Orkestrasi AI Baru Microsoft Memecahkan 85.5% Kasus Medis dan Memotong Biaya Diagnostik

Perusahaan teknologi Microsoft memperkenalkan Microsoft AI Diagnostic Orchestrator (MAI-DxO), sebuah sistem yang dimaksudkan untuk mensimulasikan panel virtual profesional medis dengan berbagai metode diagnostik yang bekerja secara kolaboratif pada kasus klinis. 

Dalam aplikasi AI generatif, orkestrasi berfungsi sebagai lapisan koordinasi yang mengelola beberapa komponen yang terlibat dalam menjalankan tugas yang kompleks. Dalam perawatan kesehatan, mekanisme koordinasi tersebut dianggap penting karena sifat kritis keputusan medis. Orkestrasi dalam kasus ini diposisikan di atas model bahasa yang besar, menyusun proses diagnostik langkah demi langkah untuk membantu meminimalkan potensi kesalahan dan meningkatkan konsistensi, transparansi, dan keandalan operasional. 

Peneliti Microsoft menyarankan bahwa mengorkestrasi beberapa model bahasa mungkin diperlukan untuk menangani alur kerja klinis yang kompleks. Strategi ini dapat memungkinkan integrasi berbagai sumber data yang lebih baik dan memberikan peningkatan keamanan dan kemampuan beradaptasi dalam lingkungan perawatan kesehatan yang dinamis. Desain yang tidak bergantung pada sistem juga mendukung auditabilitas dan ketahanan. 

Hasil evaluasi yang disajikan oleh Microsoft menunjukkan bahwa MAI-DxO meningkatkan kinerja diagnostik di seluruh model yang diuji, dengan akurasi tertinggi—85.5%—dicapai saat dikombinasikan dengan OpenAIModel o3 pada tolok ukur New England Journal of Medicine (NEJM). Sebagai perbandingan, sekelompok 21 dokter dari AS dan Inggris, masing-masing dengan pengalaman 5–20 tahun, mencatat akurasi rata-rata 20% pada tugas yang sama. 

Sistem MAI-DxO dapat dikonfigurasi untuk beroperasi dalam pradefiparameter biaya yang diperlukan, yang memungkinkan analisis trade-off antara akurasi diagnostik dan biaya pengujian. Fitur ini dimaksudkan untuk mencegah pengujian berlebihan yang tidak efisien sekaligus mengoptimalkan hasil. Temuan dari Microsoft menunjukkan bahwa MAI-DxO memberikan akurasi diagnostik yang lebih baik dan mengurangi biaya pengujian dibandingkan dengan dokter atau model AI individu.

AI Melampaui Batasan Dokter Tradisional dengan Menggabungkan Keahlian yang Luas dan Spesialis, Menawarkan Dukungan Diagnostik yang Hemat Biaya

Tenaga medis sering dikategorikan berdasarkan cakupan atau fokus keahlian mereka. Dokter umum, seperti dokter keluarga, biasanya menangani berbagai masalah kesehatan di berbagai kelompok usia dan sistem organ. Sebaliknya, dokter spesialis berkonsentrasi pada bidang tertentu, seperti reumatologi, yang sering kali mendedikasikan praktik mereka untuk satu kondisi atau sistem. 

Namun, tidak ada dokter individu yang dapat secara komprehensif menangani seluruh spektrum kasus klinis yang disajikan dalam kumpulan data kompleks seperti seri kasus NEJM. AI, sebagai perbandingan, tidak terikat oleh batasan-batasan ini. AI dapat menggabungkan pengetahuan yang luas dan khusus, menerapkan penalaran klinis dengan cara yang, dalam beberapa domain, melampaui apa yang dapat dicapai oleh seorang ahli manusia. Tingkat penalaran ini memiliki implikasi untuk struktur pemberian layanan kesehatan. Sistem AI dapat memfasilitasi manajemen perawatan rutin yang dipimpin pasien dan menyediakan alat pengambilan keputusan yang ditingkatkan bagi dokter untuk kasus yang lebih sulit. Data tersebut juga menunjukkan bahwa sistem tersebut berpotensi untuk menurunkan pengeluaran layanan kesehatan. Di Amerika Serikat, biaya layanan kesehatan mendekati seperlima dari PDB nasional, dengan sebagian besar—diperkirakan sekitar 25%—diatribusikan pada inefisiensi atau intervensi dengan manfaat klinis yang terbatas. 

Ciri khas penelitian ini terletak pada penyertaan pertimbangan ekonomi. Meskipun biaya dunia nyata berbeda menurut wilayah dan model perawatan kesehatan, dan sering kali mencakup variabel hilir yang tidak diukur di sini, metodologi yang seragam diterapkan di semua agen dan dokter untuk menilai trade-off antara efektivitas diagnostik dan konsumsi sumber daya. Investigasi ini merupakan eksplorasi awal terhadap dinamika ini. Penelitian lebih lanjut diperlukan sebelum sistem AI generatif dapat diintegrasikan sepenuhnya ke dalam praktik klinis. Pengujian di dunia nyata, pengawasan regulasi, dan evaluasi berbasis bukti akan sangat penting untuk memastikan alat-alat ini memenuhi standar keamanan dan kemanjuran. Upaya kolaboratif dengan lembaga perawatan kesehatan sedang dilakukan untuk mendukung penilaian menyeluruh sebelum potensi penerapan skala besar.