Um paciente precisa de um diagnóstico confiável e de um caminho claro para o tratamento. Para os líderes da saúde, a mais recente pesquisa da Microsoft em IA médica levanta uma pergunta prática: como uma organização deve avaliar um sistema que reúne evidências e toma decisões ao longo de várias etapas?
Minha visão é que o MAI-DxO merece atenção tanto pelo seu processo de decisão quanto pela sua precisão. CEOs e CTOs devem estudar esse processo mantendo uma fronteira clara entre desempenho em pesquisa e valor clínico demonstrado.
O estudo, Sequential diagnosis with language models, foi publicado na Science em 22 de outubro de 2026. O MAI-DxO combinado com o GPT-5 alcançou 83,2% de precisão diagnóstica em 304 casos difíceis do NEJM. Médicos generalistas usando recursos de referência alcançaram 36,1%, contra 22,3% sem eles. Em 325 casos de admissão por pronto-socorro, o sistema alcançou 80,3%, contra 46,8% dos médicos. São resultados de avaliações controladas sobre registros de casos. [1, 2]
Esses percentuais dos médicos descrevem o desempenho nas tarefas do estudo. Nunca devem ser apresentados como a precisão geral dos médicos na prática cotidiana. Uma pontuação global de benchmark também deixa sem resposta uma pergunta crucial: quais erros poderiam causar o maior dano?
O MAI-DxO coordena um painel virtual que propõe diagnósticos, questiona suposições e seleciona perguntas ou exames. Sua avaliação muda à medida que as informações chegam. O benchmark mede o caminho até o diagnóstico, incluindo os custos estimados dos exames. A Microsoft também avaliou configurações com restrições de custo mais fortes. [2]
Para líderes empresariais, a lição útil de design é separar propor uma resposta de revisar suas evidências. Um revisor deve ser capaz de identificar o que está faltando, contestar a explicação dominante e pedir mais informações antes que uma ação relevante prossiga.
Vários papéis de IA ainda podem repetir o mesmo erro. Por isso, a concordância entre agentes deve ser testada contra evidências externas. Adicionar debate cria outro componente a avaliar; não constitui verificação independente.
Eu compararia os sistemas em três dimensões. Comparar a pontuação da resposta final com a qualidade do processo de decisão completo. Comparar os custos estimados da tarefa com o custo total de entregar o serviço. Comparar o desempenho em registros históricos com os resultados observados durante o uso prospectivo. Cada comparação responde a uma pergunta de investimento diferente.
Por exemplo, uma recomendação barata pode gerar um trabalho de revisão considerável. Uma resposta correta pode chegar tarde demais para ajudar. Um sistema que funciona bem com registros completos pode ter dificuldades quando informações importantes não estão disponíveis. Os líderes precisam de uma avaliação que torne essas diferenças visíveis.
O SDBench usa um modelo de gatekeeper para fornecer as informações solicitadas e um modelo de juiz para avaliar os diagnósticos. O gatekeeper pode gerar resultados coerentes com o caso quando um resultado solicitado não consta no registro. Esses mecanismos tornam possível a avaliação interativa, mas também introduzem suposições que precisam de escrutínio. [3]
Isso importa porque o ambiente de avaliação influencia o resultado medido. Um hospital precisa determinar como um sistema se comporta com informações incompletas, relatos conflitantes e atrasos operacionais. A precisão diagnóstica sozinha não pode estabelecer a segurança do paciente, a qualidade do tratamento nem a eficácia de uma equipe clínica.
A Microsoft anunciou um estudo prospectivo com o Beth Israel Deaconess Medical Center, no qual pacientes interagirão com o sistema e o desempenho será comparado com avaliações independentes dos médicos. Trata-se de uma validação planejada, e não de evidência já alcançada de melhores resultados para os pacientes. [2]
CEOs devem definir o benefício pretendido antes de financiar a implantação. Em um piloto de saúde, isso pode ser o reconhecimento mais rápido de uma condição específica ou um melhor apoio à revisão de casos difíceis. Nomeiem o responsável clínico, acordem as medidas de resultado e estabeleçam as condições para interromper o piloto. Evitem tomar decisões de pessoal a partir de uma comparação de benchmarks.
CTOs devem construir uma avaliação em torno do fluxo de trabalho pretendido. Comparar o processo existente, a IA trabalhando sozinha em ambiente controlado e médicos apoiados pela IA. Usar casos representativos do serviço proposto. Examinar diagnósticos graves perdidos, exames desnecessários, tempo até a decisão e a carga de revisar recomendações. Relatar resultados para os grupos de pacientes relevantes, além da média geral.
Começar com avaliação retrospectiva usando dados com governança adequada. Se as evidências justificarem o avanço, considerar um estudo prospectivo supervisionado com liderança clínica e as aprovações necessárias. Manter explicitamente atribuída a autoridade para solicitar exames ou alterar tratamentos. Definir quando o sistema deve deferir e como um médico pode sobrepujá-lo.
Exigir evidências rastreáveis para as recomendações, acesso controlado às informações dos pacientes e um registro do modelo e da versão do fluxo de trabalho utilizados. Repetir as avaliações relevantes quando qualquer um deles mudar. Um piloto bem-sucedido precisa de um processo operacional capaz de detectar deterioração e permitir a retirada.
Os líderes financeiros devem distinguir os custos estimados dos exames das economias realizadas. Incluir integração, revisão clínica, monitoramento e avaliação contínua no business case. Qualquer economia deve ser avaliada junto às consequências de diagnósticos perdidos e exames evitáveis.
A mesma disciplina de avaliação é útil ao considerar IA para sinistros de seguros, exceções de compras ou investigação de incidentes. Essas aplicações precisam de suas próprias evidências. Um benchmark médico não pode validar um fluxo de trabalho financeiro ou operacional.
O MAI-DxO oferece uma razão para examinar como a IA pede evidências, revisa sua posição e decide quando parar. O valor empresarial dependerá de esses comportamentos melhorarem ou não um serviço definido sob condições operacionais reais.
Se você aprovasse um piloto de IA médica, que evidências exigiria antes de permitir que suas recomendações influenciassem o cuidado ao paciente?
Pense matematicamente. Engenhe inteligentemente. Lidere estrategicamente. Construa com responsabilidade. Escale globalmente. Crie valor real de negócio por meio da inteligência artificial.
[1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22 de outubro de 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. Documentação do SDBench. https://microsoft.github.io/sdbench/
