Este trabajo analiza la fiabilidad diagnóstica de tres modelos de inteligencia artificial basados en procesamiento del lenguaje natural: ChatGPT-4o, DeepSeek-V3 y Grok-3. Se evaluaron sus capacidades mediante 20 casos clínicos seleccionados de The New England Journal of Medicine, aplicando seis prompts en castellano e inglés, con el fin de valorar su precisión en el diagnóstico diferencial, diagnóstico definitivo y grado de confianza en sus respuestas. Se emplearon pruebas estadísticas como el test Q de Cochran, test de McNemar y chi-cuadrado. Los resultados muestran que todos los modelos presentan un buen rendimiento en la generación de diagnósticos diferenciales (hasta un 90 % de aciertos), pero disminuyen notablemente en la precisión del diagnóstico único (en torno al 50–60 %). ChatGPT mostró un rendimiento estable en ambos idiomas, mientras que DeepSeek y Grok fueron más precisos en inglés. No se encontraron diferencias estadísticamente significativas entre los modelos ni entre idiomas.

Grado en Medicina

32 p.