Evaluación comparativa de ChatGPT-4o y ChatGPT-5.1 para la puntuación automatizada de síntomas del tracto urinario inferior

Resumen ejecutivo
Este estudio compara el rendimiento de los modelos ChatGPT-4o y ChatGPT-5.1 en la puntuación automatizada de síntomas del tracto urinario inferior (LUTS) a partir de narrativas clínicas documentadas por médicos.
Qué problema aborda
Los síntomas del tracto urinario inferior (LUTS) son comúnmente cuantificados mediante instrumentos validados como el International Prostate Symptom Score (IPSS) y el Overactive Bladder Symptom Score (OABSS). Sin embargo, en la práctica clínica rutinaria, los cuestionarios estructurados no siempre se administran, lo que lleva a los clínicos a depender de la documentación narrativa. Este estudio investiga la estabilidad del rendimiento de modelos de lenguaje generativo en la puntuación automatizada de síntomas a través de una comparación directa entre ChatGPT-4o y ChatGPT-5.1.
Qué hicieron los autores
Los autores realizaron un análisis retrospectivo de un cohort de pacientes ambulatorios, evaluando el rendimiento de los modelos ChatGPT-4o y ChatGPT-5.1 para estimar las puntuaciones relacionadas con LUTS a partir de narrativas clínicas. Se ingresaron las narrativas de síntomas documentadas en registros médicos electrónicos directamente en cada modelo utilizando los mismos prompts. Las puntuaciones reales de IPSS y OABSS se obtuvieron de cuestionarios completados por los pacientes, y se evaluó el rendimiento predictivo utilizando métricas como el error absoluto medio (MAE), el error cuadrático medio (RMSE) y coeficientes de correlación.
Qué encontraron
El análisis incluyó a 91 pacientes, con una edad media de 71.9 años. Los resultados mostraron que para la predicción de IPSS, los valores de MAE/RMSE fueron 4.88/6.34 para ChatGPT-4o y 4.92/7.01 para ChatGPT-5.1, sin diferencias significativas entre los modelos. Para la predicción de OABSS, los valores fueron 1.88/2.76 y 2.03/2.93, respectivamente, nuevamente sin diferencias significativas. La concordancia fue moderada para IPSS y más alta para OABSS. La precisión de clasificación superó 0.85 para ambos resultados, y el análisis ROC mostró un rendimiento discriminativo comparable entre las versiones del modelo.
Limitaciones
El texto disponible no detalla limitaciones específicas del estudio.
Lectura final
Los hallazgos sugieren que los modelos de IA generativa, como ChatGPT-4o y ChatGPT-5.1, pueden ser herramientas útiles para la cuantificación automatizada de síntomas en la práctica urológica real. La estabilidad en el rendimiento entre generaciones de modelos indica un potencial significativo para mejorar la eficiencia en la evaluación de síntomas del tracto urinario inferior.
Sigue leyendo
Lectura clínica
Información editorial dirigida a profesionales de la salud. No sustituye la evaluación clínica, las guías vigentes ni el juicio médico.
Clasificación editorial automática
Fuente original
También en el radar
Inteligencia artificialInteligencia artificial y sueño
17 de noviembre de 2026
Inteligencia artificialInteligencia artificial en biomateriales y bioingeniería
17 de noviembre de 2026
Inteligencia artificialInteligencia artificial en cirugía estética
17 de noviembre de 2026
Inteligencia artificialApple añade nuevos controles de disco para evitar que los agentes de IA se descontrolen
17 de noviembre de 2026
¿Quieres más contexto?
Cada semana seleccionamos las señales de IA que importan, con foco en medicina.
Únete a la lista de RADAR
Te avisaremos cuando publiquemos el primer boletín y recibirás una selección breve de las señales de IA que realmente importan.
