Lo studio pubblicato su Science il 22 ottobre 2026 riporta che DxO con GPT-5 ha raggiunto l’83,2% di accuratezza su 304 casi delle conferenze clinicopatologiche del NEJM e l’80,3% su 325 casi MIMIC-IV-ED. Sono risultati di SDBench, un benchmark diagnostico interattivo basato su testo: misurano la capacità di arrivare a una diagnosi nei casi simulati, non l’efficacia dell’IA nella cura dei pazienti.
Due dataset, due risultati distinti
| Dataset | Casi | Accuratezza di DxO con GPT-5 | Media dei medici riportata nello studio |
| Conferenze clinicopatologiche del NEJM | 304 | 83,2% | 36,1% con accesso a risorse di consultazione, su 56 casi |
| MIMIC-IV-ED, dal pronto soccorso al ricovero | 325 | 80,3% | 46,8% per i medici generalisti |
Il confronto sul NEJM riguarda campioni di dimensioni diverse: DxO è stato valutato sui 304 casi, mentre il test riservato ai medici ne comprendeva 56. In quel test, la media dei medici con accesso a risorse di consultazione era del 36,1%; senza tale accesso era del 22,3%. I medici non usavano IA generativa. Questi numeri descrivono condizioni specifiche del benchmark, non un confronto tra il sistema e un’équipe specialistica nella pratica quotidiana.
Come SDBench conduce una diagnosi sequenziale
SDBench trasforma i casi clinici in incontri testuali a più passaggi. Il sistema parte da una presentazione breve, poi può fare domande, chiedere esami, rivedere le diagnosi possibili e infine indicare una diagnosi. Un Gatekeeper restituisce le informazioni contenute nel caso; se manca un dato richiesto, può generare un risultato sintetico neutro sul piano diagnostico. Un secondo agente, chiamato Judge, assegna un punteggio usando una griglia di valutazione medica a cinque livelli. I punteggi 4 e 5 contano come diagnosi corrette.
La dimostrazione Microsoft del 2025 segue un caso passo dopo passo: il sistema pone domande, richiede esami, aggiorna le ipotesi e tiene traccia dei costi stimati.
Come vengono calcolati i costi
Le cifre dello studio sono stime per caso, non importi fatturati ai pazienti. Per attribuire un costo agli esami, gli autori hanno associato le richieste ai codici CPT e usato il listino ospedaliero del 2023 di Kaiser Permanente Washington; il calcolo aggiunge un costo fisso di 300 dollari per la visita medica.
Nella configurazione senza vincoli di budget, il costo medio stimato era di 5.431 dollari per caso NEJM e di 4.979 dollari per caso MIMIC-IV-ED. Sul NEJM, configurazioni con budget hanno ottenuto il 80,9% di accuratezza a 2.241 dollari e il 79,6% a 1.303 dollari per caso; una configurazione ensemble orientata all’accuratezza ha raggiunto l’84,5% a 8.945 dollari. Su MIMIC-IV-ED, due configurazioni con budget hanno registrato rispettivamente il 73,2% a 2.634 dollari e il 69,5% a 2.037 dollari per caso. Ogni coppia descrive un diverso punto di funzionamento del sistema.
Gli autori precisano che le stime standardizzate non rappresentano tutte le variazioni dei costi reali, che dipendono anche da fattori come luogo, disponibilità degli esami e tempi dei risultati.
Il limite clinico del benchmark
Il test è una simulazione controllata basata sul testo. Non comprende esami fisici né informazioni multimodali come immagini, tracciati o vetrini di patologia; esclude inoltre i casi sani o benigni. Il punteggio valuta la correttezza della diagnosi, non la sicurezza delle terapie o la gestione del paziente nel tempo. Gli autori affermano che i risultati non dimostrano una superiorità rispetto a specialisti o équipe multidisciplinari, né provano benefici sugli esiti dei pazienti nella pratica clinica.
Lo studio dichiara inoltre che i suoi autori sono dipendenti Microsoft e possiedono azioni della società. I 56 casi NEJM riservati allo sviluppo servivano anche a esaminare una possibile memorizzazione, ma non costituiscono una verifica che escluda la presenza dei casi nei dati di addestramento preliminare dei modelli.
Perché circolano percentuali diverse
Le cifre dell’85,5% per il sistema e del 20% per i medici provengono da una versione precedente dello studio, pubblicata su arXiv nel 2025 e incentrata su o3. La configurazione con la massima accuratezza in quella versione e il confronto con i medici non corrispondono alle condizioni dello studio pubblicato su Science nel 2026, che riporta l’83,2% per DxO con GPT-5 e il 36,1% per i medici con accesso a risorse di consultazione nel test NEJM. Nello studio del 2026, una configurazione ensemble distinta ha raggiunto l’84,5%.
La valutazione prospettica annunciata
Il 22 ottobre 2026 Microsoft ha annunciato una futura valutazione prospettica al Beth Israel Deaconess Medical Center, con interazione con i pazienti e valutazioni indipendenti dei medici.
