Badanie opublikowane 22 października 2026 r. w czasopiśmie Science wykazało, że MAI-DxO, system Microsoftu do etapowego wspomagania diagnozy, osiągnął 83,2% trafności w zbiorze przypadków New England Journal of Medicine i 80,3% w danych z oddziałów ratunkowych MIMIC-IV-ED. Były to wyniki kontrolowanych, tekstowych testów na historycznych przypadkach, a nie pomiar skuteczności w opiece nad pacjentami.
Wyniki MAI-DxO w dwóch zbiorach przypadków
Główny test MAI-DxO opierał się na GPT-5. W obu zbiorach system uzyskał wyższy wynik niż uczestniczący w badaniu lekarze, ale porównanie dotyczyło pojedynczych osób, nie zespołów specjalistycznych ani pracy w szpitalu.
| Zbiór benchmarku | Przypadki historyczne | MAI-DxO z GPT-5 | Lekarze uczestniczący w badaniu |
| Konferencje kliniczno-patologiczne NEJM | 304 | 83,2% | 36,1% z materiałami referencyjnymi; 22,3% bez nich |
| MIMIC-IV-ED | 325 | 80,3% | 46,8% |
W osobnym powtórzeniu badacze sprawdzili system z GPT-5.5, nie zmieniając promptów ani sposobu orkiestracji. Główne wyniki przedstawione w badaniu dotyczą jednak GPT-5.
Jak SDBench prowadzi przypadek krok po kroku
MAI-DxO nie odpowiada od razu na podstawie jednego opisu. W SDBench, czyli benchmarku do oceny diagnoz sekwencyjnych, system zaczyna od krótkiego opisu przypadku, a następnie może pytać o historię choroby lub wyniki badania, zlecać testy i aktualizować listę możliwych diagnoz.
Za przekazywanie informacji odpowiada w symulacji Gatekeeper. Udostępnia dane z historycznej dokumentacji w odpowiedzi na konkretne pytania. Gdy dokumentacja nie zawiera żądanej informacji, może wygenerować syntetyczny, diagnostycznie neutralny wynik. Ostateczną diagnozę ocenia Judge według pięciostopniowej skali przygotowanej przez lekarzy; za poprawne uznaje wyniki 4 lub 5.
To interaktywny test, a nie pojedyncza zagadka tekstowa. Nie odtwarza jednak rozmowy z pacjentem ani badania przy łóżku, a część odpowiedzi może być wygenerowana na potrzeby symulacji.
Co obejmują wyniki i szacunki kosztów
Zbiory obejmowały przypadki patologiczne, a nie przekrój pacjentów z dolegliwościami łagodnymi lub bez choroby. Test był tekstowy: nie obejmował obrazowania, fal fizjologicznych, preparatów patologicznych ani bezpośredniej interakcji z pacjentem. Wyniki nie odpowiadają więc na pytanie, jak system poradziłby sobie w zwykłej praktyce, z niepełną komunikacją, badaniem fizykalnym czy decyzjami o leczeniu.
Badanie podaje także szacowane koszty diagnostyki na przypadek. W zbiorze NEJM konfiguracja bez ograniczenia budżetu osiągnęła 83,2% trafności przy szacowanym koszcie 5 431 USD. W tańszej konfiguracji wynik wyniósł 79,6%, a koszt 1 303 USD. To spadek szacowanego kosztu o około 76% i trafności o 3,6 punktu procentowego. Koszty są modelowane, nie stanowią rachunków za opiekę ani wykazanych oszczędności.
Badacze przypisywali badaniom kody CPT i wyceniali je według cennika Kaiser Permanente Washington z 2023 r. Pytaniom o historię i badanie fizykalne przypisali stały koszt wizyty lekarskiej wynoszący 300 USD. Taki model nie uwzględnia między innymi różnic między płatnikami i placówkami, czasu oczekiwania na wynik, inwazyjności badań ani ich dostępności. Kwoty opisują założenia amerykańskiego benchmarku, nie koszty leczenia w Polsce.
Wszyscy autorzy badania byli pracownikami Microsoftu i posiadali udziały w firmie. Microsoft finansował pracę wewnętrznie.
Microsoft opisał plan oceny szpitalnej
22 października 2026 r. Microsoft opisał plan prospektywnej oceny MAI-DxO z Beth Israel Deaconess Medical Center. Planowana praca ma sprawdzić rozumowanie kliniczne w warunkach szpitalnych, z udziałem pacjentów, i porównać wyniki systemu z niezależnymi ocenami lekarzy. To odrębny etap od opublikowanych testów na danych historycznych.
