4,5 años de ejercicio de media, mientras los evaluadores tenían 15. No disponían de historia clínica, ni antecedentes, ni pruebas complementarias, ni posibilidad de revisar al paciente: es decir, de ninguna de las palancas que dan valor a un médico de familia real. Los autores reconocen explícitamente que la cámara apagada reduce la validez ecológica del brazo humano.

El paciente es un actor y el cuadro clínico se eligió por ser representable. El protocolo excluye deliberadamente pediatría, dermatología («los actores no pueden demostrarla»), obstetricia, ginecología, seguimiento de enfermedad crónica y exploraciones íntimas. Los autores señalan además la dificultad para reclutar actores mayores, lo que infrarrepresenta la enfermedad cardiovascular grave y la EPOC. Lo que se evalúa no es la medicina de familia: es el subconjunto de la medicina de familia que un actor puede reproducir ante una webcam. A ello se suma un sesgo de población clásico, por la exclusión de hecho de pacientes con baja alfabetización digital.

Los jueces son lectores, no pacientes, y ambos discrepan. Veintiséis de treinta y seis criterios favorecen a AMIE según clínicos que ven una grabación; los actores que vivieron el encuentro retienen solo dos. Una rúbrica puntuada sobre transcripción premia mecánicamente lo que un LLM hace bien: estructura, exhaustividad, reformulación explícita. El sesgo se agrava por un cegamiento solo parcial: la voz sintética es reconocible y el brazo texto es estructuralmente identificable. Que añadir vídeo no mejore en absoluto el diagnóstico (0,91 frente a 0,90 en texto, p = 0,862) sugiere además que estos escenarios ya saturan en modalidad texto, algo que los autores conceden.

Por último, sobre la independencia: los cuarenta autores son empleados de Google Research o Google DeepMind, el estudio está financiado por Alphabet, y no se publican ni el código, ni los pesos, ni las grabaciones, ni los escenarios. Los autores justifican la retención por el riesgo de uso no supervisado en contexto médico —argumento defendible, pero que hace imposible cualquier replicación independiente—. En el preprint no consta ninguna declaración de aprobación ética.

Lo que cambia

Para la comunidad investigadora, la aportación neta es la arquitectura y la taxonomía de indicios audiovisuales, no la puntuación. Que el agente Perception por sí solo recupere casi toda la ganancia (58 % frente al 59 % del sistema completo) es una señal fuerte: el cuello de botella de los agentes clínicos en vídeo es la percepción, no el razonamiento. Es una línea de trabajo directamente accionable, incluso para equipos sin acceso a Gemini.

Para los clínicos, hoy no cambia nada, y los autores lo dicen. Lo que merece atención es el resultado de exploración guiada (0,72 frente a 0,39): un agente que sabe pedir a un paciente que se levante, camine, presione en un punto concreto y reoriente la cámara lo hace mejor, en ese punto, que médicos en teleconsulta. No es un reemplazo: es una lista de comprobación procedimental que la práctica humana ejecuta mal cuando va con prisa.

Para los pacientes y el público, conviene prudencia sobre lo que significa el 0,91. No describe el rendimiento de una IA ante un paciente real: describe el rendimiento de un sistema ante un actor que interpreta un caso escrito de antemano, frente a un médico privado de cámara, de historia clínica y de pruebas. El resultado significativo que conviene retener quizá no sea ese, sino el desfase entre el juicio de los evaluadores y el de los pacientes simulados: lo que unos clínicos puntúan como consulta empática no es necesariamente lo que un paciente siente como tal.

Para saber más

El preprint está disponible en arXiv (2608.09861) bajo licencia CC BY 4.0, con las tablas completas de resultados en el anexo. No se publica código, pesos ni conjunto de datos. Los modelos subyacentes (Gemini 3 Flash, Gemini 3.1 Pro) están documentados en sus respectivas tarjetas de modelo. Para el marco de referencia sobre la exploración física factible en teleconsulta, véanse las recomendaciones del HHS estadounidense citadas por los autores.