Un trabajo publicado en septiembre de 2026 presentó ObGynLongBench, un benchmark diseñado para evaluar modelos de IA en decisiones clínicas de obstetricia y ginecología utilizando historias clínicas longitudinales.

El conjunto incluye 1.500 puntos de decisión clínica procedentes de 976 historias de embarazos. Los autores observaron que los modelos funcionan mejor cuando la evidencia relevante se presenta directamente y pierden precisión cuando deben localizarla dentro de historiales largos y complejos.

El reto no es solo responder, sino encontrar la evidencia correcta

El trabajo apunta a una limitación importante para los asistentes clínicos: la calidad de la respuesta depende de la capacidad para identificar y utilizar la información relevante sin mezclar datos posteriores a la decisión que se está evaluando.

Fuente: ObGynLongBench, arXiv, 7 de septiembre de 2026.