Studie sieht Potenzial für genauere KI-Diagnosen

Die Studie Sequential Diagnosis with Language Models berichtet, dass das KI-System MAI-DxO in einer kontrollierten Testumgebung bei komplexen, aus dem New England Journal of Medicine stammenden Fällen eine Genauigkeit von 83,2 Prozent erreichte, während Allgemeinmediziner mit Fachliteratur auf 36,1 Prozent kamen. Bei Notaufnahmefällen aus der Datenbank MIMIC-IV-ED lag das System bei 80,3 Prozent, die Ärzte bei 46,8 Prozent.

Wie der Diagnose-Assistent arbeitet

Microsoft AI beschreibt das System im Beitrag Building Medical Superintelligence bei den komplexesten, im New England Journal of Medicine veröffentlichten Fällen als nahezu viermal so treffsicher wie Ärzte ohne Lehrbücher und Internet, bei einem Drittel bis der Hälfte der Kosten. Diese Einsparungen beruhen laut Gizmodo auf geschätzten Kosten in simulierten Fällen, nicht auf tatsächlichen medizinischen Ausgaben. Laut Studienabstract ist MAI-DxO ein modellunabhängiger Orchestrator, der ein simuliertes Ärztegremium nachbildet, fortlaufend Differenzialdiagnosen überarbeitet und kosteneffektive Tests auswählt. Dabei erhalten Ärzte wie System zunächst nur eine kurze Fallvorstellung und müssen gezielt weitere Informationen bei einem Gatekeeper-Modell anfordern, das Befunde erst auf Nachfrage offenlegt. Bewertet wurden Genauigkeit und Kosten der Abklärung anhand des eigens entwickelten Sequential Diagnosis Benchmark mit 304 anspruchsvollen Fällen aus den klinisch-pathologischen Konferenzen des New England Journal of Medicine.

Was unabhängige Berichte einschränken

Das Technikmedium TechCrunch ordnet die Ergebnisse ein und schreibt, die Studiendaten selbst legten nahe, dass ein großer Teil der Verbesserung auf leistungsfähigere Basismodelle zurückgehe, während Microsofts Orchestrierung zusätzliche Gewinne liefere. Bei Notaufnahmefällen brachte die Orchestrierung laut TechCrunch kaum Verbesserung gegenüber dem Basismodell GPT-5, während sie bei komplexen Fällen die Genauigkeit von GPT-5.5 von 72 auf nahezu 87 Prozent steigerte. Laut dem Bericht profitierten vor allem schwächere Modelle wie Gemini 2.5 Flash, dessen Genauigkeit von 46,4 auf nahezu 69 Prozent stieg, wobei der Abstand zwischen schwächeren und stärkeren Modellen größer blieb als der Zugewinn durch die Orchestrierung. Das Fachmedium ICT&health weist darauf hin, dass die Vergleiche auf simulierten Szenarien beruhen und daher nicht belegen können, ob das System Ärzte auch im Versorgungsalltag übertreffen würde. Auch im Bericht von Gizmodo heißt es, die Forschenden selbst würden einen kleineren Abstand erwarten, wenn man das System mit spezialisierten Fachärzten statt mit Allgemeinmedizinern vergliche; laut TechCrunch behandeln solche komplexen Fälle in der Praxis meist Spezialisten oder Ärzteteams. Medizinische Expertinnen und Experten betonen laut Gizmodo zudem, bessere Testergebnisse bedeuteten nicht, dass solche Systeme Ärzte ersetzen könnten oder sollten; die Werkzeuge werden als Unterstützung für Fachpersonal positioniert. Eine eigene Stellungnahme der getesteten Allgemeinmediziner zu den Vergleichsbedingungen liegt in den ausgewerteten Quellen nicht vor.

Im Vergleich

Schon die frühere, als arXiv-Preprint von 2025 erschienene Fassung der Studie hatte für eine simulierte Variante mit OpenAIs o3-Modell 80 Prozent Genauigkeit gegenüber 20 Prozent bei Allgemeinmedizinern berichtet, maximal konfiguriert sogar 85,5 Prozent. Diese älteren Werte widersprechen den nun in Science veröffentlichten 83,2 beziehungsweise 36,1 Prozent nicht zwingend, da sich Fassung, Modellkonfiguration und die Hilfsmittel der verglichenen Ärzte unterschieden. Der AI Index Report 2026 ordnet solche Multiagentensysteme allgemein ein: Sie zeigten gegenüber Einzelagenten-Vergleichssystemen Genauigkeitsgewinne von 7 bis über 60 Prozent, während führende Modelle bei strukturierten klinischen Prüfungen zum klinischen Schlussfolgern inzwischen besser abschneiden als die meisten Ärzte. Zugleich beruht laut dem Bericht fast die Hälfte der klinischen KI-Studien auf simulierten Szenarien statt echten Patientendaten und starke Testergebnisse führten 2025 nicht durchgängig zu belegtem Nutzen im Versorgungsalltag. Innerhalb der aktuellen Studie zeigt sich: Allein erreichte GPT-5 mit einer kurzen, einfachen Eingabe bei komplexen Fällen 78,9 Prozent für geschätzte 8.400 Dollar pro Fall, mit Orchestrierung sanken die Kosten um rund 3.000 Dollar, die Genauigkeit stieg um etwa vier Punkte.

Offene Fragen, bevor aus der Simulation Praxis wird

Laut ICT&health braucht es mehr als diagnostische Genauigkeit allein: Patientensicherheit, der Umgang mit unnötigen Tests, die Einbindung in bestehende Krankenhaussysteme und die Frage der Verantwortung für eine Entscheidung müssen berücksichtigt werden. Dominic King, Vizepräsident der Gesundheitssparte von Microsoft AI, erklärte gegenüber der Nachrichtenagentur Reuters, bisherige KI-Vergleiche über Multiple-Choice-Prüfungen seien nicht realitätsnah, weil kein Patient je mit einer fertigen Fallzusammenfassung zu ihm gekommen sei; eine geplante Studie in Boston soll untersuchen, ob das System Patienten in Wartebereichen von Notaufnahmen triagieren kann. Die gute Nachricht bleibt das, was sie laut den Studienautoren selbst ist: ein vielversprechendes Ergebnis aus einer kontrollierten Benchmark-Umgebung.