IA de diagnóstico da Microsoft supera médicos generalistas em estudo publicado na Science

O sistema de diagnóstico MAI-DxO da Microsoft superou os médicos generalistas participantes em casos diagnósticos complexos, segundo um estudo revisado por pares publicado em 22 de outubro de 2026 na Science. O estudo registrou 83,2% de precisão do sistema em prontuários de casos do New England Journal of Medicine, contra 36,1% dos médicos que utilizaram materiais de referência.

O estudo, “Diagnóstico sequencial com modelos de linguagem”, foi publicado na Science, volume 394, número 6822, páginas 423–428; foi recebido em 4 de abril de 2026 e aceito em 10 de agosto de 2026. Todos os 15 autores são funcionários da Microsoft, e a lista inclui o CEO da Microsoft AI, Mustafa Suleyman, além de Dominic King e Eric Horvitz. Em um comunicado divulgado no mesmo dia, a Microsoft afirmou que o trabalho “é publicado hoje na Science”, na edição da revista “AI in Medicine”.

Um benchmark estruturado em torno do diagnóstico passo a passo

O artigo apresenta o Sequential Diagnosis Benchmark, ou SDBench, que transforma 304 casos de conferências clinicopatológicas do New England Journal of Medicine e 325 atendimentos que vão da chegada ao pronto-socorro à internação, extraídos do conjunto de dados MIMIC-IV-ED, em interações diagnósticas interativas e passo a passo. Cada caso começa com uma breve vinheta clínica, a partir da qual o responsável pelo diagnóstico, seja um médico ou um sistema de IA, pode fazer perguntas sobre o histórico ou o exame clínico, solicitar exames diagnósticos ou definir um diagnóstico final. O desempenho é avaliado pela precisão diagnóstica em relação ao diagnóstico de referência e pelo custo estimado acumulado dos exames solicitados.

Dois agentes auxiliares estruturam cada interação. Um agente Gatekeeper intermedeia cada solicitação de informação com base no registro subjacente do caso e gera resultados sintéticos neutros do ponto de vista diagnóstico quando o achado solicitado não está disponível, para que a falta de dados não indique a resposta. Um agente Judge avalia o diagnóstico definido em relação ao diagnóstico de referência, com base em uma rubrica de cinco níveis elaborada por médicos. As pontuações 4 ou 5, correspondentes a diagnósticos para os quais a conduta não mudaria, são consideradas corretas. Os custos dos exames foram estimados com preços baseados na CPT, extraídos do arquivo Kaiser Permanente Washington Central Hospital Standard Charges, e as perguntas sobre histórico e exame clínico foram incluídas em um custo fixo de consulta médica.

No benchmark, os autores avaliaram o Microsoft AI Diagnostic Orchestrator, abreviado como DxO no artigo, um sistema independente de modelo que simula um painel de especialistas clínicos com funções complementares, aplica uma gestão criteriosa dos exames, considerando seus custos a cada etapa, e agrega diagnósticos de execuções independentes. O comunicado da Microsoft descreve o sistema como semelhante a um painel de médicos virtuais que debatem ao longo de várias rodadas. Os autores argumentam que benchmarks estáticos, que apresentam todas as informações do caso de uma só vez e pedem uma única resposta, não conseguem medir se um sistema faz as perguntas certas, evita solicitar exames indiscriminadamente ou reconhece quando tem certeza suficiente para concluir a investigação diagnóstica.

Resultados em casos do NEJM e de pronto-socorro

Nos casos das conferências clinicopatológicas, o DxO combinado com o GPT-5 e executado sem limites de orçamento alcançou 83,2% de precisão, com custo médio de US$ 5.431 por caso. As configurações com restrição de custos atingiram 80,9% de precisão a US$ 2.241 e 79,6% a US$ 1.303, enquanto uma configuração voltada à excelência diagnóstica alcançou 84,5% a US$ 8.945. No estudo com médicos que acompanhou o artigo, realizado com 56 casos excluídos do trabalho de desenvolvimento, os participantes produziram 764 diagnósticos sem consulta a materiais de referência e 662 com consulta, com médias de precisão de 22,3% sem consulta, a US$ 3.049 por caso, e de 36,1% com consulta, a US$ 4.725. O médico com melhor desempenho alcançou 51,8%. O artigo também relata diferenças na abordagem diagnóstica: os médicos fizeram, em média, 5,6 perguntas antes de solicitar o primeiro exame, enquanto o DxO com GPT-5 fez, em média, 25,5 perguntas — uma estratégia que os autores descrevem como uma anamnese estruturada e abrangente.

Nos casos de pronto-socorro, o DxO sem limites de orçamento alcançou 80,3% de precisão a US$ 4.979 por caso e 73,2% a US$ 2.634 com restrições orçamentárias. Os médicos generalistas tiveram uma média de 46,8% a US$ 3.400, e o médico com melhor desempenho chegou a 62,5%. Entre todos os modelos testados com comandos iniciais mínimos, a orquestração do DxO aumentou a precisão diagnóstica em uma média de 7,9 pontos percentuais nos casos das conferências e de 4,4 pontos nos casos de pronto-socorro. O comunicado da Microsoft afirma que nenhuma outra abordagem humana ou de IA avaliada foi, ao mesmo tempo, mais precisa e menos dispendiosa do que o MAI-DxO. O comunicado descreve o sistema como 1,7 vez mais preciso do que os médicos nos casos de pronto-socorro, mais de duas vezes mais preciso do que os médicos que usaram livros didáticos e a internet nos casos da revista e quase quatro vezes mais preciso do que os médicos que fizeram diagnósticos sem esses recursos, por metade a um terço do custo.

O DxO foi desenvolvido inicialmente quando o GPT-4.1 era o modelo mais avançado disponível e, posteriormente, foi avaliado com o GPT-5. Antes da publicação, toda a bateria de avaliações foi repetida com o GPT-5.5, sem alterações nos comandos ou na orquestração, e a vantagem de precisão em relação ao comando de referência aumentou. Uma versão anterior do trabalho foi publicada como pré-impressão em 27 de junho de 2025 e relatou 80% de precisão com o modelo o3 da OpenAI, quatro vezes a média de 20% dos médicos, e 85,5% em uma configuração voltada à precisão máxima; a versão revisada por pares acrescenta o conjunto de casos de pronto-socorro e avaliações atualizadas com o GPT-5 e o GPT-5.5.

Limitações declaradas e divulgações dos autores

Os autores afirmam que as comparações não demonstram superioridade em relação a especialistas, equipes multidisciplinares ou à prática clínica no mundo real, e escrevem que esperariam que a diferença de desempenho diminuísse em comparação com especialistas ou equipes selecionados para cada caso. Observam que as vantagens medidas são ampliadas em uma simulação controlada que deixa de lado históricos clínicos incertos, documentação incompleta, vínculo com o paciente, acompanhamento longitudinal e dados multimodais, como exames de imagem e lâminas de patologia, e que os casos da revista podem representar em excesso apresentações com diagnóstico difícil. Outra limitação mencionada é a comparação com médicos individuais, e não com equipes de várias especialidades; além disso, a rubrica do Judge avalia a correção do diagnóstico no nível da doença, e não a adequação terapêutica, a segurança ou o manejo longitudinal.

Nas declarações de divulgação do artigo, os autores afirmam que todos são funcionários da Microsoft e possuem participação acionária na empresa; que vários são inventores em um pedido de patente da Microsoft relacionado a uma estrutura automatizada para avaliar diagnósticos sequenciais; e que nenhum recurso externo à Microsoft foi obtido para os estudos.

Lançamento de código aberto e parcerias clínicas

A Microsoft afirmou que está disponibilizando como código aberto o SDBench para casos selecionados do NEJM, incluindo o benchmark, o Gatekeeper, o Judge e o código de estimativa de custos. O código está disponível no GitHub sob a licença MIT, com uma configuração chamada “science” que fixa as versões do Gatekeeper e do Judge usadas nos resultados do artigo. De acordo com o site do projeto SDBench, o conjunto de dados derivado dos casos da revista exige uma licença do NEJM Group; o subconjunto MIMIC é distribuído pelo PhysioNet, sujeito à verificação de credenciais; e cinco casos totalmente sintéticos são fornecidos como conjunto de dados aberto padrão.

Um artigo de posicionamento complementar, “Medical Superintelligence: Foundations and Aspirations,” apresenta seis dimensões interdependentes da inteligência médica e afirma que ultrapassar o limiar da superinteligência médica exigirá “mais do que um desempenho sobre-humano em tarefas isoladas”: sistemas que superem os mais avançados sistemas de saúde atuais liderados por pessoas em raciocínio médico integrado ao longo de todo o percurso do cuidado. O anúncio da Microsoft afirma que o artigo foi publicado na BMJ Digital Health and AI. A empresa também informou que está reunindo equipes de saúde de diferentes áreas da Microsoft — incluindo cientistas da Microsoft Research e as equipes responsáveis pelo Dragon Copilot e pelo PowerScribe — em uma iniciativa integrada da Microsoft AI, e mencionou a colaboração com a Mayo Clinic anunciada anteriormente; segundo um anúncio de 2 de junho de 2026, as organizações estão desenvolvendo um modelo de IA de fronteira para a área da saúde, que será propriedade da Mayo Clinic e que a Microsoft planeja disponibilizar por meio das APIs do Azure Foundry.

Em uma nova parceria com o Beth Israel Deaconess Medical Center, em Boston, a Microsoft afirmou que avaliará as capacidades de raciocínio clínico em diferentes ambientes hospitalares por meio de um estudo prospectivo no qual os pacientes interagirão diretamente com o sistema, e o desempenho será comparado às avaliações independentes dos médicos.