Ein Patient braucht eine verlässliche Diagnose und einen klaren Weg zur Behandlung. Für Führungskräfte im Gesundheitswesen wirft Microsofts jüngste medizinische KI-Forschung eine praktische Frage auf: Wie sollte eine Organisation ein System bewerten, das über mehrere Schritte hinweg Belege sammelt und Entscheidungen trifft?
Meine Ansicht ist, dass MAI-DxO nicht nur wegen seiner Genauigkeit Beachtung verdient, sondern auch wegen seines Entscheidungsprozesses. CEOs und CTOs sollten diesen Prozess studieren und dabei eine klare Grenze zwischen Forschungsleistung und nachgewiesenem klinischem Nutzen wahren.
Die Studie Sequential diagnosis with language models erschien am 22. Oktober 2026 in Science. MAI-DxO in Verbindung mit GPT-5 erreichte eine diagnostische Genauigkeit von 83,2 % bei 304 schwierigen NEJM-Fällen. Allgemeinmediziner mit Referenzquellen erreichten 36,1 %, ohne diese 22,3 %. Bei 325 Aufnahmefällen aus der Notaufnahme erreichte das System 80,3 %, gegenüber 46,8 % bei den Ärzten. Es handelt sich um Ergebnisse kontrollierter Auswertungen von Fallakten. [1, 2]
Diese Prozentwerte der Ärzte beschreiben die Leistung bei den Studienaufgaben. Sie sollten niemals als die allgemeine Treffsicherheit von Ärzten in der täglichen Praxis dargestellt werden. Ein Gesamtergebnis im Benchmark lässt außerdem eine entscheidende Frage offen: Welche Fehler könnten den größten Schaden anrichten?
MAI-DxO koordiniert ein virtuelles Gremium, das Diagnosen vorschlägt, Annahmen hinterfragt und Fragen oder Untersuchungen auswählt. Seine Bewertung ändert sich mit eintreffenden Informationen. Der Benchmark misst den Weg zur Diagnose, einschließlich der geschätzten Untersuchungskosten. Microsoft hat auch Konfigurationen mit strengeren Kostenvorgaben bewertet. [2]
Für Unternehmensführung ist die nützliche Designlehre, das Vorschlagen einer Antwort von der Prüfung ihrer Belege zu trennen. Ein Prüfer sollte erkennen können, was fehlt, die führende Erklärung hinterfragen und weitere Informationen anfordern, bevor eine folgenschwere Aktion fortgesetzt wird.
Mehrere KI-Rollen können denselben Fehler wiederholen. Übereinstimmung zwischen Agenten muss daher gegen externe Belege getestet werden. Debatte hinzuzufügen schafft eine weitere zu bewertende Komponente; es stellt keine unabhängige Verifikation dar.
Ich würde Systeme entlang dreier Dimensionen vergleichen. Das Ergebnis der Endantwort mit der Qualität des gesamten Entscheidungsprozesses vergleichen. Die geschätzten Aufgabenkosten mit den Gesamtkosten der Leistungserbringung vergleichen. Die Leistung auf historischen Daten mit den im prospektiven Einsatz beobachteten Ergebnissen vergleichen. Jeder Vergleich beantwortet eine andere Investitionsfrage.
Zum Beispiel kann eine kostengünstige Empfehlung erheblichen Prüfaufwand erzeugen. Eine richtige Antwort kann zu spät kommen, um zu helfen. Ein System, das bei vollständigen Akten gut funktioniert, kann Schwierigkeiten haben, wenn wichtige Informationen fehlen. Führungskräfte brauchen eine Bewertung, die diese Unterschiede sichtbar macht.
SDBench verwendet ein Gatekeeper-Modell, um angeforderte Informationen bereitzustellen, und ein Judge-Modell, um Diagnosen zu bewerten. Der Gatekeeper kann fallkonsistente Befunde erzeugen, wenn ein angefordertes Ergebnis nicht in der Akte steht. Diese Mechanismen ermöglichen die interaktive Auswertung, führen aber auch Annahmen ein, die einer Prüfung bedürfen. [3]
Das ist wichtig, weil die Auswertungsumgebung das gemessene Ergebnis beeinflusst. Ein Krankenhaus muss feststellen, wie sich ein System bei unvollständigen Informationen, widersprüchlichen Angaben und betrieblichen Verzögerungen verhält. Diagnostische Genauigkeit allein kann weder Patientensicherheit noch Behandlungsqualität noch die Effektivität eines klinischen Teams belegen.
Microsoft hat eine prospektive Studie mit dem Beth Israel Deaconess Medical Center angekündigt, in der Patienten mit dem System interagieren und die Leistung mit unabhängigen ärztlichen Einschätzungen verglichen wird. Das ist eine geplante Validierung, kein bereits erbrachter Nachweis verbesserter Patientenergebnisse. [2]
CEOs sollten den beabsichtigten Nutzen definieren, bevor sie den Einsatz finanzieren. In einem Gesundheitspilotprojekt könnte das die schnellere Erkennung einer bestimmten Erkrankung oder bessere Unterstützung bei der Begutachtung schwieriger Fälle sein. Benennen Sie die klinische Verantwortung, vereinbaren Sie die Ergebnismaße und legen Sie die Bedingungen für einen Abbruch des Piloten fest. Vermeiden Sie Personalentscheidungen aufgrund eines Benchmark-Vergleichs.
CTOs sollten eine Bewertung um den vorgesehenen Arbeitsablauf herum aufbauen. Vergleichen Sie den bestehenden Prozess, allein arbeitende KI unter kontrollierten Bedingungen und von KI unterstützte Kliniker. Verwenden Sie für den vorgeschlagenen Dienst repräsentative Fälle. Untersuchen Sie schwerwiegende übersehene Diagnosen, unnötige Untersuchungen, Zeit bis zur Entscheidung und den Aufwand der Prüfung von Empfehlungen. Berichten Sie Ergebnisse für relevante Patientengruppen, nicht nur den Gesamtdurchschnitt.
Beginnen Sie mit einer retrospektiven Bewertung auf Basis angemessen kontrollierter Daten. Wenn die Belege ein Weitergehen tragen, erwägen Sie eine überwachte prospektive Studie mit klinischer Leitung und den erforderlichen Genehmigungen. Halten Sie die Befugnis, Untersuchungen anzuordnen oder Behandlungen zu ändern, ausdrücklich zugewiesen. Definieren Sie, wann das System zurücktreten muss und wie ein Kliniker es überstimmen kann.
Verlangen Sie nachvollziehbare Belege für Empfehlungen, kontrollierten Zugang zu Patienteninformationen und eine Aufzeichnung des verwendeten Modells und der Workflow-Version. Wiederholen Sie die relevanten Bewertungen, wenn sich eines davon ändert. Ein erfolgreicher Pilot braucht einen Betriebsprozess, der Verschlechterung erkennen und einen Rückzug ermöglichen kann.
Finanzverantwortliche sollten geschätzte Untersuchungskosten von realisierten Einsparungen unterscheiden. Integration, klinische Prüfung, Überwachung und laufende Bewertung gehören in den Business Case. Jede Einsparung sollte zusammen mit den Folgen übersehener Diagnosen und vermeidbarer Untersuchungen bewertet werden.
Dieselbe Bewertungsdisziplin ist nützlich, wenn KI für Versicherungsfälle, Beschaffungsausnahmen oder Vorfalluntersuchungen erwogen wird. Diese Anwendungen brauchen ihre eigenen Belege. Ein medizinischer Benchmark kann keinen Finanz- oder Betriebsworkflow validieren.
MAI-DxO gibt Anlass zu prüfen, wie KI nach Belegen fragt, ihre Position revidiert und entscheidet, wann sie stoppt. Der Unternehmenswert hängt davon ab, ob diese Verhaltensweisen einen definierten Dienst unter realen Betriebsbedingungen verbessern.
Wenn Sie einen medizinischen KI-Piloten genehmigen würden: Welche Belege würden Sie verlangen, bevor seine Empfehlungen die Patientenversorgung beeinflussen dürfen?
Denken Sie mathematisch. Entwickeln Sie intelligent. Führen Sie strategisch. Bauen Sie verantwortungsvoll. Skalieren Sie global. Schaffen Sie echten Geschäftswert durch künstliche Intelligenz.
[1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22. Oktober 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. SDBench-Dokumentation. https://microsoft.github.io/sdbench/
