Este estudio revisado por pares de Mayo Clinic Proceedings: Digital Health comparó Arkangel AI, OpenEvidence, ChatGPT y Medisearch en cuatro viñetas clínicas y cuatro tipos de pregunta. El diseño generó 128 pares de pregunta/respuesta y 1024 evaluaciones expertas con una escala Likert de ocho criterios.
La satisfacción general osciló entre 71.1% y 93% entre agentes (Kruskal-Wallis P<.001). La autenticidad de referencias alcanzó 100% de satisfacción para Arkangel AI-Deep, ChatGPT-Deep y OpenEvidence. Los modos de ChatGPT fueron calificados como insatisfactorios en 75–97% de los pares evaluadores, y las medianas de respuesta fueron de 18 segundos a 12.8 minutos (Wilcoxon P<.05).




