O estudo publicado pela Microsoft na Science em 22 de outubro de 2026 registrou acurácia de 83,2% para o MAI-DxO em casos históricos do New England Journal of Medicine (NEJM) e de 80,3% em atendimentos do banco MIMIC-IV-ED. Os resultados vieram de benchmarks retrospectivos, controlados e baseados em texto: não medem o desempenho do sistema no atendimento a pacientes.
Os resultados do MAI-DxO nas duas coortes
Nas duas avaliações principais, o MAI-DxO usou o GPT-5. Os médicos participantes eram profissionais individuais, e não equipes ou especialistas.
| Coorte do benchmark | Registros históricos | MAI-DxO com GPT-5 | Médicos participantes | Contexto |
| NEJM CPC | 304 casos | 83,2% de acurácia | 36,1% com material de referência; 22,3% sem | Casos de conferências clínico-patológicas, simulados em texto |
| MIMIC-IV-ED | 325 atendimentos | 80,3% de acurácia | 46,8% | Registros de atendimentos de emergência que levaram a internação, simulados em texto |
A acurácia indica a proporção de respostas consideradas corretas segundo a avaliação do benchmark. Os resultados com GPT-5.5 pertencem a uma repetição separada do teste, não às cifras principais da pesquisa.
Como o SDBench simula o raciocínio diagnóstico
O MAI-DxO é um sistema de orquestração que organiza etapas de diagnóstico em torno de um modelo de linguagem. O SDBench é o benchmark usado para avaliá-lo. O sistema começa com informações limitadas, pode solicitar histórico, achados de exame físico ou testes, revê as hipóteses e então apresenta um diagnóstico.
No SDBench, um agente chamado Gatekeeper fornece informações do registro histórico conforme as solicitações. Quando o registro não contém um achado pedido, o Gatekeeper pode gerar um resultado sintético considerado neutro para o diagnóstico. Depois, um Judge avalia a resposta final com uma escala de cinco níveis elaborada por médicos. Notas 4 ou 5 contam como corretas.
A demonstração da Microsoft publicada em 29 de junho de 2025 acompanha um caso simulado enquanto o sistema pede informações e exames, atualiza hipóteses e registra custos estimados. Ela ilustra uma versão anterior do fluxo do benchmark.
O que os números de custo representam
Na coorte do NEJM, a configuração principal atingiu 83,2% de acurácia com custo médio estimado de US$ 5.431 por caso. Uma configuração de menor custo chegou a 79,6% com estimativa de US$ 1.303, uma diferença de 3,6 pontos percentuais na acurácia.
A pesquisa calculou esses valores mapeando exames a códigos CPT e usando uma tabela de preços de 2023 da Kaiser Permanente Washington. Também atribuiu US$ 300 a cada consulta médica simulada. São estimativas modeladas com referências dos Estados Unidos, não contas pagas nem custos do sistema de saúde brasileiro. O cálculo não incorpora, entre outros fatores, diferenças entre prestadores e pagadores, tempo de espera por resultados, desconforto, invasividade ou disponibilidade de exames.
Os autores do estudo eram funcionários da Microsoft e declararam participação acionária na empresa.
A avaliação hospitalar que a Microsoft planejou
Em 22 de outubro de 2026, a Microsoft descreveu um plano de avaliação prospectiva com o Beth Israel Deaconess Medical Center. A proposta previa interações com pacientes em ambientes hospitalares e a comparação do desempenho do sistema com avaliações independentes de médicos.
A pesquisa publicada mediu respostas a registros históricos em uma simulação textual. A avaliação hospitalar anunciada pela Microsoft era uma etapa futura distinta desse benchmark.
