Novo orquestrador de IA da Microsoft resolve 85.5% dos casos médicos e reduz custos de diagnóstico

Empresa de tecnologia Microsoft apresentou o Microsoft AI Diagnostic Orchestrator (MAI-DxO), um sistema destinado a simular um painel virtual de profissionais médicos com diversos métodos de diagnóstico trabalhando colaborativamente em casos clínicos. 

Em aplicações de IA generativa, um orquestrador funciona como uma camada de coordenação que gerencia múltiplos componentes envolvidos na execução de uma tarefa complexa. Na área da saúde, tais mecanismos de coordenação são considerados importantes devido à natureza crítica das decisões médicas. O orquestrador, neste caso, está posicionado acima de grandes modelos de linguagem, estruturando o processo de diagnóstico passo a passo para ajudar a minimizar potenciais erros e melhorar a consistência, a transparência e a confiabilidade operacional. 

Pesquisadores da Microsoft sugerem que a orquestração de modelos multilíngues pode ser necessária para lidar com fluxos de trabalho clínicos complexos. Essa estratégia pode permitir uma melhor integração de diversas fontes de dados e proporcionar maior segurança e adaptabilidade em ambientes dinâmicos de saúde. O design independente de sistemas também oferece auditabilidade e robustez. 

Os resultados da avaliação apresentados pela Microsoft indicam que o MAI-DxO melhorou o desempenho diagnóstico em todos os modelos testados, com sua maior precisão — 85.5% — alcançada quando combinado com OpenAIModelo o3 da [referência] em um benchmark do New England Journal of Medicine (NEJM). Em comparação, um grupo de 21 médicos dos EUA e do Reino Unido, cada um com 5 a 20 anos de experiência, registrou uma precisão média de 20% nas mesmas tarefas. 

O sistema MAI-DxO é configurável para operar dentro do prédefiParâmetros de custo ajustados, permitindo a análise das compensações entre a precisão do diagnóstico e os custos dos testes. Este recurso visa evitar testes excessivos e ineficientes, otimizando os resultados. Descobertas de Microsoft sugerem que o MAI-DxO proporcionou maior precisão diagnóstica e redução nos custos dos testes em comparação aos clínicos ou aos modelos de IA individuais.

A IA supera os limites tradicionais dos médicos ao combinar conhecimento amplo e especializado, oferecendo suporte diagnóstico com boa relação custo-benefício.

Os profissionais médicos são frequentemente categorizados com base no escopo ou foco de sua especialidade. Clínicos gerais, como médicos de família, geralmente abordam uma ampla gama de problemas de saúde em diferentes faixas etárias e sistemas orgânicos. Em contrapartida, especialistas concentram-se em áreas específicas, como reumatologia, frequentemente dedicando sua prática a uma única condição ou sistema. 

No entanto, nenhum médico individualmente pode abordar de forma abrangente todo o espectro de casos clínicos apresentados em conjuntos de dados complexos como a série de casos do NEJM. A IA, em comparação, não está limitada por essas limitações. Ela pode incorporar conhecimento amplo e especializado, aplicando o raciocínio clínico de maneiras que, em vários domínios, superam o que um único especialista humano pode alcançar. Esse nível de raciocínio tem implicações para a estrutura da prestação de cuidados de saúde. Os sistemas de IA podem facilitar o gerenciamento de cuidados de rotina liderado pelo paciente e fornecer aos médicos ferramentas aprimoradas de tomada de decisão para casos mais difíceis. Os dados também indicam que tais sistemas têm o potencial de reduzir os gastos com saúde. Nos Estados Unidos, os custos com saúde estão se aproximando de um quinto do PIB nacional, com uma grande parcela — estimada em cerca de 25% — atribuída a ineficiências ou intervenções com benefício clínico limitado. 

Uma característica distintiva desta pesquisa reside na inclusão de considerações econômicas. Embora os custos reais variem de acordo com a região e o modelo de saúde, e frequentemente incluam variáveis ​​posteriores não medidas aqui, uma metodologia uniforme foi aplicada a todos os agentes e clínicos para avaliar as compensações entre a eficácia diagnóstica e o consumo de recursos. Esta investigação representa uma exploração inicial dessas dinâmicas. Mais pesquisas são necessárias antes sistemas de IA generativos podem ser totalmente integrados à prática clínica. Testes em condições reais, supervisão regulatória e avaliação baseada em evidências serão essenciais para garantir que essas ferramentas atendam aos padrões de segurança e eficácia. Esforços colaborativos com instituições de saúde estão em andamento para apoiar uma avaliação completa antes de qualquer potencial implantação em larga escala.