Ang isang pasyente ay nangangailangan ng maaasahang diyagnosis at malinaw na landas patungo sa paggamot. Para sa mga lider sa pangangalagang pangkalusugan, ang pinakabagong pananaliksik ng Microsoft sa medikal na AI ay nagtataas ng praktikal na tanong: paano dapat suriin ng isang organisasyon ang isang sistema na nangongolekta ng ebidensya at gumagawa ng mga desisyon sa loob ng ilang hakbang?
Ang aking pananaw ay karapat-dapat bigyang-pansin ang MAI-DxO hindi lamang dahil sa katumpakan nito kundi pati na rin sa proseso nito ng pagdedesisyon. Dapat pag-aralan ng mga CEO at CTO ang prosesong iyon habang pinananatili ang malinaw na hangganan sa pagitan ng pagganap sa pananaliksik at napatunayang halagang klinikal.
Ang pag-aaral na Sequential diagnosis with language models ay lumabas sa Science noong 22 Oktubre 2026. Ang MAI-DxO na ipinares sa GPT-5 ay nakamit ang 83.2% na katumpakan sa diyagnosis sa 304 mahihirap na kaso ng NEJM. Ang mga generalist na doktor na gumagamit ng mga sangguniang mapagkukunan ay nakamit ang 36.1%, kumpara sa 22.3% kapag wala ang mga ito. Sa 325 kaso ng admisyon mula sa emergency department, nakamit ng sistema ang 80.3%, kumpara sa 46.8% para sa mga doktor. Ito ay mga resulta mula sa mga kontroladong ebalwasyon ng mga rekord ng kaso. [1, 2]
Ang mga porsyentong iyon ng mga doktor ay naglalarawan ng pagganap sa mga gawain ng pag-aaral. Hindi ito dapat kailanman iharap bilang pangkalahatang katumpakan ng mga doktor sa pang-araw-araw na praktika. Ang kabuuang iskor ng benchmark ay nagiiwan din ng mahalagang tanong na walang sagot: aling mga pagkakamali ang maaaring magdulot ng pinakamalaking pinsala?
Ang MAI-DxO ay nag-uugnay ng isang virtual na panel na nagmumungkahi ng mga diyagnosis, hinahamon ang mga pagpapalagay, at pumipili ng mga tanong o pagsusuri. Nagbabago ang pagtataya nito habang dumarating ang impormasyon. Sinusukat ng benchmark ang ruta patungo sa diyagnosis, kabilang ang tinatayang gastos ng mga pagsusuri. Sinuri rin ng Microsoft ang mga konpigurasyong may mas mahigpit na limitasyon sa gastos. [2]
Para sa mga lider ng negosyo, ang kapaki-pakinabang na aral sa disenyo ay paghiwalayin ang pagmumungkahi ng sagot at ang pagsusuri ng ebidensya nito. Dapat makakilala ang isang tagasuri kung ano ang nawawala, hamunin ang nangungunang paliwanag, at humiling ng karagdagang impormasyon bago magpatuloy ang isang mahalagang aksyon.
Maaari pa ring ulitin ng ilang papel ng AI ang parehong pagkakamali. Kaya naman, ang kasunduan sa pagitan ng mga ahente ay dapat subukan laban sa panlabas na ebidensya. Ang pagdaragdag ng debate ay lumilikha ng panibagong bahaging susuriin; hindi ito nangangahulugan ng independiyenteng beripikasyon.
Ihahambing ko ang mga sistema sa tatlong dimensyon. Ihambing ang iskor ng panghuling sagot sa kalidad ng buong proseso ng pagdedesisyon. Ihambing ang tinatayang gastos ng gawain sa kabuuang gastos ng paghahatid ng serbisyo. Ihambing ang pagganap sa mga makasaysayang rekord sa mga resultang naobserbahan sa prospektibong paggamit. Bawat paghahambing ay sumasagot sa ibang tanong sa pamumuhunan.
Halimbawa, ang isang murang rekomendasyon ay maaaring lumikha ng malaking gawain sa pagsusuri. Ang tamang sagot ay maaaring dumating nang huli na upang makatulong. Ang sistemang mahusay sa mga kumpletong rekord ay maaaring mahirapan kapag hindi available ang mahalagang impormasyon. Kailangan ng mga lider ng ebalwasyong nagpapakita ng mga pagkakaibang ito.
Gumagamit ang SDBench ng gatekeeper na modelo para ibigay ang hinihinging impormasyon at judge na modelo para suriin ang mga diyagnosis. Maaaring bumuo ang gatekeeper ng mga natuklasang konsistente sa kaso kapag ang hinihinging resulta ay wala sa rekord. Ang mga mekanismong ito ay nagpapahintulot ng interaktibong ebalwasyon, ngunit nagpapakilala rin ng mga pagpapalagay na kailangang suriin. [3]
Mahalaga ito dahil nakakaimpluwensya ang kapaligiran ng ebalwasyon sa sinusukat na resulta. Dapat alamin ng isang ospital kung paano kumikilos ang isang sistema kapag kulang ang impormasyon, magkakasalungat ang mga salaysay, at may mga pagkaantala sa operasyon. Ang katumpakan sa diyagnosis lamang ay hindi makapagpapatibay ng kaligtasan ng pasyente, kalidad ng paggamot, o pagiging epektibo ng isang klinikal na koponan.
Inanunsyo ng Microsoft ang isang prospektibong pag-aaral kasama ang Beth Israel Deaconess Medical Center kung saan makikipag-ugnayan ang mga pasyente sa sistema at ikukumpara ang pagganap sa mga independiyenteng pagtataya ng mga doktor. Ito ay nakaplanong balidasyon, hindi ebidensya ng nakamit nang mas mahusay na resulta para sa mga pasyente. [2]
Dapat tukuyin ng mga CEO ang inaasahang benepisyo bago pondohan ang deployment. Sa isang pilot sa pangangalagang pangkalusugan, maaaring ito ay mas mabilis na pagkilala ng isang tiyak na kondisyon o mas mahusay na suporta sa pagsusuri ng mga mahirap na kaso. Pangalanan ang klinikal na may-ari, pagkasunduan ang mga sukatan ng resulta, at itakda ang mga kondisyon para sa paghinto ng pilot. Iwasang gumawa ng desisyon sa tauhan mula sa paghahambing ng benchmark.
Dapat bumuo ang mga CTO ng ebalwasyon sa paligid ng inaasahang daloy ng trabaho. Ihambing ang umiiral na proseso, ang AI na nagtatrabahong mag-isa sa kontroladong kapaligiran, at ang mga klinisyang sinusuportahan ng AI. Gumamit ng mga kasong kinatawan ng iminungkahing serbisyo. Suriin ang mga seryosong diyagnosis na napalampas, mga hindi kinakailangang pagsusuri, oras hanggang sa desisyon, at ang pasanin ng pagsusuri ng mga rekomendasyon. Iulat ang mga resulta para sa mga kaugnay na grupo ng pasyente, bukod sa pangkalahatang average.
Magsimula sa retrospektibong ebalwasyon gamit ang datos na may angkop na pamamahala. Kung sinusuportahan ng ebidensya ang pagpapatuloy, isaalang-alang ang isang sopistikadong prospektibong pag-aaral na may klinikal na pamumuno at mga kinakailangang pahintulot. Panatilihing malinaw na nakatalaga ang awtoridad na mag-order ng mga pagsusuri o magbago ng paggamot. Tukuyin kung kailan dapat mag-defer ang sistema at kung paano ito maaaring i-override ng isang klinisyan.
Hingin ang masusubaybayang ebidensya para sa mga rekomendasyon, kontroladong access sa impormasyon ng pasyente, at rekord ng modelo at bersyon ng daloy ng trabahong ginamit. Ulitin ang mga kaugnay na ebalwasyon kapag nagbago ang alinman. Ang matagumpay na pilot ay nangangailangan ng proseso ng operasyon na kayang tuklasin ang paglala at suportahan ang pag-urong.
Dapat ipagkaiba ng mga lider sa pananalapi ang tinatayang gastos ng mga pagsusuri sa mga natupad na tipid. Isama ang integrasyon, klinikal na pagsusuri, monitoring, at tuloy-tuloy na ebalwasyon sa business case. Ang anumang tipid ay dapat suriin kasabay ng mga bunga ng mga napalampas na diyagnosis at maiiwasang pagsusuri.
Ang parehong disiplina sa ebalwasyon ay kapaki-pakinabang kapag isinasaalang-alang ang AI para sa mga claim ng seguro, mga eksepsiyon sa procurement, o imbestigasyon ng insidente. Ang mga aplikasyong iyon ay nangangailangan ng sariling ebidensya. Ang medikal na benchmark ay hindi makapagpapatibay ng pinansyal o operasyonal na daloy ng trabaho.
Nag-aalok ang MAI-DxO ng dahilan upang suriin kung paano humihingi ang AI ng ebidensya, binabago ang posisyon nito, at nagdedesisyon kung kailan hihinto. Ang halagang pang-negosyo ay nakadepende kung ang mga pag-uugaling iyon ay nagpapabuti sa isang natukoy na serbisyo sa ilalim ng tunay na kondisyon ng operasyon.
Kung ikaw ang mag-aapruba ng isang pilot ng medikal na AI, anong ebidensya ang hihingin mo bago payagan ang mga rekomendasyon nito na makaimpluwensya sa pangangalaga ng pasyente?
Mag-isip nang matematikal. Mag-inhenyero nang matalino. Mamuno nang estratehiko. Bumuo nang may pananagutan. Mag-scale nang global. Lumikha ng tunay na halagang pangnegosyo sa pamamagitan ng artipisyal na katalinuhan.
[1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22 Oktubre 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. Dokumentasyon ng SDBench. https://microsoft.github.io/sdbench/
