ఒక రోగికి నమ్మదగిన రోగనిర్ధారణ మరియు చికిత్సకు స్పష్టమైన మార్గం కావాలి. ఆరోగ్య సంరక్షణ నాయకులకు, Microsoft యొక్క తాజా వైద్య AI పరిశోధన ఒక ఆచరణాత్మక ప్రశ్నను లేవనెత్తుతోంది: అనేక దశల్లో సాక్ష్యాలను సేకరించి నిర్ణయాలు తీసుకునే వ్యవస్థను ఒక సంస్థ ఎలా మూల్యాంకనం చేయాలి?
నా అభిప్రాయం ఏమిటంటే, MAI-DxO తన ఖచ్చితత్వం కోసమే కాకుండా నిర్ణయ ప్రక్రియ కోసం కూడా శ్రద్ధకు అర్హం. పరిశోధనా పనితీరు మరియు నిరూపితమైన క్లినికల్ విలువ మధ్య స్పష్టమైన సరిహద్దును కాపాడుతూ CEOలు, CTOలు ఆ ప్రక్రియను అధ్యయనం చేయాలి.
Sequential diagnosis with language models అనే అధ్యయనం 22 అక్టోబర్ 2026న Scienceలో ప్రచురితమైంది. GPT-5తో జతచేయబడిన MAI-DxO 304 కష్టమైన NEJM కేసుల్లో 83.2% రోగనిర్ధారణ ఖచ్చితత్వాన్ని సాధించింది. సూచనా వనరులు ఉపయోగించిన జనరలిస్ట్ వైద్యులు 36.1% సాధించగా, అవి లేకుండా 22.3% మాత్రమే. ఎమర్జెన్సీ విభాగం నుండి అడ్మిషన్ అయిన 325 కేసుల్లో, వ్యవస్థ 80.3% సాధించగా వైద్యులు 46.8% సాధించారు. ఇవి కేసు రికార్డుల నియంత్రిత మూల్యాంకనాల ఫలితాలు. [1, 2]
వైద్యుల ఈ శాతాలు అధ్యయనపు పనుల్లోని పనితీరును వివరిస్తాయి. వీటిని రోజువారీ అభ్యాసంలో వైద్యుల సాధారణ ఖచ్చితత్వంగా ఎప్పుడూ చూపించకూడదు. మొత్తం బెంచ్‌మార్క్ స్కోరు ఒక కీలక ప్రశ్నకు సమాధానమివ్వదు: ఏ తప్పులు అత్యంత హాని చేయగలవో?
MAI-DxO రోగనిర్ధారణలను ప్రతిపాదించే, అనుమానాలను సవాలు చేసే, ప్రశ్నలు లేదా పరీక్షలను ఎంచుకునే వర్చువల్ ప్యానెల్‌ను సమన్వయం చేస్తుంది. సమాచారం వచ్చినంత మాట్రాన దాని అంచనా మారుతుంది. అంచనా పరీక్షా ఖర్చులతో సహా రోగనిర్ధారణకు చేరే మార్గాన్ని బెంచ్‌మార్క్ కొలుస్తుంది. Microsoft మరింత కఠినమైన ఖర్చు పరిమితుల కాన్ఫిగరేషన్‌లను కూడా మూల్యాంకనం చేసింది. [2]
సంస్థా నాయకులకు ఉపయోగకరమైన రూపకల్పనా పాఠం ఏమిటంటే, సమాధానం ప్రతిపాదించడం నుండి దాని సాక్ష్యాలను సమీక్షించడాన్ని వేరుచేయడం. సమీక్షకుడు ఏమి లోపిస్తోందో గుర్తించగలగాలి, ప్రధాన వివరణను సవాలు చేయగలగాలి మరియు కీలకమైన చర్య కొనసాగే ముందు మరింత సమాచారం అడగగలగాలి.
అనేక AI పాత్రలు ఇంకా అదే తప్పును పునరావృతం చేయవచ్చు. కాబట్టి ఏజెంట్ల మధ్య ఏకాభిప్రాయాన్ని బాహ్య సాక్ష్యాలతో పరీక్షించాలి. చర్చను జోడించడం మూల్యాంకనం చేయాల్సిన మరో భాగాన్ని సృష్టిస్తుంది; అది స్వతంత్ర ధృవీకరణ కాదు.
నేను వ్యవస్థలను మూడు కొలమానాల్లో పోలుస్తాను. తుది సమాధాన స్కోరును పూర్తి నిర్ణయ ప్రక్రియ నాణ్యతతో పోల్చండి. అంచనా పని ఖర్చులను సేవను అందించే మొత్తం ఖర్చుతో పోల్చండి. చారిత్రక రికార్డులపై పనితీరును ప్రాస్పెక్టివ్ వినియోగంలో గమనించిన ఫలితాలతో పోల్చండి. ప్రతి పోలిక వేర్వేరు పెట్టుబడి ప్రశ్నకు సమాధానమిస్తుంది.
ఉదాహరణకు, చవకైన సిఫార్సు గణనీయమైన సమీక్షా పనిని సృష్టించవచ్చు. సరైన సమాధానం సాయపడానికి చాలా ఆలస్యంగా రావచ్చు. పూర్తి రికార్డులతో బాగా పనిచేసే వ్యవస్థ, ముఖ్యమైన సమాచారం అందుబాటులో లేనప్పుడు ఇబ్బంది పడవచ్చు. ఈ తేడాలను కనిపించేలా చేసే మూల్యాంకనం నాయకులకు అవసరం.
SDBench అభ్యర్థించిన సమాచారాన్ని అందించడానికి గేట్‌కీపర్ మోడల్‌ను, రోగనిర్ధారణలను అంచనా వేయడానికి జడ్జి మోడల్‌ను ఉపయోగిస్తుంది. అభ్యర్థించిన ఫలితం రికార్డులో లేనప్పుడు గేట్‌కీపర్ కేసుకు అనుగుణంగా ఫలితాలను రూపొందించగలదు. ఈ విధానాలు ఇంటరాక్టివ్ మూల్యాంకనాన్ని సాధ్యం చేస్తాయి, కానీ పరిశీలన అవసరమైన అనుమానాలను కూడా తెస్తాయి. [3]
ఇది ముఖ్యం ఎందుకంటే మూల్యాంకన వాతావరణం కొలిచిన ఫలితాన్ని ప్రభావితం చేస్తుంది. అసంపూర్ణ సమాచారం, విరుద్ధమైన వాంగ్మూలాలు మరియు కార్యాచరణ జాప్యాల మధ్య వ్యవస్థ ఎలా ప్రవర్తిస్తుందో ఆసుపత్రి నిర్ధారించాలి. రోగనిర్ధారణ ఖచ్చితత్వం మాత్రమే రోగి భద్రత, చికిత్సా నాణ్యత లేదా క్లినికల్ బృందం సామర్థ్యాన్ని నిరూపించలేదు.
Microsoft Beth Israel Deaconess Medical Centerతో ఒక ప్రాస్పెక్టివ్ అధ్యయనాన్ని ప్రకటించింది, ఇందులో రోగులు వ్యవస్థతో పరస్పర చర్య చేస్తారు మరియు పనితీరు వైద్యుల స్వతంత్ర అంచనాలతో పోల్చబడుతుంది. ఇది ప్రణాళికాబద్ధమైన ధృవీకరణ, ఇప్పటికే సాధించిన మెరుగైన రోగి ఫలితాల ఆధారం కాదు. [2]
CEOలు అమలుకు నిధులు కేటాయించే ముందు ఉద్దేశ్యపూర్వక ప్రయోజనాన్ని నిర్వచించాలి. వైద్య పైలట్‌లో, అది ఒక నిర్దిష్ట పరిస్థితిని వేగంగా గుర్తించడం లేదా కష్టమైన కేసుల సమీక్షకు మెరుగైన మద్దతు కావచ్చు. క్లినికల్ యజమానిని పేర్కొనండి, ఫలితా కొలమానాలపై ఏకాభిప్రాయం తెచ్చుకోండి మరియు పైలట్ ఆపివేసే పరిస్థితులను ఏర్పరచండి. బెంచ్‌మార్క్ పోలిక నుండి ఉద్యోగుల నిర్ణయం తీసుకోవడం మానండి.
CTOలు ఉద్దేశ్యపూర్వక వర్క్‌ఫ్లో చుట్టూ మూల్యాంకనాన్ని నిర్మించాలి. ప్రస్తుత ప్రక్రియ, నియంత్రిత వాతావరణంలో స్వతంత్రంగా పనిచేసే AI, మరియు AIతో తోడ్పాటు పొందిన వైద్యులను పోల్చండి. ప్రతిపాదిత సేవకు ప్రాతినిధ్యం వహించే కేసులను వాడండి. తప్పిన తీవ్రమైన రోగనిర్ధారణలు, అనవసర పరీక్షలు, నిర్ణయానికి పట్టే సమయం మరియు సిఫార్సుల సమీక్షా భారాన్ని పరిశీలించండి. మొత్తం సగటుతో పాటు సంబంధిత రోగి సమూహాల ఫలితాలను కూడా నివేదించండి.
తగినంత పరిపాలన కలిగిన డేటాతో రెట్రోస్పెక్టివ్ మూల్యాంకనంతో ప్రారంభించండి. సాక్ష్యాలు ముందుకు వెళ్లడానికి మద్దతిస్తే, క్లినికల్ నాయకత్వం మరియు అవసరమైన ఆమోదాలతో పర్యవేక్షణాత్మక ప్రాస్పెక్టివ్ అధ్యయనాన్ని పరిగణించండి. పరీక్షలు ఆర్డర్ చేసే లేదా చికిత్సను మార్చే అధికారాన్ని స్పష్టంగా కేటాయించి ఉంచండి. వ్యవస్థ ఎప్పుడు వెనక్కి తగ్గాలో మరియు వైద్యుడు దాన్ని ఎలా అధిగమించగలడో నిర్వచించండి.
సిఫార్సుల కోసం గుర్తించగల సాక్ష్యాలను, రోగి సమాచారానికి నియంత్రిత యాక్సెస్‌ను మరియు ఉపయోగించిన మోడల్ మరియు వర్క్‌ఫ్లో వెర్షన్ రికార్డును కోరండి. వాటిలో ఏదైనా మారినప్పుడు సంబంధిత మూల్యాంకనాలను పునరావృతం చేయండి. విజయవంతమైన పైలట్‌కు క్షీణతను గుర్తించి ఉపసంహరణకు తోడ్పడే కార్యాచరణ ప్రక్రియ కావాలి.
ఆర్థిక నాయకులు అంచనా పరీక్షా ఖర్చులను నిజమైన పొదుపుల నుండి వేరుచేయాలి. ఇంటిగ్రేషన్, క్లినికల్ సమీక్ష, పర్యవేక్షణ మరియు నిరంతర మూల్యాంకనాన్ని వ్యాపార విశ్లేషణలో చేర్చండి. ఏ పొదుపైనా తప్పిన రోగనిర్ధారణలు మరియు నివారించగల పరీక్షల పరిణామాలతో పాటు అంచనా వేయాలి.
భీమా క్లెయిమ్‌లు, సేకరణ మినహాయింపులు లేదా సంఘటనా దర్యాప్తు కోసం AIను పరిగణించేటప్పుడు అదే మూల్యాంకన క్రమశిక్షణ ఉపయోగపడుతుంది. ఆ అనువర్తనాలకు స్వంత సాక్ష్యాలు కావాలి. వైద్య బెంచ్‌మార్క్ ఆర్థిక లేదా కార్యాచరణ వర్క్‌ఫ్లోను ధృవీకరించలేదు.
AI సాక్ష్యాలను ఎలా అడుగుతుందో, తన స్థితిని ఎలా సవరిస్తుందో మరియు ఎప్పుడు ఆగాలో ఎలా నిర్ణయిస్తుందో పరిశీలించడానికి MAI-DxO ఒక కారణాన్ని ఇస్తుంది. సంస్థా విలువ, ఆ ప్రవర్తనలు నిజమైన కార్యాచరణ పరిస్థితుల్లో నిర్వచిత సేవను మెరుగుపరుస్తాయో లేదో దానిపై ఆధారపడి ఉంటుంది.
మీరు వైద్య AI పైలట్‌ను ఆమోదిస్తున్నట్టయితే, దాని సిఫార్సులు రోగి సంరక్షణను ప్రభావితం చేయడానికి అనుమతించే ముందు మీరు ఏ సాక్ష్యాలను కోరుతారు?
గణితపరంగా ఆలోచించండి. తెలివిగా ఇంజినీర్ చేయండి. వ్యూహాత్మకంగా నాయకత్వం వహించండి. బాధ్యతతో నిర్మించండి. ప్రపంచవ్యాప్తంగా విస్తరించండి. కృత్రిమ మేధస్సు ద్వారా నిజమైన వ్యాపార విలువను సృష్టించండి.
[1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22 అక్టోబర్ 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. SDBench డాక్యుమెంటేషన్. https://microsoft.github.io/sdbench/
