L’étude publiée dans Science le 22 octobre 2026 rapporte que MAI-DxO a atteint une précision diagnostique de 83,2 % sur des cas du New England Journal of Medicine (NEJM) et de 80,3 % sur des dossiers d’urgences MIMIC-IV-ED. Ces résultats proviennent d’un benchmark textuel contrôlé. Pour les cas NEJM, l’évaluation des médecins portait sur 56 cas réservés, contre 304 pour le résultat de l’IA.
Les scores indiquent comment le système s’est comporté dans ces exercices de diagnostic. Ils ne mesurent pas la qualité des soins dans un hôpital.
Un diagnostic construit étape par étape
Microsoft AI Diagnostic Orchestrator (MAI-DxO) est un système qui orchestre un modèle de langage pour recueillir des informations, demander des examens et soumettre un diagnostic. Le Sequential Diagnosis Benchmark (SDBench) transforme en simulations textuelles 304 cas de conférences clinicopathologiques du NEJM et 325 admissions issues des urgences MIMIC-IV-ED. GPT-5 a fourni les principaux résultats rapportés.
Au lieu de recevoir tout le dossier d’un coup, le système commence par une brève présentation du cas. Il peut ensuite demander des renseignements sur les antécédents ou l’examen clinique, commander des tests, réviser ses hypothèses et proposer un diagnostic. Un agent appelé Gatekeeper transmet les informations tirées du dossier du cas ; lorsqu’un renseignement demandé n’y figure pas, il peut produire un résultat synthétique neutre.
MAI-DxO simule cinq rôles spécialisés, chargés notamment de proposer des hypothèses, de choisir des tests, de remettre en question les pistes et de vérifier le raisonnement. Un évaluateur applique une grille médicale en cinq niveaux : les notes de 4 ou 5 comptent comme un diagnostic correct.
La démonstration de Microsoft suit un cas SDBench simulé, des demandes d’informations et d’examens jusqu’au diagnostic final.
Les scores et les échantillons évalués
Sur les cas NEJM, MAI-DxO a obtenu 83,2 % de diagnostics corrects sur 304 cas. Les médecins participants ont atteint 36,1 % avec des ressources de référence et 22,3 % sans ces ressources, lors d’une évaluation portant sur 56 cas réservés. Les deux chiffres les plus souvent rapprochés, 83,2 % et 36,1 %, reposent donc sur des échantillons de tailles différentes.
Sur MIMIC-IV-ED, MAI-DxO a obtenu 80,3 % de précision, contre 46,8 % pour les médecins participants. Les données de l’étude rapportent ces résultats sur des exercices textuels, pas sur une comparaison avec des équipes de spécialistes.
| Jeu de données | MAI-DxO | Médecins participants |
| Cas NEJM | 83,2 % sur 304 cas | 36,1 % avec ressources, sur 56 cas réservés |
| MIMIC-IV-ED | 80,3 % | 46,8 % |
Les coûts estimés varient selon la configuration
Les estimations de coût ne suivent pas une seule valeur pour MAI-DxO : elles varient avec le niveau de précision et la configuration retenue. Sur les cas NEJM, le point à 83,2 % est estimé à 5 431 $ US par cas, au-dessus des 4 725 $ US associés à la moyenne des médecins avec ressources de référence. Une configuration à 80,9 % est estimée à 2 241 $ US par cas ; une autre, à 79,6 %, à 1 303 $ US. Le point à 84,5 % atteint 8 945 $ US.
| Jeu de données | Groupe ou configuration | Précision diagnostique | Coût estimé par cas |
| NEJM | MAI-DxO | 83,2 % | 5 431 $ US |
| NEJM | MAI-DxO, configuration à budget limité | 80,9 % | 2 241 $ US |
| NEJM | MAI-DxO, configuration à budget limité | 79,6 % | 1 303 $ US |
| NEJM | MAI-DxO, configuration orientée vers la précision | 84,5 % | 8 945 $ US |
| NEJM | Médecins, avec ressources de référence | 36,1 % | 4 725 $ US |
| MIMIC-IV-ED | MAI-DxO | 80,3 % | 4 979 $ US |
| MIMIC-IV-ED | MAI-DxO, configuration à budget limité | 73,2 % | 2 634 $ US |
| MIMIC-IV-ED | MAI-DxO, configuration à budget limité | 69,5 % | 2 037 $ US |
| MIMIC-IV-ED | Médecins participants | 46,8 % | 3 400 $ US |
Ces montants sont des estimations modélisées, pas des factures de patients. Les chercheurs les ont calculés à partir de correspondances entre examens et codes CPT, d’une grille tarifaire hospitalière américaine de 2023 et d’un coût fixe de consultation médicale de 300 $ US. La méthode ne représente pas les variations de prix, de disponibilité des examens, de durée ou de contraintes pratiques.
Ce que le benchmark ne mesure pas en clinique
SDBench utilise des cas textuels et pathologiques ; il n’inclut pas de cas sains ou bénins. Il ne reproduit pas les échanges ordinaires avec un patient, l’examen physique en conditions cliniques, les images et autres données multimodales, les décisions thérapeutiques, la sécurité des traitements ni le suivi des patients dans le temps. L’évaluation juge le diagnostic, pas la qualité complète de la prise en charge.
Pour le NEJM, les chercheurs ont réservé les 56 cas les plus récents au développement de l’orchestration ; ils avaient été publiés en 2024 et 2025. La plupart sont parus après les dates limites d’entraînement des modèles évalués, tandis que les auteurs indiquent que certains cas publics ont pu être présents dans les données d’entraînement.
Les auteurs de l’étude étaient salariés de Microsoft et détenaient des parts de l’entreprise. L’étude n’a reçu aucun financement extérieur à Microsoft.
L’évaluation prospective annoncée par Microsoft
Le 22 octobre 2026, Microsoft a annoncé un projet d’évaluation prospective avec Beth Israel Deaconess Medical Center, à Boston. Le projet prévoit que des patients interagissent avec le système et que ses résultats soient comparés aux évaluations indépendantes de médecins.
