AI Diagnostik Microsoft Mengungguli Dokter Umum dalam Studi di Science

Sistem diagnostik MAI-DxO milik Microsoft mengungguli dokter umum yang berpartisipasi dalam menangani kasus diagnostik kompleks, menurut studi yang ditelaah sejawat dan diterbitkan di Science pada 22 Oktober 2026. Studi tersebut melaporkan akurasi sistem sebesar 83,2% pada rekam kasus New England Journal of Medicine, dibandingkan dengan 36,1% pada dokter yang menggunakan sumber referensi.

Studi berjudul “Diagnosis berurutan dengan model bahasa” dimuat dalam Science Volume 394, Edisi 6822, halaman 423–428; naskahnya diterima pada 4 April 2026 dan disetujui pada 10 Agustus 2026. Kelima belas penulisnya adalah karyawan Microsoft, termasuk CEO Microsoft AI Mustafa Suleyman, bersama Dominic King dan Eric Horvitz. Dalam pengumuman yang disampaikan pada hari yang sama, Microsoft menyatakan bahwa karya tersebut “diterbitkan hari ini di Science” dalam edisi jurnal “AI in Medicine”.

Tolok Ukur yang Berfokus pada Diagnosis Bertahap

Makalah tersebut memperkenalkan Sequential Diagnosis Benchmark, atau SDBench, yang mengubah 304 kasus konferensi klinikopatologis dari New England Journal of Medicine dan 325 kasus dari unit gawat darurat hingga rawat inap dalam kumpulan data MIMIC-IV-ED menjadi proses diagnosis interaktif bertahap. Setiap kasus dimulai dengan vignette klinis singkat, yang menjadi dasar bagi dokter atau sistem AI untuk mengajukan pertanyaan tentang riwayat kesehatan atau pemeriksaan, memesan tes diagnostik, atau menetapkan diagnosis akhir. Kinerja dinilai berdasarkan akurasi diagnosis dibandingkan dengan diagnosis acuan dan total perkiraan biaya tes yang dipesan.

Dua agen pendukung mengatur setiap proses diagnosis. Agen Gatekeeper memeriksa setiap permintaan informasi berdasarkan rekam kasus yang mendasarinya dan menghasilkan temuan sintetis yang netral secara diagnostik ketika temuan yang diminta tidak tersedia, sehingga ketiadaan data tidak memberi petunjuk tentang jawabannya. Agen Judge menilai diagnosis yang ditetapkan berdasarkan diagnosis acuan dengan rubrik lima tingkat yang disusun oleh dokter. Diagnosis dengan skor 4 atau 5—yang berarti penatalaksanaannya tidak akan berubah—dihitung sebagai benar. Biaya tes diperkirakan menggunakan tarif berbasis CPT yang bersumber dari berkas Kaiser Permanente Washington Central Hospital Standard Charges; pertanyaan tentang riwayat kesehatan dan pemeriksaan dimasukkan ke dalam biaya tetap kunjungan dokter.

Dalam tolok ukur tersebut, para penulis mengevaluasi Microsoft AI Diagnostic Orchestrator, yang disingkat DxO dalam makalah, yaitu sistem yang tidak bergantung pada model tertentu dan menyimulasikan panel pakar klinis dengan peran yang saling melengkapi, menerapkan pengelolaan tes yang mempertimbangkan biaya pada setiap tahap, serta menggabungkan diagnosis dari sejumlah pelaksanaan independen. Dalam pengumumannya, Microsoft menggambarkan sistem itu beroperasi seperti panel dokter virtual yang berdebat selama beberapa putaran. Para penulis berpendapat bahwa tolok ukur statis, yang menyajikan seluruh informasi kasus sejak awal dan meminta satu jawaban, tidak dapat mengukur apakah suatu sistem mengajukan pertanyaan yang tepat, menghindari tes secara sembarangan, atau menyadari kapan tingkat kepastiannya sudah cukup untuk mengakhiri pemeriksaan.

Hasil pada Kasus NEJM dan Unit Gawat Darurat

Pada kasus konferensi klinikopatologis, DxO yang dipadukan dengan GPT-5 dan dijalankan tanpa batasan anggaran mencapai akurasi 83,2% dengan biaya rata-rata $5.431 per kasus. Konfigurasi dengan batasan biaya mencapai akurasi 80,9% dengan biaya $2.241 dan 79,6% dengan biaya $1.303, sedangkan konfigurasi yang ditujukan untuk keunggulan diagnostik mencapai 84,5% dengan biaya $8.945. Dalam studi dokter yang menyertai penelitian tersebut, yang dilakukan pada 56 kasus yang tidak digunakan dalam pengembangan, para peserta menghasilkan 764 diagnosis tanpa referensi dan 662 diagnosis dengan referensi. Rata-rata akurasinya mencapai 22,3% tanpa referensi dengan biaya $3.049 per kasus, dan 36,1% dengan referensi dengan biaya $4.725. Dokter dengan hasil terbaik mencapai 51,8%. Makalah tersebut juga melaporkan perbedaan gaya pemeriksaan: dokter mengajukan rata-rata 5,6 pertanyaan sebelum memesan tes pertama, sedangkan DxO dengan GPT-5 mengajukan rata-rata 25,5 pertanyaan—strategi yang oleh para penulis digambarkan sebagai pengumpulan riwayat kesehatan terstruktur secara ekstensif.

Pada kasus unit gawat darurat, DxO tanpa batasan anggaran mencapai akurasi 80,3% dengan biaya $4.979 per kasus, dan 73,2% dengan biaya $2.634 saat anggaran dibatasi. Rata-rata akurasi dokter umum mencapai 46,8% dengan biaya $3.400, sedangkan dokter perorangan dengan hasil terbaik mencapai 62,5%. Pada semua model yang diuji dengan perintah dasar minimal, orkestrasi DxO meningkatkan akurasi diagnosis rata-rata sebesar 7,9 poin persentase pada kasus konferensi dan 4,4 poin persentase pada kasus unit gawat darurat. Dalam pengumumannya, Microsoft menyatakan bahwa tidak ada pendekatan manusia atau AI lain yang dievaluasi yang sekaligus lebih akurat dan lebih murah daripada MAI-DxO. Microsoft menggambarkan sistem tersebut 1,7 kali lebih akurat daripada dokter pada kasus unit gawat darurat, lebih dari dua kali lebih akurat daripada dokter yang menggunakan buku teks dan internet pada kasus jurnal, serta hampir empat kali lebih akurat daripada dokter yang mendiagnosis tanpa sumber-sumber tersebut, dengan biaya setengah hingga sepertiga dari biaya dokter.

DxO mula-mula dikembangkan saat GPT-4.1 merupakan model terkuat yang tersedia, kemudian dievaluasi menggunakan GPT-5. Sebelum diterbitkan, seluruh rangkaian evaluasi diulang dengan GPT-5.5 tanpa mengubah perintah atau orkestrasi, dan keunggulan akurasinya atas perintah dasar meningkat. Versi lebih awal dari penelitian ini diunggah sebagai pracetak pada 27 Juni 2025. Versi tersebut melaporkan akurasi 80% dengan model o3 dari OpenAI, empat kali rata-rata dokter sebesar 20%, serta akurasi 85,5% dalam konfigurasi akurasi maksimum; versi yang ditelaah sejawat menambahkan rangkaian kasus unit gawat darurat dan evaluasi terbaru dengan GPT-5 dan GPT-5.5.

Keterbatasan yang Diungkapkan dan Pernyataan Penulis

Para penulis menyatakan bahwa perbandingan tersebut tidak menunjukkan keunggulan atas para spesialis, tim multidisiplin, atau praktik klinis di dunia nyata. Mereka juga menulis bahwa kesenjangan kinerja diperkirakan akan menyempit jika dibandingkan dengan spesialis ahli atau tim yang disesuaikan dengan setiap kasus. Mereka mencatat bahwa keunggulan yang terukur tampak lebih besar dalam simulasi terkendali yang mengesampingkan riwayat pasien yang tidak pasti, dokumentasi yang tidak lengkap, hubungan baik dengan pasien, tindak lanjut jangka panjang, serta data multimodal seperti citra medis dan preparat patologi; selain itu, kasus-kasus dalam jurnal tersebut mungkin terlalu banyak mewakili kasus dengan diagnosis yang menantang. Keterbatasan lain yang disebutkan adalah perbandingan dengan dokter secara individual, bukan kolaborasi berbagai spesialisasi, serta rubrik Judge yang menilai ketepatan diagnosis pada tingkat penyakit, bukan kesesuaian terapi, keamanan, atau penatalaksanaan jangka panjang.

Dalam pengungkapan di makalah tersebut, para penulis menyatakan bahwa mereka semua adalah karyawan Microsoft yang memiliki saham di perusahaan itu, beberapa di antaranya merupakan inventor dalam permohonan paten Microsoft terkait kerangka evaluasi otomatis untuk diagnosis berurutan, dan tidak ada dana dari luar Microsoft yang diperoleh untuk penelitian tersebut.

Rilis Sumber Terbuka dan Kemitraan Klinis

Microsoft mengatakan akan merilis SDBench sebagai sumber terbuka untuk sejumlah kasus NEJM, termasuk kode tolok ukur, Gatekeeper, Judge, dan estimasi biaya. Kode tersebut tersedia di GitHub dengan Lisensi MIT, beserta konfigurasi bernama “science” yang menetapkan gatekeeper dan judge yang digunakan untuk menghasilkan temuan dalam makalah tersebut. Menurut situs proyek SDBench, penggunaan set data yang berasal dari kasus-kasus jurnal tersebut memerlukan lisensi dari NEJM Group, subset MIMIC didistribusikan melalui PhysioNet dengan persyaratan verifikasi kredensial, dan lima kasus sintetis sepenuhnya disertakan sebagai set data terbuka bawaan.

Makalah pendamping yang berisi pandangan, “Superintelijensi Medis: Landasan dan Aspirasi,” memperkenalkan enam dimensi kecerdasan medis yang saling bergantung dan menyatakan bahwa untuk mencapai ambang superintelijensi medis, diperlukan “lebih dari sekadar kinerja yang melampaui kemampuan manusia dalam tugas-tugas terpisah”—yakni sistem yang melampaui sistem kesehatan terkuat saat ini yang dipimpin manusia dalam penalaran medis terpadu sepanjang keseluruhan rangkaian perawatan. Pengumuman Microsoft menyatakan bahwa makalah tersebut diterbitkan di BMJ Digital Health and AI. Perusahaan itu juga mengatakan bahwa tim kesehatan dari berbagai bagian Microsoft, termasuk para ilmuwan Microsoft Research serta tim di balik Dragon Copilot dan PowerScribe, akan disatukan dalam upaya terpadu di Microsoft AI. Microsoft juga merujuk pada kolaborasi dengan Mayo Clinic yang diumumkan sebelumnya; dalam pengumuman tanggal 2 Juni 2026, kedua organisasi tersebut menyatakan sedang mengembangkan model AI mutakhir untuk layanan kesehatan yang akan dimiliki Mayo Clinic dan rencananya akan disediakan Microsoft melalui API Azure Foundry.

Melalui kemitraan baru dengan Beth Israel Deaconess Medical Center di Boston, Microsoft mengatakan akan mengevaluasi kemampuan penalaran klinis di berbagai lingkungan rumah sakit dalam sebuah studi prospektif. Dalam studi ini, pasien akan berinteraksi langsung dengan sistem tersebut, dan kinerjanya akan dinilai berdasarkan penilaian independen para dokter.