O "orquestrador" de diagnóstico de IA da Microsoft(MSFT.US) apareceu na revista Science: a precisão é duas vezes maior que a dos médicos generalistas, levando a IA médica à produtividade clínica.

De acordo com informações da Informação Financeira Inteligente APP, a Microsoft (MSFT.US) deu um passo importante na corrida da IA médica. No dia 22 de outubro, horário local, os resultados das pesquisas sobre o sistema de diagnóstico por IA, MAI-DxO (Microsoft AI Diagnostic Orchestrator), foram oficialmente publicados na revista Science. Trata-se de uma ferramenta de IA capaz de diagnosticar pacientes passo a passo como um médico, apresentando uma taxa de precisão mais que o dobro da de médicos clínicos gerais ao lidar com casos médicos complexos.

Em uma avaliação simulada baseada em 304 casos médicos complexos publicada no New England Journal of Medicine (NEJM), a precisão diagnóstica do MAI-DxO atingiu 83,2%, enquanto a precisão dos clínicos gerais que podiam consultar materiais de referência era de apenas 36,1%; quando impedidos de consultar referências, a precisão dos médicos caiu ainda mais para cerca de 22%. Em outro teste utilizando dados de internação de emergência do MIMIC-IV-ED, o sistema apresentou precisão de 80,3%, contra 46,8% dos clínicos gerais, diminuindo a vantagem para 1,7 vez.

O relatório indica que o modelo utiliza um "orquestrador" para identificar e coordenar as perguntas a serem feitas ao paciente, bem como os exames e testes a serem realizados. Esse orquestrador organiza o modo como a IA aborda a resolução dos casos ao simular a colaboração de um grupo de especialistas clínicos.

Os modelos de IA médica existentes normalmente adotam uma abordagem “única”, ou seja, analisam em conjunto todos os sintomas do paciente, resultados laboratoriais e exames de imagem para gerar um diagnóstico.

Sob a coordenação do orquestrador nos passos do diagnóstico, este modelo de IA decide primeiramente quais informações da história clínica devem ser perguntadas e quais pontos do exame físico são relevantes. Com base nas informações obtidas, determina quais exames devem ser solicitados, avalia os resultados e agenda exames complementares quando necessário. De acordo com o responsável pelo estudo, o modelo atualiza continuamente suas hipóteses e plano de ação ao longo de todo o processo.

Ao diagnosticar mais de 300 problemas médicos altamente raros e complexos, o modelo com orquestrador de diagnóstico teve precisão mais que o dobro de médicos clínicos gerais que tiveram acesso a livros didáticos e internet, tanto na avaliação quanto na determinação diagnóstica. Em cenários baseados em um grande banco de dados de casos de internação de emergência, a ferramenta também superou médicos humanos.

Os pesquisadores apontaram que avaliações em que se compara este sistema precoce com médicos humanos normalmente utilizam perguntas de múltipla escolha.

"A IA já é muito competente nessa área, podendo atingir uma taxa de aprovação de 100%", afirmou Dominic King, vice-presidente corporativo de Health AI na Microsoft, que lidera o desenvolvimento dessa nova tecnologia. "Mas, é claro, isso não representa o mundo real. Nenhum paciente procura por mim trazendo um belo resumo de sua história clínica."

Os pesquisadores também descobriram que, quando o processo de exames foi desenhado pelo orquestrador, o custo do diagnóstico foi menor do que quando elaborado por médicos humanos. "Não apenas medimos a precisão do sistema, mas também quão prudente e minucioso ele é ao realizar exames diagnósticos", comentou Nori Harsha, chefe de IA da Microsoft AI Health.

Em colaboração com o Beth Israel Deaconess Medical Center de Boston, os pesquisadores testarão, na próxima fase, a capacidade da ferramenta em triar pacientes na área de espera do pronto-socorro.

Em termos de comportamento, antes de solicitarem o primeiro exame, médicos fazem em média apenas 5,6 perguntas adicionais, enquanto o DxO pergunta, em média, 25,5, mostrando um padrão de coleta de história clínica mais sistemático e estruturado. Quanto ao modelo base, o sistema teve melhor desempenho no OpenAI GPT-5, e ao utilizar o GPT-5.5, a performance foi ainda mais aprimorada, indicando que o ganho do orquestrador é transferível entre modelos.

Sob a perspectiva da comercialização, o aspecto mais importante do presente estudo é a mudança do padrão de avaliação: a Microsoft apresentou simultaneamente o SDBench, um “benchmark de diagnóstico sequencial”, que transforma casos em uma “consulta passo a passo” interativa, introduzindo pela primeira vez o custo dos exames como critério, além da precisão. Isso significa que a competição na IA médica está migrando de uma ênfase exclusiva na precisão dos algoritmos para uma comparação abrangente de "capacidade de raciocínio clínico e orquestração + eficiência de custos".

Essa mudança está alinhada com o ritmo geral do setor. Segundo dados da Grand View Research, o mercado global de IA médica deverá somar cerca de 42,62 bilhões de dólares em 2025, com estimativa de chegar a 56,2 bilhões em 2026 e potencial de atingir 1,05 trilhão de dólares até 2036, com taxa de crescimento anual composta de cerca de 34% entre 2026 e 2036.

No lado da oferta, desde que adquiriu a Nuance por quase US$ 20 bilhões em 2022, a Microsoft já integrou o Dragon Copilot aos fluxos de trabalho de documentação clínica e voz, atendendo um grande número de hospitais e médicos nos EUA, e o MAI-DxO representa uma extensão natural da empresa da “automação administrativa” para o “suporte à decisão diagnóstica”.

O próximo passo fundamental de validação já está bem delineado. A Microsoft planeja, nos próximos meses, cooperar com o Beth Israel Deaconess Medical Center de Boston para iniciar testes prospectivos em ambiente clínico real, avaliando principalmente o desempenho em triagens de emergência. Ao mesmo tempo, com o plano de desenvolvimento de modelo médico fundamental em parceria com a Mayo Clinic, o quebra-cabeça comercial da Microsoft na área de saúde está se completando.

Para o mercado secundário, o estímulo de curto prazo desencadeado pelo endosso da Science já foi liberado, mas a valorização central da IA médica no longo prazo dependerá de se as vantagens observadas no ambiente simulado poderão ser repetidas em testes duplo-cegos reais, bem como das definições de preço e responsabilidade para “diagnóstico assistido por IA” junto a pagadores e órgãos regulatórios.