Publié le 22 octobre 2026 dans Science, un article rapporte que DxO, le système de Microsoft aussi appelé MAI-DxO, a atteint 83,2 % de précision avec GPT-5 sur 304 cas cliniques du NEJM et 80,3 % sur 325 dossiers MIMIC-IV-ED. Ces chiffres mesurent des diagnostics dans un benchmark interactif fondé sur du texte, pas l’efficacité de soins apportés à des patients.
Comment SDBench met le diagnostic à l’épreuve
Le Sequential Diagnosis Benchmark (SDBench) transforme chaque dossier en un échange par étapes. À partir d’une présentation initiale, le système peut poser des questions, demander des examens ou proposer un diagnostic. Un agent Gatekeeper fournit les informations du dossier ; si une donnée demandée n’y figure pas, il peut générer un résultat synthétique neutre sur le plan diagnostique. Un agent Judge évalue ensuite la réponse à l’aide d’une grille médicale à cinq niveaux : les notes de 4 ou 5 sont considérées comme correctes.
Cette méthode teste le choix des questions et des examens au fil d’un cas, plutôt qu’une réponse à une vignette fixe. La démonstration de Microsoft publiée en 2025 suit un cas du NEJM : le système demande des informations et des examens, suit leur coût estimé et fait évoluer ses hypothèses.
Les scores et leurs comparaisons
Les résultats varient selon le jeu de données. Le tableau reprend les précisions rapportées pour DxO avec GPT-5 et les moyennes médicales correspondantes ; les conditions de comparaison ne sont pas identiques.
| Jeu de données | Cas évalués par DxO avec GPT-5 | Précision de DxO | Résultat moyen des médecins rapporté | Conditions de la comparaison médicale |
| Cas de conférences clinicopathologiques du NEJM | 304 | 83,2 % | 36,1 % | Médecins avec accès à des ressources de référence ; évaluation sur un échantillon réservé de 56 cas |
| MIMIC-IV-ED, dossiers des urgences jusqu’à l’admission | 325 | 80,3 % | 46,8 % | Moyenne médicale rapportée pour ce jeu de données |
Pour la comparaison NEJM, les médecins ont travaillé sur 56 cas réservés au test, tandis que le score de DxO porte sur les 304 cas. Les médecins pouvaient consulter des références, mais pas utiliser d’IA générative. L’étude compare le système à des médecins généralistes individuels ; elle ne mesure pas ses performances face à des équipes de spécialistes.
Les cas sont également une sélection particulière : les dossiers du NEJM sont choisis pour leur intérêt clinique et pédagogique et peuvent privilégier des situations difficiles. Les deux ensembles écartent les cas sains ou bénins. Les échanges restent textuels, sans examen physique ni données multimodales telles que des images médicales, des tracés ou des lames de pathologie.
Comment l’étude estime les coûts
Dans la configuration DxO avec GPT-5 sans contrainte budgétaire, le coût moyen estimé atteint 5 431 dollars par cas NEJM et 4 979 dollars par cas MIMIC-IV-ED. Sur les cas NEJM, d’autres configurations illustrent le compromis entre coût estimé et précision : 80,9 % pour 2 241 dollars par cas, 79,6 % pour 1 303 dollars, et 84,5 % pour 8 945 dollars avec une configuration en ensemble orientée vers la précision.
Pour estimer le coût des examens, l’étude les a associés à des codes CPT, qui classent les actes médicaux, puis aux tarifs du barème 2023 de Kaiser Permanente Washington. Le calcul ajoute 300 dollars fixes par consultation médicale. Les auteurs présentent ces montants comme des estimations standardisées, pas comme des factures de patients ; ils ne reflètent pas toutes les variations de coût ni des facteurs comme la disponibilité, le délai des résultats, l’invasivité ou l’inconfort des examens.
Ce que le benchmark permet de conclure
Les scores décrivent la précision diagnostique dans les conditions contrôlées de SDBench. Les auteurs précisent que leur étude ne démontre ni une supériorité sur des spécialistes ou des équipes pluridisciplinaires, ni une efficacité en pratique clinique. La grille porte sur l’exactitude du diagnostic, pas sur la sécurité du traitement, la prise en charge dans la durée ou les résultats pour les patients.
Les auteurs déclarent être employés par Microsoft et détenir des actions de l’entreprise. Cette relation figure dans l’étude.
Pourquoi les chiffres de 2025 diffèrent
Une version antérieure de l’étude, centrée sur o3 et diffusée en 2025, rapportait une configuration de précision maximale à 85,5 % et une moyenne de 20 % pour les médecins. Ces chiffres appartiennent à une autre version, avec un modèle, des configurations et des conditions de comparaison différents. L’article de Science rapporte 83,2 % pour DxO avec GPT-5 sans contrainte budgétaire sur les cas NEJM ; sa configuration en ensemble orientée vers la précision atteint 84,5 %.
L’évaluation avec des patients annoncée par Microsoft
Le 22 octobre 2026, Microsoft a annoncé une évaluation prospective avec des patients au Beth Israel Deaconess Medical Center, qui prévoit aussi une évaluation indépendante par des médecins.
