L’étude publiée dans Science le 22 octobre 2026 rapporte que MAI-DxO, le système de diagnostic médical par IA de Microsoft, a atteint 83,2 % de précision sur des cas du New England Journal of Medicine et 80,3 % sur des dossiers d’urgences MIMIC-IV-ED. Ces résultats proviennent de tests rétrospectifs et textuels : ils ne mesurent pas la qualité des diagnostics posés auprès de patients.
Les résultats de MAI-DxO dans les deux cohortes
Les scores principaux ont été obtenus avec GPT-5. Dans les mêmes tests, les médecins participants ont obtenu des résultats différents selon la cohorte et les conditions de travail.
| Cohorte du benchmark | Dossiers historiques | MAI-DxO avec GPT-5 | Médecins participants |
| Cas de conférences clinicopathologiques du New England Journal of Medicine | 304 cas | 83,2 % | 36,1 % avec des références; 22,3 % sans références, pour les généralistes participants |
| MIMIC-IV-ED, dossiers allant des urgences à l’hospitalisation | 325 dossiers | 80,3 % | 46,8 % |
Ces comparaisons portent sur des personnes et des dossiers individuels dans un environnement contrôlé. Elles ne mesurent pas les performances face à des spécialistes ou à des équipes médicales. L’étude présente aussi une évaluation distincte avec GPT-5.5, sans changement des consignes ni de l’orchestration; les résultats principaux ci-dessus correspondent à GPT-5.
Comment SDBench organise le diagnostic étape par étape
SDBench transforme un dossier historique en échange interactif. MAI-DxO reçoit d’abord un bref résumé, puis peut demander des éléments d’anamnèse ou d’examen, commander des tests, réviser ses diagnostics envisagés et soumettre un diagnostic final.
Un agent appelé Gatekeeper fournit les informations du dossier en réponse aux demandes. Si le dossier ne contient pas un résultat demandé, il peut générer une réponse synthétique neutre sur le plan diagnostique. Un second agent, le Judge, évalue le diagnostic final à l’aide d’une grille rédigée par des médecins, à cinq niveaux; les notes de 4 ou 5 sont comptées comme correctes. Le benchmark est donc interactif, mais certaines réponses peuvent être simulées plutôt que tirées d’une observation clinique consignée.
La démonstration Microsoft publiée en anglais le 29 juin 2025 suit un cas simulé dans SDBench. On y voit les demandes successives, l’évolution des hypothèses et le suivi des coûts estimés.
Ce que les scores et les coûts mesurent
Les pourcentages décrivent la précision dans deux ensembles de cas historiques sélectionnés pour leur intérêt diagnostique. Ils ne renseignent pas sur les résultats de patients, la sécurité des traitements ou les erreurs possibles dans une population courante comprenant des personnes en bonne santé ou atteintes de problèmes bénins. Le test était uniquement textuel : il ne reproduisait ni l’examen au chevet du patient ni l’interaction avec celui-ci, et n’intégrait pas d’imagerie, de tracés physiologiques ou de lames de pathologie.
Les coûts publiés sont eux aussi des estimations de benchmark, pas des factures ni des économies observées dans un hôpital. Pour les calculer, l’étude a associé les examens demandés à des codes CPT, puis utilisé le barème tarifaire 2023 de Kaiser Permanente Washington; elle a ajouté un coût fixe de 300 $ par consultation médicale. Ces hypothèses ne tiennent pas compte des variations entre prestataires et assureurs, du délai d’obtention des résultats, de l’invasivité, de l’inconfort ou de la disponibilité des examens. Elles ne donnent pas le coût d’une prise en charge en France.
Sur les cas du New England Journal of Medicine, la configuration sans plafond budgétaire a atteint 83,2 % de précision pour un coût estimé moyen de 5 431 $ par cas. Les configurations avec budget ont atteint 80,9 % pour 2 241 $ et 79,6 % pour 1 303 $. La configuration en ensemble a obtenu 84,5 % pour 8 945 $. Entre la configuration à 5 431 $ et celle à 1 303 $, le coût estimé baisse de 76 %, tandis que la précision recule de 3,6 points. Sur MIMIC-IV-ED, MAI-DxO a atteint 80,3 % pour 4 979 $; les configurations avec budget ont obtenu 73,2 % pour 2 634 $ et 69,5 % pour 2 037 $.
Les auteurs de l’étude étaient tous employés par Microsoft et détenaient des parts de l’entreprise; Microsoft a financé les travaux en interne. Ils précisent que les comparaisons ne démontrent pas une supériorité sur les spécialistes, les équipes pluridisciplinaires ou la pratique clinique réelle.
L’évaluation hospitalière que Microsoft a prévue
Le 22 octobre 2026, Microsoft a présenté une étude prospective avec le Beth Israel Deaconess Medical Center comme prochaine étape. Le projet doit évaluer le raisonnement clinique dans différents services hospitaliers, avec des patients interagissant avec le système et des résultats comparés aux évaluations indépendantes de médecins.
