Am 22. Oktober 2026 veröffentlichten Microsoft-Forschende Ergebnisse des MAI-DxO im textbasierten Sequential Diagnosis Benchmark (SDBench). Das System erreichte dort eine Diagnosegenauigkeit von 83,2 Prozent bei Fällen aus dem New England Journal of Medicine (NEJM) und 80,3 Prozent bei Notaufnahmefällen aus MIMIC-IV-ED. Die Vergleichswerte teilnehmender Ärztinnen und Ärzte lagen bei 36,1 beziehungsweise 46,8 Prozent. Der NEJM-Vergleich beruht jedoch auf unterschiedlich großen Auswertungen: 304 Fälle für den berichteten KI-Wert und 56 zurückgehaltene Fälle für die ärztliche Auswertung. Die Ergebnisse belegen keine Überlegenheit in der klinischen Versorgung.
Was SDBench prüft
SDBench ist ein interaktiver Text-Benchmark, in dem ein Diagnosesystem schrittweise Informationen und Untersuchungen anfordern und schließlich eine Diagnose abgeben kann. Die Studie verwendete 304 NEJM-Fälle aus klinisch-pathologischen Fallkonferenzen und 325 Behandlungsfälle aus der Notaufnahme, die in eine stationäre Aufnahme mündeten und aus MIMIC-IV-ED stammten.
MAI-DxO erhielt zunächst eine kurze Fallbeschreibung. Anschließend konnte das System Fragen zu Anamnese oder Untersuchung stellen, Tests anfordern und seine Verdachtsdiagnose aktualisieren. Ein sogenannter Gatekeeper vermittelte Anfragen anhand der jeweiligen Fallakte. Fehlte eine angeforderte Angabe darin, konnte der Gatekeeper einen synthetischen, diagnostisch neutralen Befund erzeugen.
Ein Bewertungsmodell verglich die abschließende Diagnose mit einer fünfstufigen, von Ärztinnen und Ärzten erstellten Skala. Die Studie zählte eine Bewertung von vier oder fünf als korrekt, weil die Forschenden diese Diagnosen als ausreichend genau für eine unveränderte Behandlung einstuften. Die hauptsächlichen berichteten Ergebnisse erzielte MAI-DxO mit GPT-5. Das System simuliert fünf Rollen, darunter Hypothesenbildung, Testauswahl, Gegenprüfung und Prüfung der Untersuchungsökonomie.
In einer von Microsoft präsentierten Demonstration eines einzelnen NEJM-Falls fragt MAI-DxO Angaben ab, fordert Bluttests und später eine CT-Untersuchung sowie eine Biopsie an. Die Einblendung zeigt dabei den Dialog mit dem Gatekeeper, angeforderte Tests, Kostenschätzungen und wechselnde Verdachtsdiagnosen.
Wie die Genauigkeitswerte einzuordnen sind
| Benchmark-Datensatz | MAI-DxO | Teilnehmende Ärztinnen und Ärzte |
| NEJM-Fälle | 83,2 % | 36,1 % |
| MIMIC-IV-ED-Fälle | 80,3 % | 46,8 % |
Beim NEJM-Ergebnis wurde MAI-DxO über alle 304 Fälle ausgewertet; die Ärztinnen und Ärzte bearbeiteten 56 zurückgehaltene Fälle. Diese Prozentwerte stammen also nicht aus gleich großen Auswertungen. Für die 56 jüngsten NEJM-Fälle, veröffentlicht 2024 und 2025, berichten die Forschenden, dass die meisten nach den Trainingsstichtagen der geprüften Modelle erschienen. Sie räumen zugleich ein, dass öffentlich zugängliche NEJM-Fälle teilweise im Modelltraining enthalten gewesen sein könnten.
Die Zahlen beschreiben diagnostische Treffer in einem kontrollierten Text-Benchmark. Die Studie verglich MAI-DxO nicht mit Fachärzteteams oder interdisziplinären Teams und prüfte keine Behandlungsergebnisse.
Was die Kostenschätzungen aussagen
Die geschätzten Kosten unterscheiden sich je nach MAI-DxO-Konfiguration. Für die NEJM-Fälle berichtete die Studie folgende Genauigkeits- und Kostenpunkte:
| Gruppe oder Konfiguration | Diagnosegenauigkeit | Geschätzte Kosten je Fall |
| MAI-DxO, ohne Budgetbegrenzung | 83,2 % | 5.431 US-Dollar |
| MAI-DxO, budgetierte Konfiguration | 80,9 % | 2.241 US-Dollar |
| MAI-DxO, budgetierte Konfiguration | 79,6 % | 1.303 US-Dollar |
| MAI-DxO, auf Genauigkeit ausgerichtete Konfiguration | 84,5 % | 8.945 US-Dollar |
| Teilnehmende Ärztinnen und Ärzte, mit Referenzmaterial | 36,1 % | 4.725 US-Dollar |
Der Punkt mit 83,2 Prozent Genauigkeit lag mit geschätzten 5.431 US-Dollar je Fall über dem Mittelwert der offenen ärztlichen Vergleichsgruppe von 4.725 US-Dollar. Die weiteren Punkte zeigen, dass geringere Kosten bei manchen Konfigurationen mit anderen Genauigkeitswerten einhergingen; eine pauschale Ersparnis ergibt sich daraus nicht.
Die Beträge sind modellierte US-Dollar-Schätzungen, keine Patientenrechnungen. Die Forschenden ordneten Tests anhand von CPT-Codes einer US-Krankenhaus-Preisliste von 2023 zu und setzten für Arztbesuche einen festen Betrag von 300 US-Dollar an. Für MIMIC-IV-ED lag der unbudgetierte MAI-DxO-Punkt bei 80,3 Prozent und geschätzten 4.979 US-Dollar je Fall; budgetierte Konfigurationen erreichten 73,2 Prozent bei 2.634 US-Dollar und 69,5 Prozent bei 2.037 US-Dollar. Der ärztliche Mittelwert für diesen Datensatz betrug 46,8 Prozent bei geschätzten 3.400 US-Dollar je Fall.
Wo der Benchmark an klinische Grenzen stößt
SDBench enthielt keine gesunden oder gutartigen Fälle. Die Textsimulation bildete auch die Unsicherheit echter Patientengespräche, körperliche Untersuchungen unter Alltagsbedingungen, Bildgebung und andere multimodale Befunde, Behandlungsentscheidungen, Sicherheitsbewertungen oder längerfristige Verläufe nicht ab. Bewertet wurde die Diagnose, nicht die Sicherheit oder Angemessenheit einer Behandlung.
Am 22. Oktober 2026 kündigte Microsoft eine prospektive Evaluation mit dem Beth Israel Deaconess Medical Center in Boston an. In dieser geplanten Untersuchung sollten Patientinnen und Patienten mit dem System interagieren und seine Leistung mit unabhängigen Einschätzungen von Ärztinnen und Ärzten verglichen werden. Die Microsoft-Mitteilung beschrieb den Plan, aber keine abgeschlossenen klinischen Ergebnisse.
Die Autorinnen und Autoren der Studie waren laut Veröffentlichung Beschäftigte von Microsoft und hielten Anteile am Unternehmen. Die Studie erhielt keine externe Finanzierung.
