O estudo publicado na revista Science em 22 de outubro de 2026 relata que o Diagnostic Orchestrator (DxO), da Microsoft, acertou 83,2% dos diagnósticos em casos de conferência clinicopatológica do New England Journal of Medicine (NEJM), usando GPT-5 sem limite de orçamento. Entre os médicos participantes, a média foi de 36,1% com material de consulta e 22,3% sem consulta. São resultados de um benchmark controlado, não de atendimento clínico de rotina.
Em outro conjunto, com registros de atendimentos de emergência que terminaram em internação, o DxO chegou a 80,3% de acurácia; a média dos médicos foi de 46,8%. Os dois resultados vêm de populações diferentes e precisam ser lidos separadamente.
O que os percentuais do estudo medem
O benchmark SDBench reuniu 304 casos CPC do NEJM e 325 atendimentos do MIMIC-IV-ED. CPC é a sigla em inglês para conferência clinicopatológica, uma discussão de casos clínicos; MIMIC-IV-ED é o conjunto de registros de emergência usado no estudo.
| Conjunto de casos | Casos no SDBench | Acurácia do DxO | Média dos médicos participantes |
| CPC do NEJM | 304 | 83,2% | 36,1% com consulta; 22,3% sem consulta |
| MIMIC-IV-ED | 325 | 80,3% | 46,8% |
A comparação humana dos casos CPC foi feita em 56 casos separados dos trabalhos de desenvolvimento. Assim, o resultado de 83,2% do DxO sobre o conjunto de 304 casos não corresponde a uma comparação entre todos os médicos e o sistema nos mesmos 304 casos.
A acurácia indica quantos diagnósticos finais foram considerados corretos segundo a avaliação do estudo. Uma rubrica elaborada por médicos atribuiu notas de um a cinco; notas quatro ou cinco contavam como corretas quando a conduta clínica não mudaria. A pontuação, portanto, mede a correspondência com um diagnóstico de referência sob essa regra, e não o benefício para pacientes.
Como o SDBench conduz e pontua cada caso
O DxO é um orquestrador de diagnóstico, descrito como MAI-DxO pela Microsoft. Em vez de ser um único modelo de linguagem, coordena etapas de avaliação e pedidos de informação. No SDBench, o sistema começa com uma apresentação breve do caso, pode solicitar dados do histórico ou do exame físico, pedir testes, revisar o diagnóstico diferencial, ou seja, as hipóteses consideradas, e então apresentar um diagnóstico final.
Um agente Gatekeeper intermedeia os pedidos e fornece as informações do caso; um avaliador Judge compara a resposta final com o diagnóstico de referência. Esse processo de coleta ativa de informações é o aspecto específico do teste: não basta dividir o raciocínio em etapas, o sistema precisa decidir que dado ou exame pedir antes de fechar uma hipótese.
A demonstração da Microsoft percorre um caso selecionado do NEJM. Xiao Liu apresenta a interação entre os agentes; o DxO pede informações e exames, atualiza as hipóteses e chega a um diagnóstico final. É um exemplo do fluxo usado no benchmark.
O que representam os custos estimados
No conjunto CPC, a acurácia variou conforme a configuração do DxO e o custo estimado do trabalho diagnóstico. O artigo calculou os valores por caso a partir de preços CPT derivados da tabela de preços hospitalares da Kaiser Permanente Washington, consultada em abril de 2026.
| Configuração do DxO nos casos CPC | Acurácia | Custo estimado por caso |
| GPT-5, sem limite de orçamento | 83,2% | US$ 5.431 |
| Orientada a orçamento | 80,9% | US$ 2.241 |
| Orientada a orçamento | 79,6% | US$ 1.303 |
| Voltada à excelência diagnóstica | 84,5% | US$ 8.945 |
Esses valores são estimativas de exames e etapas do trabalho diagnóstico, não contas observadas de pacientes. O método também atribuiu um custo fixo de consulta às perguntas sobre histórico e exame físico. O estudo ressalva que preços padronizados dos Estados Unidos não capturam variações regionais, tempo até o resultado, invasividade, desconforto ou disponibilidade logística dos exames.
No MIMIC-IV-ED, o custo estimado médio foi de US$ 4.979 por caso para o DxO sem limite de orçamento e de US$ 3.400 para os médicos participantes. As cifras dependem da base de preços usada no estudo e não são tarifas universais.
Limites clínicos e avaliação anunciada
Os casos CPC foram selecionados por seu valor didático e podem concentrar apresentações difíceis de diagnosticar. Os conjuntos usados também excluem atendimentos saudáveis ou benignos. As interações eram textuais e mediadas pelo Gatekeeper, sem reproduzir a comunicação incerta de uma consulta real, um prontuário eletrônico completo ou evidências multimodais, como imagens médicas. O estudo avaliou a correção do diagnóstico, não a segurança ou adequação do tratamento nem o acompanhamento ao longo do tempo. A comparação com médicos individuais também não mede o desempenho de equipes de especialistas.
Nos erros do DxO, as respostas frequentemente apontaram doenças clinicamente próximas, mas no nível de especificidade inadequado. O artigo não transforma essa observação em uma medida de segurança clínica; o benchmark não avaliou resultados de pacientes.
O artigo informa que todos os autores trabalham na Microsoft e possuem ações da empresa. Também declara que os estudos não receberam financiamento externo à Microsoft.
Em 22 de outubro, a Microsoft anunciou uma avaliação prospectiva com o Beth Israel Deaconess Medical Center. O plano prevê que pacientes recebam o atendimento habitual e interajam paralelamente com o DxO; as recomendações do sistema serão comparadas com avaliações independentes de médicos.
