Die am 22. Oktober 2026 in Science veröffentlichte Studie berichtet für DxO mit GPT-5 eine diagnostische Genauigkeit von 83,2 Prozent bei 304 Fällen aus dem New England Journal of Medicine (NEJM) und 80,3 Prozent bei 325 Fällen aus MIMIC-IV-ED. Die Werte stammen aus SDBench, einem textbasierten Diagnosebenchmark. Sie beschreiben Ergebnisse in einer kontrollierten Fallsimulation, nicht die Leistung in der Patientenversorgung.
Was die Benchmarkwerte messen
| Datensatz | Fälle | DxO mit GPT-5: Genauigkeit |
| NEJM-CPC-Fälle | 304 | 83,2 % |
| MIMIC-IV-ED | 325 | 80,3 % |
Die Studie bezeichnet das System als Diagnostic Orchestrator (DxO); Microsoft nennt es MAI-DxO. Im NEJM-Datensatz bearbeitete DxO mit GPT-5 ohne Kostenlimit 83,2 Prozent der Fälle korrekt. Im Datensatz MIMIC-IV-ED, der Notaufnahmefälle bis zur Aufnahme umfasst, lag der Wert bei 80,3 Prozent.
Zum Vergleich nennt die Studie für Allgemeinmediziner durchschnittlich 36,1 Prozent bei den NEJM-Fällen und 46,8 Prozent bei MIMIC-IV-ED. Der NEJM-Wert der Ärzte stammt aus einem Test mit 56 zurückgehaltenen Fällen, während die KI-Ergebnisse für alle 304 Fälle ausgewiesen wurden. Die Ärzte arbeiteten in einer kontrollierten, textbasierten Umgebung. Die Prozentwerte sind daher keine gleich großen oder identisch angelegten Vergleichstests.
So arbeitet SDBench
SDBench macht aus einem Fall eine schrittweise Diagnoseaufgabe. Das System erhält zunächst knappe Informationen und kann dann Fragen stellen, Untersuchungen anfordern oder eine Diagnose abgeben. Ein Gatekeeper vermittelt die Angaben aus der Fallakte. Fehlt dort ein angeforderter Befund, kann er einen diagnostisch neutralen synthetischen Befund erzeugen. Ein Judge bewertet die abschließende Diagnose anhand einer von Ärzten erstellten Skala mit fünf Stufen; die Stufen 4 und 5 zählen als korrekt.
Was die Kostenschätzungen aussagen
Die Studie schätzt Untersuchungskosten anhand von CPT-Codes und dem Gebührenverzeichnis von Kaiser Permanente Washington aus dem Jahr 2023. Für den Arztbesuch setzte sie pauschal 300 US-Dollar an. Bei den NEJM-Fällen lag die geschätzte Gesamtsumme für DxO mit GPT-5 ohne Kostenlimit bei durchschnittlich 5.431 US-Dollar pro Fall; bei MIMIC-IV-ED waren es 4.979 US-Dollar.
Die Kosten und die Genauigkeit änderten sich je nach Konfiguration. Bei NEJM-Fällen erreichte eine budgetierte Konfiguration 80,9 Prozent bei geschätzten 2.241 US-Dollar pro Fall, eine weitere 79,6 Prozent bei 1.303 US-Dollar. Eine auf möglichst hohe Genauigkeit ausgelegte Ensemble-Konfiguration kam auf 84,5 Prozent bei 8.945 US-Dollar. Für MIMIC-IV-ED nennt die Studie budgetierte Konfigurationen mit 73,2 Prozent bei 2.634 US-Dollar und 69,5 Prozent bei 2.037 US-Dollar pro Fall.
Die Beträge sind standardisierte Schätzungen auf Grundlage eines US-amerikanischen Gebührenverzeichnisses, keine Patientenrechnungen. Die Autoren weisen darauf hin, dass die Berechnung unter anderem Unterschiede bei geografischer Lage, Verfügbarkeit, Wartezeit bis zum Testergebnis, Belastung und Invasivität der Untersuchungen nicht vollständig abbildet.
Wo die Aussagekraft endet
SDBench prüft diagnostisches Schlussfolgern in einer Textsimulation. Die Fallgruppen enthalten keine gesunden oder gutartigen Fälle; die Aufgaben bilden weder reale Patientengespräche noch multimodale Informationen wie Bildgebung oder Pathologieschnitte ab. Die Bewertung erfasst, ob die Diagnose stimmt, nicht die Sicherheit einer Behandlung, die weitere Versorgung oder Patientenergebnisse.
Die Studie vergleicht DxO mit einzelnen Allgemeinmedizinern. Sie belegt keine Überlegenheit gegenüber Fachärzten oder interdisziplinären Teams und weist keine Wirksamkeit in der klinischen Praxis nach. Die Autoren legten offen, dass sie bei Microsoft beschäftigt sind und Microsoft-Aktien halten.
Eine frühere, 2025 veröffentlichte arXiv-Fassung nannte für eine auf o3 ausgerichtete Studienversion eine Genauigkeit von bis zu 85,5 Prozent und einen ärztlichen Vergleichswert von 20 Prozent. Die Science-Studie von 2026 untersuchte andere Modelle und Konfigurationen: Ihr GPT-5-Ergebnis ohne Kostenlimit lag bei 83,2 Prozent; eine Genauigkeitskonfiguration erreichte 84,5 Prozent. Diese Werte stammen aus unterschiedlichen Studienversionen und Versuchsbedingungen.
Microsoft kündigte außerdem eine prospektive Untersuchung mit Patientenkontakt und unabhängiger ärztlicher Beurteilung am Beth Israel Deaconess Medical Center an.
