Microsofts MAI-DxO erreichte in zwei textbasierten Tests mit historischen Krankheitsfällen eine Genauigkeit von 83,2 beziehungsweise 80,3 Prozent. Die am 22. Oktober 2026 veröffentlichte Studie prüfte das System in einer kontrollierten Simulation. Die Ergebnisse belegen keine diagnostische Wirksamkeit bei der Versorgung realer Patienten.
Die Ergebnisse in den beiden Testgruppen
Die Hauptauswertung mit GPT-5 erzielte auf 304 Fallbesprechungen aus dem New England Journal of Medicine (NEJM) 83,2 Prozent Genauigkeit. In 325 Fällen aus der Notaufnahme-Datenbank MIMIC-IV-ED waren es 80,3 Prozent. Die Studie verglich MAI-DxO mit einzelnen teilnehmenden Ärzten, nicht mit Spezialisten oder Behandlungsteams.
| Datengrundlage | Historische Fälle | MAI-DxO mit GPT-5 | Teilnehmende Ärzte |
| NEJM-Fallbesprechungen | 304 | 83,2 % | 36,1 % mit Nachschlagehilfen; 22,3 % ohne |
| MIMIC-IV-ED | 325 | 80,3 % | 46,8 % |
Die Fallgruppen und Bedingungen unterscheiden sich: Bei den NEJM-Fällen wurden Ärzte mit und ohne Referenzmaterial ausgewertet; für MIMIC-IV-ED nennt die Studie einen ärztlichen Vergleichswert von 46,8 Prozent. Die Zahlen sind deshalb keine allgemeine Rangliste von KI und Ärzten.
Die Studie wiederholte die Auswertung außerdem mit GPT-5.5, ohne die Eingabeaufforderungen oder die Orchestrierung zu ändern. Die Hauptwerte von 83,2 und 80,3 Prozent stammen jedoch aus den GPT-5-Läufen.
So läuft ein Fall in SDBench ab
MAI-DxO ist ein System, das ein Sprachmodell durch mehrere Schritte der Diagnose führt. Es beginnt mit einer kurzen Fallbeschreibung, kann gezielt nach Angaben zur Vorgeschichte oder Untersuchung fragen und Tests anfordern. Anschließend überarbeitet es seine möglichen Diagnosen, bevor es eine endgültige Antwort abgibt.
SDBench stellt die historischen Fälle als interaktive Textsimulation bereit. Ein sogenannter Gatekeeper gibt auf Anfrage passende Informationen aus der Fallakte heraus. Fehlt eine angefragte Untersuchung in der ursprünglichen Akte, kann der Gatekeeper ein synthetisches, diagnostisch neutrales Ergebnis erzeugen. Das ist eine simulierte Antwort, kein neuer Befund eines Patienten.
Ein Judge bewertet die Schlussdiagnose anhand einer fünfstufigen, von Ärzten entwickelten Skala. Bewertungen von 4 oder 5 gelten als korrekt. Damit hängt die ausgewiesene Genauigkeit sowohl von den Fallakten als auch von der Bewertungsregel ab.
Was die Kostenwerte abbilden
Die Dollarbeträge der Studie sind modellierte Kosten pro Fall, keine Patientenrechnungen. Für Tests ordnete das Team den Untersuchungen CPT-Codes zu und setzte Preise aus dem Gebührenverzeichnis von Kaiser Permanente Washington aus dem Jahr 2023 an. Für einen Arztbesuch rechnete es pauschal mit 300 US-Dollar. Diese Annahmen bilden weder deutsche Behandlungskosten noch tatsächlich erzielte Einsparungen ab.
Bei den NEJM-Fällen erreichte eine Konfiguration ohne Budgetgrenze 83,2 Prozent Genauigkeit bei geschätzten 5.431 US-Dollar pro Fall. Eine günstigere Konfiguration kam auf 79,6 Prozent bei 1.303 US-Dollar. Das entspricht einer um 76 Prozent niedrigeren Kostenschätzung und einem Rückgang der Genauigkeit um 3,6 Prozentpunkte. Eine Ensemble-Konfiguration erreichte 84,5 Prozent bei geschätzten 8.945 US-Dollar. Die Werte zeigen einen Zielkonflikt innerhalb dieses Benchmarks, keine nachgewiesene Ersparnis im Klinikalltag.
Die Tests umfassten krankhafte Fälle und keine repräsentative Mischung aus gesunden Menschen und alltäglichen, gutartigen Beschwerden. Die textbasierte Simulation erfasste zudem keine Bildgebung, Kurven oder Pathologiepräparate und keine direkte Kommunikation oder Untersuchung am Krankenbett. Aus den Ergebnissen lassen sich daher weder die Rate falscher Alarme in der Allgemeinbevölkerung noch Behandlungssicherheit oder Patientenergebnisse ableiten.
Alle Autoren der Studie waren bei Microsoft beschäftigt und hielten Unternehmensanteile. Dieser Hintergrund gehört zur Einordnung der veröffentlichten Ergebnisse.
Microsoft plante eine klinische Untersuchung
Am 22. Oktober 2026 kündigte Microsoft eine prospektive Untersuchung mit dem Beth Israel Deaconess Medical Center an. Sie sollte die diagnostische Arbeit in Krankenhausumgebungen untersuchen, Patienten einbeziehen und die Systemleistung mit unabhängigen Einschätzungen von Ärzten vergleichen.
