Op 22 oktober 2026 verscheen een studie in Science waarin Microsofts MAI-DxO met GPT-5 een nauwkeurigheid van 83,2% behaalde op NEJM-casussen en 80,3% op MIMIC-IV-ED-casussen. De scores komen uit historische, tekstgebaseerde simulaties. Ze meten hoe het systeem diagnoses stelt binnen die tests, niet hoe het patiënten in de zorg behandelt.
De resultaten van MAI-DxO per cohort
SDBench zette 304 casussen uit klinisch-pathologische conferenties van het New England Journal of Medicine (NEJM) om in interactieve tests. Daarnaast bevatte de benchmark 325 historische opnames na een bezoek aan de spoedeisende hulp uit MIMIC-IV-ED. In beide cohorten vergeleek de studie MAI-DxO met deelnemende artsen.
| Benchmarkcohort | Historische gevallen | MAI-DxO met GPT-5 | Deelnemende artsen |
| NEJM-klinisch-pathologische conferenties | 304 casussen | 83,2% nauwkeurigheid | Gemiddeld 36,1% met naslagwerken; 22,3% zonder |
| MIMIC-IV-ED | 325 opnames na bezoek aan de spoedeisende hulp | 80,3% nauwkeurigheid | Gemiddeld 46,8% |
De hoofdresultaten gebruikten GPT-5. De studie beschrijft daarnaast een afzonderlijke herhaling met GPT-5.5, waarbij de prompts en de orkestratie gelijk bleven.
Hoe SDBench de diagnose stap voor stap toetst
MAI-DxO is een orkestratiesysteem rond een taalmodel. Het begint met een korte casusbeschrijving, vraagt vervolgens om medische voorgeschiedenis of onderzoeksgegevens en kan tests aanvragen. Op basis van de antwoorden past het systeem zijn mogelijke diagnoses aan voordat het een einddiagnose indient.
SDBench laat een Gatekeeper de vragen beantwoorden vanuit het historische dossier. Ontbreekt daarin een aangevraagd gegeven, dan kan de Gatekeeper een synthetisch, diagnostisch neutraal resultaat genereren. Een Judge beoordeelt de einddiagnose met een door artsen opgestelde rubric met vijf niveaus; scores van 4 of 5 tellen als correct. De benchmark toetst dus een interactieve reeks vragen en testaanvragen, maar sommige antwoorden komen uit simulatie in plaats van uit een nieuwe patiëntmeting.
De studie beschrijft ook vijf rollen binnen het virtuele panel van MAI-DxO: hypothesevorming, testkeuze, kritische toetsing, verantwoord testgebruik en controle aan de hand van een checklist. Eén taalmodel speelt die rollen.
Wat de nauwkeurigheids- en kostencijfers betekenen
Op de NEJM-casussen behaalde de configuratie zonder budgetlimiet 83,2% nauwkeurigheid tegen een geraamde kostprijs van $5.431 per casus. Een ensembleconfiguratie kwam uit op 84,5% en $8.945. Twee configuraties met een budgetbeperking scoorden 80,9% bij $2.241 en 79,6% bij $1.303 per casus. Tussen de configuratie van $5.431 en die van $1.303 daalde de geraamde kostprijs met 76,0%, terwijl de nauwkeurigheid 3,6 procentpunt lager lag.
Voor MIMIC-IV-ED rapporteerde de studie 80,3% nauwkeurigheid bij een geraamde $4.979 per casus. De budgetbeperkte configuraties haalden 73,2% bij $2.634 en 69,5% bij $2.037. De geraamde kosten voor deelnemende artsen bedroegen gemiddeld $4.725 met naslagwerken en $3.049 zonder op de NEJM-casussen, en $3.400 op MIMIC-IV-ED.
Deze bedragen zijn modelramingen, geen patiëntrekeningen of aangetoonde besparingen. De onderzoekers koppelden aangevraagde tests aan CPT-codes en gebruikten daarvoor een prijslijst uit 2023 van Kaiser Permanente Washington. Voor een artsenbezoek rekenden ze vast $300. De raming houdt onder meer geen rekening met verschillen tussen zorgaanbieders en verzekeraars, wachttijd op testuitslagen, invasiviteit, ongemak voor patiënten en de beschikbaarheid van tests. De bedragen beschrijven Amerikaanse benchmarkaannames en zijn geen Nederlandse zorgkosten.
De onderzochte gevallen waren pathologisch, dus geselecteerd rond ziektegevallen; gezonde en goedaardige gevallen ontbraken. Daardoor kan de studie geen fout-positiefpercentage voor een bredere patiëntenpopulatie vaststellen. De tekstuele simulatie omvatte ook geen beeldvorming, golfvormen, pathologieslides, lichamelijk onderzoek, gesprekken met patiënten, behandelveiligheid of patiëntuitkomsten. De resultaten zeggen daarom niets over diagnostische prestaties in gewone zorg of over de uitkomsten voor patiënten.
Alle auteurs van de studie waren in dienst van Microsoft en hadden aandelen in het bedrijf. Die belangen zijn relevant bij het beoordelen van het onderzoek naar Microsofts eigen systeem.
Microsoft beschreef een geplande ziekenhuisbeoordeling
Op 22 oktober 2026 beschreef Microsoft een prospectief onderzoek met Beth Israel Deaconess Medical Center. Dat onderzoek was bedoeld om klinisch redeneren in ziekenhuisomgevingen te beoordelen, met interacties met patiënten en een vergelijking met onafhankelijke beoordelingen van artsen.
