Els anomenats models de raonament, que abans de respondre elaboren una cadena de passos intermedis, s'han presentat com un salt endavant per a tasques complexes com el diagnòstic mèdic. Fins ara, però, hi havia poques proves de com es comporten amb historials clínics reals i llargs, i encara menys de si són segurs: un diagnòstic de més pot portar a proves i tractaments innecessaris.
Un equip de la Universitat Tsinghua, la Universitat de Hong Kong, la Facultat de Medicina de Harvard i el Massachusetts General Hospital, entre altres centres, ho ha mesurat amb AIMS-LDR, una prova feta a partir d'historials electrònics reals de 12 especialitats. Han comparat sis parelles de models: cadascuna amb la versió que raona i la versió convencional equivalent. Els que raonen encerten més el diagnòstic principal i proposen alternatives més pertinents, però donen més d'un 34% més de diagnòstics falsos i són al voltant d'un 40% menys reproduïbles, és a dir, canvien més la resposta si se'ls fa la mateixa pregunta. El resultat es repeteix amb diferents instruccions, paràmetres i maneres d'avaluar.
Els autors proposen un repartiment de feines: el model amplia la llista de possibilitats i el metge en comprova la fiabilitat. En una validació amb 15 metges, aquesta col·laboració estructurada va augmentar un 20% la precisió diagnòstica i va reduir un 44% els falsos positius. La conclusió és que raonar més no vol dir ser més segur, i que la manera de fer servir aquestes eines a la consulta importa tant com el model.
Els mateixos autors avisen que els resultats s'han obtingut en condicions controlades i amb dades retrospectives, no amb pacients atesos en temps real, i que cal un estudi prospectiu abans de fer-los servir a la clínica. La validació amb metges és petita, de 15 professionals, i el resum de l'article no especifica quins models comercials es van provar.