Eine am 22. Oktober 2026 in Science veröffentlichte Studie berichtet, dass Microsofts Diagnostic Orchestrator (DxO) im Benchmark SDBench bei NEJM-Konferenzfällen eine Diagnosegenauigkeit von 83,2 Prozent erreichte. Teilnehmende Ärztinnen und Ärzte kamen bei der Auswertung mit Referenzmaterial auf durchschnittlich 36,1 Prozent, ohne Hilfsmittel auf 22,3 Prozent. Das Ergebnis stammt aus einem kontrollierten, textbasierten Test.
Zwei Datensätze, zwei Vergleiche
SDBench prüfte DxO an 304 klinisch-pathologischen Konferenzfällen aus dem New England Journal of Medicine (NEJM) und an 325 Notaufnahmefällen aus MIMIC-IV-ED. Auf dem zweiten Datensatz erreichte DxO 80,3 Prozent; der Durchschnitt der teilnehmenden Ärztinnen und Ärzte lag bei 46,8 Prozent.
| Datensatz | Fälle | DxO | Ärztlicher Vergleich |
| NEJM-Konferenzfälle | 304 | 83,2 % (GPT-5, ohne Budgetbeschränkung) | 36,1 % mit Referenzmaterial; 22,3 % ohne Hilfsmittel |
| MIMIC-IV-ED | 325 | 80,3 % (ohne Budgetbeschränkung) | 46,8 % im Durchschnitt |
Die NEJM-Fälle sind für ihren Lehrwert ausgewählte, diagnostisch anspruchsvolle Fälle. MIMIC-IV-ED umfasst Notaufnahmebehandlungen, die zu einer stationären Aufnahme führten. Für den ärztlichen Vergleich bei den NEJM-Fällen wurden 56 Fälle verwendet, die während der Entwicklung zurückgehalten worden waren. Die Prozentwerte beschreiben daher Ergebnisse auf den jeweiligen Benchmark-Datensätzen, nicht eine gemeinsame Prüfung an derselben Patientengruppe.
Wie SDBench eine Diagnose bewertet
Bei einer sequenziellen Diagnose fordert das System schrittweise Informationen an, statt nur eine fertige Fallbeschreibung zu beantworten. DxO kann nach Anamnese oder Untersuchungsbefunden fragen, Tests anfordern, seine Differenzialdiagnose anpassen und anschließend eine Diagnose abgeben. Eine Differenzialdiagnose ist eine Liste möglicher Ursachen, die im Verlauf eingegrenzt wird. Im Benchmark vermittelt ein Gatekeeper die Fallinformationen; ein Judge bewertet die abschließende Diagnose.
Der Judge vergleicht die Antwort mit einer Referenzdiagnose und nutzt dafür eine von Ärztinnen und Ärzten erstellte Skala mit fünf Stufen. Werte von 4 oder 5 zählen als korrekt, wenn sich dadurch die Behandlung nicht ändern würde. Die gemeldeten 83,2 Prozent messen also den Anteil der Fälle, die diese Bewertungsgrenze erreichten.
In einer englischsprachigen Microsoft-Demonstration aus dem Jahr 2025 führt Xiao Liu einen einzelnen NEJM-Fall durch SDBench. Die Vorführung zeigt, wie DxO Fragen und Untersuchungen anfordert, seine Verdachtsdiagnosen anpasst und die geschätzten Kosten verfolgt. Im gezeigten Fall endet der Ablauf mit der Diagnose eines embryonalen Rhabdomyosarkoms.
Was die Kostenschätzungen abbilden
Für die NEJM-Fälle variierte die geschätzte Genauigkeit mit der DxO-Konfiguration und den angesetzten Kosten pro Fall:
| DxO-Konfiguration im NEJM-Benchmark | Genauigkeit | Geschätzte Kosten pro Fall |
| Ohne Budgetbeschränkung, GPT-5 | 83,2 % | 5.431 US-Dollar |
| Budgetorientiert | 80,9 % | 2.241 US-Dollar |
| Budgetorientiert | 79,6 % | 1.303 US-Dollar |
| Auf diagnostische Exzellenz ausgerichtet | 84,5 % | 8.945 US-Dollar |
Die Beträge sind modellierte Benchmark-Kosten, keine tatsächlich abgerechneten Patientenrechnungen. Die Studie berechnete Testkosten anhand von CPT-Preisen aus der Preisliste von Kaiser Permanente Washington; Fragen zu Anamnese und Untersuchung wurden mit einem festen Arztbesuchspreis angesetzt. Solche standardisierten US-Preise bilden regionale Unterschiede, Wartezeiten auf Ergebnisse, Eingriffsbelastung und logistische Verfügbarkeit nicht vollständig ab.
Wo der Benchmark endet
Beide Datensätze schließen gesunde oder leicht erkrankte Personen aus. Die textbasierte Simulation bildet weder die Unsicherheit eines Gesprächs mit Patientinnen und Patienten noch eine vollständige elektronische Patientenakte oder bildgebende und pathologische Befunde ab. Außerdem bewertete die Studie die Diagnose, nicht die Angemessenheit oder Sicherheit einer Behandlung und auch nicht den Verlauf einer längerfristigen Versorgung. Der Vergleich mit einzelnen Ärztinnen und Ärzten sagt nichts über die Leistung von Spezialistenteams aus.
Die Studie legt offen, dass alle Autorinnen und Autoren bei Microsoft beschäftigt sind und Anteile des Unternehmens halten. Für die Studien wurde laut Artikel keine Finanzierung außerhalb von Microsoft eingeworben.
Am 22. Oktober 2026 kündigte Microsoft eine prospektive Evaluation mit dem Beth Israel Deaconess Medical Center an. Patientinnen und Patienten sollen dabei parallel zur Standardversorgung mit DxO interagieren; die Empfehlungen des Systems sollen mit unabhängigen Einschätzungen von Ärztinnen und Ärzten verglichen werden.
