Der neue KI-Orchestrator von Microsoft löst 85.5 % der medizinischen Fälle und senkt die Diagnosekosten

Technologieunternehmen Microsoft stellte den Microsoft AI Diagnostic Orchestrator (MAI-DxO) vor, ein System zur Simulation eines virtuellen Gremiums medizinischer Fachkräfte mit unterschiedlichen Diagnosemethoden, die gemeinsam an klinischen Fällen arbeiten. 

In generativen KI-Anwendungen fungiert ein Orchestrator als Koordinationsebene, die mehrere Komponenten verwaltet, die an der Ausführung einer komplexen Aufgabe beteiligt sind. Im Gesundheitswesen sind solche Koordinationsmechanismen aufgrund der kritischen Natur medizinischer Entscheidungen wichtig. Der Orchestrator ist in diesem Fall über großen Sprachmodellen positioniert und strukturiert den Diagnoseprozess schrittweise, um potenzielle Fehler zu minimieren und Konsistenz, Transparenz und Betriebssicherheit zu verbessern. 

Microsoft-Forscher weisen darauf hin, dass die Orchestrierung mehrerer Sprachmodelle für die Handhabung komplexer klinischer Arbeitsabläufe erforderlich sein könnte. Diese Strategie könnte eine bessere Integration verschiedener Datenquellen ermöglichen und für mehr Sicherheit und Anpassungsfähigkeit in dynamischen Gesundheitsumgebungen sorgen. Das systemunabhängige Design unterstützt zudem die Auditierbarkeit und Robustheit. 

Die von Microsoft vorgelegten Evaluierungsergebnisse zeigen, dass MAI-DxO die Diagnoseleistung bei allen getesteten Modellen verbessert hat. Die höchste Genauigkeit – 85.5 % – wurde in Kombination mit OpenAIo3-Modell anhand eines Benchmarks des New England Journal of Medicine (NEJM). Im Vergleich dazu verzeichnete eine Gruppe von 21 Ärzten aus den USA und Großbritannien, jeder mit 5–20 Jahren Erfahrung, bei denselben Aufgaben eine durchschnittliche Genauigkeit von 20 %. 

Das MAI-DxO-System ist konfigurierbar für den Betrieb innerhalb vondefiKostenparameter, die eine Analyse der Kompromisse zwischen diagnostischer Genauigkeit und Testkosten ermöglichen. Diese Funktion soll ineffizientes Übertesten verhindern und gleichzeitig die Ergebnisse optimieren. Erkenntnisse aus Microsoft deuten darauf hin, dass MAI-DxO sowohl eine verbesserte Diagnosegenauigkeit als auch geringere Testkosten im Vergleich zu Klinikern oder einzelnen KI-Modellen bietet.

KI überwindet die Grenzen traditioneller Ärzte, indem sie breites und spezialisiertes Fachwissen kombiniert und so kosteneffiziente Diagnoseunterstützung bietet

Mediziner werden oft nach ihrem Fachgebiet kategorisiert. Allgemeinmediziner, wie z. B. Hausärzte, behandeln in der Regel ein breites Spektrum an Gesundheitsproblemen verschiedener Altersgruppen und Organsysteme. Fachärzte hingegen konzentrieren sich auf bestimmte Bereiche, wie z. B. die Rheumatologie, und widmen ihre Praxis oft einer einzigen Erkrankung oder einem einzigen System. 

Allerdings ist kein einzelner Arzt in der Lage, das gesamte Spektrum klinischer Fälle, die in komplexen Datensätzen wie der NEJM-Fallserie dargestellt sind, umfassend zu bearbeiten. KI hingegen unterliegt diesen Beschränkungen nicht. Sie kann sowohl allgemeines als auch spezialisiertes Wissen einbeziehen und klinisches Denken auf eine Weise anwenden, die in mehreren Bereichen die Leistung eines einzelnen menschlichen Experten übertrifft. Diese Ebene des Denkens hat Auswirkungen auf die Struktur der Gesundheitsversorgung. KI-Systeme können die patientengeführte Verwaltung der Routineversorgung erleichtern und Ärzten verbesserte Entscheidungshilfen für schwierigere Fälle liefern. Die Daten deuten auch darauf hin, dass solche Systeme das Potenzial haben, die Gesundheitsausgaben zu senken. In den Vereinigten Staaten machen die Gesundheitskosten fast ein Fünftel des nationalen BIP aus, wobei ein großer Teil – schätzungsweise 25 % – auf Ineffizienzen oder Interventionen mit begrenztem klinischen Nutzen zurückzuführen ist. 

Eine Besonderheit dieser Forschung liegt in der Berücksichtigung wirtschaftlicher Aspekte. Obwohl die tatsächlichen Kosten je nach Region und Gesundheitsmodell variieren und oft nachgelagerte Variablen beinhalten, die hier nicht berücksichtigt wurden, wurde für alle Akteure und Kliniker eine einheitliche Methodik angewendet, um die Kompromisse zwischen diagnostischer Effektivität und Ressourcenverbrauch zu bewerten. Diese Untersuchung stellt eine erste Untersuchung dieser Dynamik dar. Weitere Forschung ist erforderlich, bevor generative KI-Systeme vollständig in die klinische Praxis integriert werden können. Praxistests, behördliche Aufsicht und evidenzbasierte Evaluierung sind unerlässlich, um sicherzustellen, dass diese Instrumente die Sicherheits- und Wirksamkeitsstandards erfüllen. Derzeit laufen Kooperationen mit Gesundheitseinrichtungen, um eine gründliche Bewertung vor einem möglichen großflächigen Einsatz zu gewährleisten.