GPT-5 frente a cuatro casos clínicos: cómo le fue y qué es HealthBench

GPT-5 se publicó el 7 de agosto de 2025 y OpenAI lo presentó como su modelo más inteligente, rápido y útil hasta ese momento. En su anuncio dedica una sección entera a la salud: dice que es su mejor modelo hasta la fecha para preguntas de salud y que puntúa bastante más alto que cualquier modelo anterior en HealthBench.

Había visto muchas comparativas de GPT-5 contra Claude o Gemini, pero ninguna que lo pusiera a prueba en el campo de la salud. Por eso preparé esta. En uno de los ejemplos de OpenAI, un usuario pregunta cómo le afecta que su madre haya tenido cáncer: o3 contesta con una tabla bastante buena, y GPT-5 empieza con un «siento que estés pasando por esto», con algo más de empatía, entre muchas comillas.

Un benchmark es una prueba de evaluación que mide el rendimiento de un modelo en un campo concreto. HealthBench es el de salud, y OpenAI lo presentó el 12 de mayo de 2025.

• Quién lo hizo: 262 profesionales médicos de 60 países, que definieron a mano qué debía contener una buena respuesta en cada escenario. Es decir, escribieron la rúbrica.
• Con qué: 5.000 conversaciones realistas sobre salud y 48.562 criterios únicos repartidos entre ellas.
• Quién corrige: no los médicos, sino otra IA. GPT-4.1 actúa como juez: lee la respuesta del modelo y marca qué criterios cumple y cuáles no. La IA evaluando a la IA.
• Qué mide: siete temas, entre ellos derivaciones de emergencia, responder con incertidumbre, tareas con datos de salud, salud global y comunicación adaptada a la experiencia. No mide solo si diagnostica bien, también cómo se comunica.

Los ejemplos se pueden leer con calma en openai.com/index/healthbench.

Cuando grabé el vídeo, en ChatGPT aparecían cuatro opciones, más GPT-4o en modelos heredados, que habían vuelto a poner después de muchas quejas:

• Auto: GPT-5 decide si razona o no.
• Fast: responde directamente, sin razonar.
• Thinking: razona antes de contestar, como hacía o3.
• Pro: dedica todavía más tiempo a razonar.

Preparé varios casos ordenados de más fácil a más difícil. El primero era un lactante de 13 meses que, tras tomar por primera vez un helado con trozos de nuez, empieza a llorar, a rascarse la cara y a ponerse rojo. Un caso de libro. Copié el caso y escribí antes esto:

Te voy a pasar un caso clínico que he preparado, quiero que lo leas detenidamente y te tomes el tiempo necesario para darme el diagnóstico final.

Esa frase hizo que usara GPT-5 Thinking en lugar del modelo normal. Me pareció lo justo para medir su calidad; si quieres una respuesta directa, existe el botón para obtenerla rápido. Tras un minuto de razonamiento dio como diagnóstico final una anafilaxia grave tras ingerir nuez, y explicó por qué encajaba.

Una niña de 8 años operada cinco días antes de una apendicitis no complicada, que desde hace 48 horas orina mucho menos y está algo somnolienta. En la misma conversación le pedí que razonara la respuesta para darme un diagnóstico final.

Si pulsas sobre el razonamiento, ves su cadena de pensamiento: cómo evalúa lo que le das y cómo va llegando a la conclusión. Tras 1 minuto y 6 segundos dio una lesión renal aguda postoperatoria, el mismo diagnóstico que traía el caso.

Me salté el tercer caso que tenía preparado y pasé a uno más complejo: un niño de 9 años con cuatro semanas de fiebre, hematomas en las extremidades sin golpes claros y sangrados de nariz espontáneos. Esta vez le pedí que pensara la respuesta paso a paso.

A los 18 segundos me dijo que no podía mostrarme el razonamiento paso a paso, pero sí el diagnóstico final con un resumen de los hallazgos clave: leucemia linfoblástica aguda, que era el diagnóstico del caso. Además explicó por qué encajaba, qué diagnósticos alternativos había descartado y añadió una nota práctica con fines educativos. Para mí eso es lo importante: no basta con el diagnóstico, tiene que decir por qué ha llegado a él.

Para el último busqué algo realmente difícil: un PDF del Congreso Nacional de la Sociedad Española de Medicina Interna, con casos que se escapan a mi comprensión pero que traen su diagnóstico final. Elegí uno de poliartralgia (dolor en cuatro o más articulaciones) con cefalea, cuyo diagnóstico final era una infección por parvovirus B19.

Te voy a pasar un caso clínico realmente difícil y quiero que pienses paso a paso el diagnóstico final y me digas por qué has llegado a esa conclusión.

Tras 1 minuto y 27 segundos volvió a decir que no podía mostrar el razonamiento paso a paso y dio como diagnóstico una infección aguda por parvovirus B19. Lo clavó. Explicó por qué encajaba (la epidemiología, la serología y las pruebas de laboratorio del caso), dio alternativas menos probables, los pasos que seguiría para confirmarlo y un apartado de manejo orientativo.

Para apoyar a un profesional, creo que una IA debería dar varios diagnósticos, decir por qué ha llegado a ellos y ordenarlos por probabilidad. GPT-5 Thinking lo hizo bastante bien en estos casos: diagnóstico final, el porqué, alternativas y siguientes pasos.

• HealthBench (OpenAI)