Publicado em 22 de outubro de 2026, um estudo na Science informou que o DxO da Microsoft, combinado ao GPT-5, atingiu 83,2% de acurácia em 304 casos CPC do NEJM e 80,3% em 325 casos do MIMIC-IV-ED. Os resultados medem o desempenho no SDBench, uma avaliação interativa baseada em texto, não a eficácia do sistema no atendimento a pacientes.
Como o SDBench testa diagnósticos
O Sequential Diagnosis Benchmark (SDBench) transforma cada caso em uma sequência de decisões. O sistema começa com informações limitadas, faz perguntas, solicita exames e pode apresentar um diagnóstico quando considera que tem dados suficientes. Um Gatekeeper consulta o registro do caso e fornece as informações solicitadas; quando um resultado não consta no registro, pode gerar um achado sintético neutro para o diagnóstico.
Um avaliador chamado Judge aplica uma escala de cinco níveis, elaborada por médicos. Notas 4 ou 5 contam como acerto. Assim, a acurácia publicada depende tanto do diagnóstico final quanto do critério usado para classificá-lo.
A Microsoft publicou em 2025 uma demonstração de um fluxo anterior: nela, o DxO solicita informações e exames, acompanha custos estimados e revisa suas hipóteses ao longo do caso.
O que os percentuais representam
| Conjunto avaliado | Casos | Acurácia do DxO com GPT-5 | Comparação médica reportada |
| Casos CPC do NEJM | 304 | 83,2% | Média de 36,1% entre médicos com acesso a referências, em um teste reservado de 56 casos |
| MIMIC-IV-ED | 325 | 80,3% | Média médica reportada de 46,8% |
CPC significa conferência clinicopatológica. No conjunto do NEJM, os médicos foram avaliados em 56 casos reservados, enquanto o resultado do DxO foi calculado sobre os 304 casos. Portanto, os dois percentuais não vêm de avaliações com o mesmo número de casos. O artigo também compara o sistema com médicos generalistas individuais, não com equipes de especialistas.
Como os custos foram estimados
No conjunto do NEJM, o DxO sem limite de orçamento registrou 83,2% de acurácia a um custo médio estimado de US$ 5.431 por caso. Outras configurações chegaram a 80,9% por US$ 2.241 e 79,6% por US$ 1.303; uma configuração de conjunto voltada a maximizar a acurácia alcançou 84,5% por US$ 8.945. No MIMIC-IV-ED, o resultado sem limite de orçamento foi de 80,3% a US$ 4.979 por caso. Configurações com orçamento limitado atingiram 73,2% a US$ 2.634 e 69,5% a US$ 2.037.
O cálculo mapeou exames a códigos CPT e usou a tabela de preços de 2023 da Kaiser Permanente Washington, acrescida de uma consulta médica fixa de US$ 300. Os valores são estimativas padronizadas do benchmark, não contas de pacientes. O método não incorpora toda a variação de custos nem fatores como desconforto, invasividade, tempo para obter resultados e disponibilidade dos exames.
Onde termina o resultado clínico
O SDBench é uma simulação textual, não uma consulta com pacientes. O estudo não avaliou imagens, formas de onda ou lâminas de patologia, e não mediu segurança dos tratamentos, acompanhamento ao longo do tempo ou resultados de pacientes. Os autores delimitam as conclusões ao raciocínio diagnóstico no benchmark, sem estabelecer superioridade sobre especialistas, equipes multidisciplinares ou a prática clínica.
O estudo também informa que seus autores eram funcionários da Microsoft e possuíam ações da empresa.
Por que circulam números diferentes
Uma versão anterior do estudo, focada no modelo o3 e publicada como preprint em 2025, relatou 85,5% em uma configuração de acurácia máxima e uma média médica de 20%. O artigo de 2026 na Science apresenta outros modelos, configurações e condições de comparação: entre seus resultados estão 83,2% para o DxO com GPT-5 sem limite de orçamento e 84,5% para uma configuração de conjunto. Esses números pertencem a avaliações diferentes.
A avaliação prospectiva anunciada
Em 22 de outubro de 2026, a Microsoft anunciou que faria uma avaliação prospectiva com pacientes no Beth Israel Deaconess Medical Center, com avaliações independentes de médicos.
