Ένα σύστημα τεχνητής νοημοσύνης της Microsoft κατάφερε κάτι που μέχρι πριν από λίγα χρόνια θα έμοιαζε με επιστημονική φαντασία: σε μια ελεγχόμενη επιστημονική δοκιμή, αναγνώρισε σωστά περισσότερες από οκτώ στις δέκα εξαιρετικά δύσκολες ιατρικές περιπτώσεις, ξεπερνώντας σημαντικά τους γενικούς γιατρούς που συμμετείχαν στη σύγκριση. Το εντυπωσιακό δεν είναι μόνο η ακρίβεια. Η AI έμαθε να κάνει ερωτήσεις, να επιλέγει εξετάσεις και να αναθεωρεί τις πιθανές διαγνώσεις της βήμα προς βήμα, όπως ένας γιατρός. Μπορεί, λοιπόν, ο ψηφιακός βοηθός να γίνει κάποτε ο σημαντικότερος σύμμαχος της ιατρικής;
Επιστημονική δημοσίευση: 22 Οκτωβρίου 2026, Science Διεθνής ειδησεογραφική κάλυψη: 23 Οκτωβρίου 2026, Reuters
Η ανακάλυψη που φέρνει την ιατρική μπροστά σε ένα απρόσμενο ερώτημα
Φανταστείτε έναν ασθενή που επισκέπτεται το νοσοκομείο με ανεξήγητο πυρετό, αδυναμία και πόνο στο στήθος.
Οι συνηθισμένες εξετάσεις δεν αποκαλύπτουν αμέσως την αιτία.
Οι γιατροί πρέπει να εξετάσουν διαφορετικά ενδεχόμενα, να αποκλείσουν επικίνδυνες παθήσεις και να αποφασίσουν ποια εξέταση θα δώσει την επόμενη χρήσιμη πληροφορία.
Μέχρι σήμερα, αυτή η διαδικασία θεωρείται μία από τις πιο σύνθετες μορφές ανθρώπινης κλινικής σκέψης.
Δεν απαιτεί μόνο ιατρικές γνώσεις. Απαιτεί κρίση, εμπειρία, διαχείριση αβεβαιότητας και συνεχή επανεκτίμηση των δεδομένων.
Τώρα, όμως, ερευνητές της Microsoft AI παρουσίασαν ένα σύστημα που επιχειρεί να αναπαραγάγει ακριβώς αυτή τη διαδικασία.
Ονομάζεται Microsoft AI Diagnostic Orchestrator (MAI-DxO).
Η μελέτη, με τίτλο Sequential diagnosis with language models, δημοσιεύθηκε στις 22 Οκτωβρίου 2026 στο έγκριτο επιστημονικό περιοδικό Science.
Τα αποτελέσματα προκάλεσαν διεθνές ενδιαφέρον, επειδή το νέο σύστημα πέτυχε σημαντικά υψηλότερη διαγνωστική ακρίβεια από την ομάδα των γενικών γιατρών που συμμετείχε στην ελεγχόμενη σύγκριση.
Η σημαντική λεπτομέρεια: Δεν εξετάστηκαν πραγματικοί ασθενείς σε ζωντανές κλινικές συνθήκες. Η αξιολόγηση βασίστηκε σε ιστορικά ιατρικά περιστατικά, τα οποία μετατράπηκαν σε διαδραστικά διαγνωστικά σενάρια.
Οι αριθμοί που προκάλεσαν αίσθηση: 83% έναντι 36%
Η πρώτη μεγάλη δοκιμασία περιλάμβανε 304 ιδιαίτερα δύσκολα ιατρικά περιστατικά, τα οποία προέρχονταν από εκπαιδευτικές παρουσιάσεις του New England Journal of Medicine.
Τα περιστατικά αυτά είναι συχνά ασυνήθιστα και απαιτούν σύνθετη διαγνωστική σκέψη.
Οι ερευνητές συνέκριναν το MAI-DxO με γενικούς γιατρούς που προσπαθούσαν να καταλήξουν στη σωστή διάγνωση.
Τα αποτελέσματα ήταν ιδιαίτερα εντυπωσιακά.
Ποιος βρήκε τη σωστή διάγνωση;
304 σύνθετα ιατρικά περιστατικά • Ελεγχόμενη δοκιμή
Ποσοστά σωστής τελικής διάγνωσης, όχι απόδοση σε πραγματικά νοσοκομεία.
Το σύστημα τεχνητής νοημοσύνης πέτυχε ακρίβεια 83,2%.
Οι γενικοί γιατροί που είχαν πρόσβαση σε βιβλία, επιστημονικές πηγές και αναζήτηση πληροφοριών πέτυχαν 36,1%.
Χωρίς αντίστοιχα εξωτερικά βοηθήματα, το ποσοστό των γιατρών ήταν 22,3%.
Με άλλα λόγια, στην ίδια ελεγχόμενη δοκιμασία, το MAI-DxO ήταν περίπου 2,3 φορές πιο ακριβές από τους γιατρούς που μπορούσαν να συμβουλευτούν εξωτερικές πηγές.
Σε σύγκριση με τους γιατρούς χωρίς βοηθήματα, η επίδοσή του ήταν περίπου 3,7 φορές υψηλότερη.
Αυτό δεν σημαίνει ότι η AI είναι δύο ή τέσσερις φορές καλύτερη από κάθε γιατρό στην καθημερινή ιατρική πράξη.
Σημαίνει ότι πέτυχε τις συγκεκριμένες επιδόσεις απέναντι στους συγκεκριμένους συμμετέχοντες και υπό τις συνθήκες του πειράματος.
Το πραγματικά εντυπωσιακό: Η AI δεν έδωσε απλώς μια απάντηση
Πολλά συστήματα τεχνητής νοημοσύνης λειτουργούν με έναν σχετικά απλό τρόπο.
Ο χρήστης περιγράφει συμπτώματα, παρέχει εργαστηριακά αποτελέσματα και ζητά μια πιθανή διάγνωση.
Το σύστημα εξετάζει τις πληροφορίες και παράγει μια απάντηση.
Το MAI-DxO λειτουργεί διαφορετικά.
Δεν λαμβάνει υποχρεωτικά όλα τα διαθέσιμα δεδομένα από την αρχή.
Αντίθετα, ξεκινά με περιορισμένες πληροφορίες και επιχειρεί να οργανώσει τη διαγνωστική διαδικασία.
Πρώτο βήμα: Το ιατρικό ιστορικό.
Αναζητά τις ερωτήσεις που μπορούν να ξεχωρίσουν τις πιθανότερες αιτίες των συμπτωμάτων.
Δεύτερο βήμα: Η αξιολόγηση των ευρημάτων.
Εξετάζει ποιες πληροφορίες από τη φυσική εξέταση ή το ιστορικό έχουν μεγαλύτερη διαγνωστική σημασία.
Τρίτο βήμα: Η επιλογή εξετάσεων.
Αποφασίζει ποια εργαστηριακή ή άλλη εξέταση αξίζει να ζητηθεί στη συνέχεια.
Τέταρτο βήμα: Η αναθεώρηση.
Μόλις λάβει νέα δεδομένα, μπορεί να απορρίψει παλαιότερες υποθέσεις και να εξετάσει άλλες.
Πέμπτο βήμα: Η τελική εκτίμηση.
Συνδυάζει τις διαθέσιμες πληροφορίες και καταλήγει στη διάγνωση που θεωρεί πιθανότερη.
Η ουσιαστική καινοτομία είναι ότι ο αλγόριθμος δεν αξιολογείται μόνο για την τελική απάντηση.
Αξιολογείται και για τη διαδρομή που ακολουθεί μέχρι να φτάσει σε αυτήν.
Ένα εικονικό συμβούλιο γιατρών μέσα σε έναν υπολογιστή
Η Microsoft ανέπτυξε έναν μηχανισμό συντονισμού που οργανώνει διαφορετικούς ρόλους τεχνητής νοημοσύνης.
Το σύστημα λειτουργεί σαν ένα εικονικό συμβούλιο κλινικών ειδικών.
Διαφορετικοί ρόλοι μπορούν να προτείνουν πιθανές διαγνώσεις, να εξετάζουν τις διαθέσιμες ενδείξεις, να αμφισβητούν προηγούμενες υποθέσεις και να αξιολογούν εάν χρειάζεται ακόμη μία εξέταση.
Ο συντονιστής οργανώνει αυτή τη διαδικασία και επιλέγει την επόμενη ενέργεια.
Αυτό θυμίζει, σε επίπεδο υπολογιστικής διαδικασίας, τον τρόπο με τον οποίο μια ομάδα γιατρών μπορεί να συζητά ένα δύσκολο περιστατικό.
Ωστόσο, η ομοιότητα αυτή δεν σημαίνει ότι το σύστημα διαθέτει πραγματική κλινική εμπειρία ή τις ανθρώπινες δεξιότητες ενός γιατρού.
Δεν έχει εξετάσει σωματικά ασθενείς, δεν έχει αντιμετωπίσει επείγοντα περιστατικά στην πράξη και δεν φέρει την ευθύνη των θεραπευτικών αποφάσεων.
Πρόκειται για μια προηγμένη μορφή υπολογιστικού συλλογισμού, όχι για πλήρη υποκατάσταση της ιατρικής κρίσης.
Τι συνέβη όταν το σύστημα δοκιμάστηκε σε περιστατικά επειγόντων;
Η ερευνητική ομάδα δεν περιορίστηκε στις εξαιρετικά δύσκολες περιπτώσεις του New England Journal of Medicine.
Χρησιμοποίησε επίσης 325 περιστατικά από βάση δεδομένων επειγόντων νοσοκομείου, γνωστή ως MIMIC-IV-ED.
Τα περιστατικά αυτά αντιπροσωπεύουν περισσότερο συνηθισμένες κλινικές παρουσιάσεις.
Το αποτέλεσμα ήταν και πάλι ενδιαφέρον.
Τεχνητή νοημοσύνη MAI-DxO
80,3%
Διαγνωστική ακρίβειαΓενικοί γιατροί
46,8%
Διαγνωστική ακρίβειαΤο MAI-DxO πέτυχε περίπου 1,7 φορές υψηλότερη επίδοση στη συγκεκριμένη δοκιμασία.
Η δεύτερη αυτή αξιολόγηση είναι σημαντική επειδή δείχνει ότι η επίδοση δεν περιορίστηκε αποκλειστικά στις ιδιαίτερα ασυνήθιστες περιπτώσεις.
Ωστόσο, ακόμη και εδώ η δοκιμή πραγματοποιήθηκε πάνω σε καταγεγραμμένα περιστατικά, όχι μέσα σε ένα ενεργό τμήμα επειγόντων.
Δεν αξιολογήθηκε η πραγματική ικανότητα του συστήματος να χειρίζεται ταυτόχρονα τις δεκάδες ανάγκες ενός νοσοκομείου ή να αντιμετωπίζει μη αναμενόμενες καταστάσεις.
Και όμως, η τεχνητή νοημοσύνη μπορεί να χρειάζεται λιγότερες εξετάσεις
Ένα από τα πιο ενδιαφέροντα σημεία της έρευνας αφορά το κόστος.
Στην ιατρική, η σωστή διάγνωση δεν είναι το μοναδικό ζητούμενο.
Σημασία έχει επίσης να αποφεύγονται οι περιττές εξετάσεις, οι καθυστερήσεις και οι παρεμβάσεις που δεν προσφέρουν χρήσιμες πληροφορίες.
Οι ερευνητές εξέτασαν κατά πόσο το MAI-DxO μπορούσε να επιτύχει υψηλή διαγνωστική ακρίβεια επιλέγοντας οικονομικότερες διαγνωστικές διαδικασίες.
Στα πολύπλοκα περιστατικά, η έκδοση χωρίς αυστηρούς περιορισμούς κόστους είχε μέση εκτιμώμενη δαπάνη περίπου 5.431 δολάρια ανά περιστατικό.
Όταν όμως προστέθηκαν περιορισμοί, το σύστημα διατήρησε διαγνωστική ακρίβεια περίπου 80,9%, με εκτιμώμενο κόστος 2.241 δολάρια.
Η αντίστοιχη μέση δαπάνη για τους γιατρούς στην αξιολόγηση ήταν περίπου 4.725 δολάρια.
Αυτό αποτελεί ενθαρρυντική ένδειξη ότι η AI μπορεί να υποστηρίξει πιο στοχευμένη χρήση διαγνωστικών εξετάσεων.
Όμως οι αριθμοί αυτοί είναι υπολογιστικές εκτιμήσεις κόστους σε ένα ερευνητικό περιβάλλον.
Δεν σημαίνουν ότι ένα πραγματικό νοσοκομείο θα μειώσει αυτόματα τις δαπάνες του κατά το ίδιο ποσοστό.
Ποια τεχνολογία κρύβεται πίσω από το MAI-DxO;
Το MAI-DxO δεν αποτελεί απλώς ένα νέο γλωσσικό μοντέλο.
Είναι ένα σύστημα που συντονίζει μοντέλα τεχνητής νοημοσύνης, ώστε να εκτελούν διαδοχικά βήματα διαγνωστικού συλλογισμού.
Στις βασικές συγκρίσεις της νέας μελέτης χρησιμοποιήθηκε και τεχνολογία της οικογένειας GPT της OpenAI.
Το ενδιαφέρον βρίσκεται κυρίως στον τρόπο οργάνωσης της διαδικασίας: ένα σύστημα μπορεί να εξετάζει μια υπόθεση, ένα άλλο να προτείνει ερωτήσεις ή εξετάσεις και ένα τρίτο να ελέγχει την τελική εκτίμηση.
Η Microsoft αναφέρει ότι η προσέγγιση παρουσίασε βελτιώσεις και όταν δοκιμάστηκε με νεότερα γλωσσικά μοντέλα.
Το εύρημα δείχνει ότι ο τρόπος συντονισμού της τεχνητής νοημοσύνης μπορεί να είναι εξίσου σημαντικός με τις γνώσεις του βασικού μοντέλου.
Αυτό, όμως, δεν σημαίνει ότι οι ψηφιακοί «ειδικοί» σκέφτονται ή αποκτούν εμπειρία με τον ίδιο τρόπο που το κάνουν οι άνθρωποι.
Γιατί η εξέλιξη μπορεί να είναι σημαντική για τους ασθενείς
Εάν τα αποτελέσματα επιβεβαιωθούν στην πραγματική κλινική πράξη, η τεχνητή νοημοσύνη θα μπορούσε μελλοντικά να βοηθήσει σε τέσσερις τομείς.
Πρώτον, στην αναγνώριση ασυνήθιστων παθήσεων. Ένα σύστημα με πρόσβαση σε μεγάλη ιατρική βιβλιογραφία ίσως μπορεί να υπενθυμίζει στους γιατρούς σπάνιες διαγνώσεις που δεν εξετάστηκαν αρχικά.
Δεύτερον, στον περιορισμό των διαγνωστικών καθυστερήσεων. Η οργανωμένη επιλογή εξετάσεων ενδέχεται να επιταχύνει την αναζήτηση της αιτίας ορισμένων συμπτωμάτων.
Τρίτον, στη διαχείριση του κόστους. Εάν οι υπολογιστικές επιδόσεις επιβεβαιωθούν, ορισμένες περιττές εξετάσεις ίσως μπορούν να αποφεύγονται.
Τέταρτον, στην υποστήριξη των γιατρών. Η AI θα μπορούσε να λειτουργεί ως εργαλείο δεύτερης γνώμης, ιδιαίτερα σε δύσκολα περιστατικά.
Αξίζει να θυμηθούμε ότι η τεχνητή νοημοσύνη ήδη εξετάζεται και σε άλλους τομείς της ιατρικής απεικόνισης.
Στο therapeftis.eu έχουμε παρουσιάσει τη σχετική έρευνα στο άρθρο «Τεχνητή Νοημοσύνη και Μαστογραφία: Διάγνωση έως 10 χρόνια νωρίτερα».
Σε αυτή την περίπτωση, οι ερευνητές χρησιμοποιούν αλγορίθμους για την αναγνώριση ύποπτων μοτίβων σε ιατρικές εικόνες.
Το MAI-DxO επιχειρεί κάτι διαφορετικό: να οργανώσει ολόκληρη τη διαδικασία διερεύνησης ενός περιστατικού.
Το μεγάλο ερώτημα: Θα αντικαταστήσει η τεχνητή νοημοσύνη τους γιατρούς;
Αυτό είναι το ερώτημα που προκαλεί τις περισσότερες συζητήσεις.
Η απάντηση, με βάση τα σημερινά επιστημονικά δεδομένα, είναι ότι δεν έχει αποδειχθεί πως ένα τέτοιο σύστημα μπορεί να αντικαταστήσει με ασφάλεια τον γιατρό.
Οι συμμετέχοντες γιατροί αξιολογήθηκαν ως μεμονωμένοι γενικοί κλινικοί, όχι ως πλήρεις ομάδες ειδικών.
Το σύστημα δεν συγκρίθηκε με όλες τις μορφές εξειδικευμένης ιατρικής φροντίδας.
Και τα ιστορικά περιστατικά δεν αναπαράγουν ολόκληρη την πραγματικότητα της καθημερινής ιατρικής.
Ένας γιατρός δεν περιορίζεται στο να αναγνωρίζει μια ασθένεια.
Παρατηρεί τον ασθενή, αξιολογεί την κλινική του εικόνα, εκτιμά τους κινδύνους, επικοινωνεί με την οικογένεια, λαμβάνει υπόψη προσωπικές προτεραιότητες και αποφασίζει πώς θα προχωρήσει η φροντίδα.
Επιπλέον, πολλές ιατρικές αποφάσεις δεν έχουν μία μοναδική σωστή απάντηση.
Έχουν διαφορετικές επιλογές, πιθανές επιπλοκές και σημαντικές αβεβαιότητες.
Η τεχνητή νοημοσύνη μπορεί να αποτελεί εξαιρετικό υπολογιστικό σύμβουλο χωρίς αυτό να την καθιστά αυτόνομο γιατρό.
Γιατί οι επιστήμονες ζητούν περισσότερες μελέτες;
Η δημοσίευση στο Science αποτελεί σημαντικό επιστημονικό βήμα, αλλά υπάρχουν αρκετοί περιορισμοί.
Η μελέτη χρησιμοποίησε ιστορικά περιστατικά σε περιβάλλον προσομοίωσης.
Δεν αποδείχθηκε ότι το σύστημα μπορεί να διαχειρίζεται με την ίδια ακρίβεια πραγματικούς ασθενείς, των οποίων οι πληροφορίες είναι συχνά ελλιπείς, αντιφατικές ή μεταβάλλονται συνεχώς.
Επίσης, η αξιολόγηση πραγματοποιήθηκε από ερευνητές της ίδιας της Microsoft, η οποία ανέπτυξε την τεχνολογία και χρηματοδότησε την έρευνα.
Αυτό δεν ακυρώνει τα αποτελέσματα, αλλά καθιστά ιδιαίτερα σημαντική την ανεξάρτητη επιβεβαίωσή τους.
Χρειάζονται ακόμη δεδομένα σχετικά με το πώς επηρεάζεται η ασφάλεια των ασθενών, πόσο συχνά γίνονται σοβαρά λάθη, εάν αυξάνονται οι άσκοπες εξετάσεις και εάν οι πραγματικές θεραπευτικές αποφάσεις βελτιώνονται.
Μπορεί η AI να κάνει επικίνδυνα διαγνωστικά λάθη;
Βεβαίως.
Τα συστήματα τεχνητής νοημοσύνης μπορούν να παρερμηνεύσουν πληροφορίες, να παραλείψουν σημαντικές πιθανότητες ή να παρουσιάσουν μια λανθασμένη εκτίμηση με υπερβολική βεβαιότητα.
Στην ιατρική, το πρόβλημα δεν είναι μόνο να βρεθεί η πιθανότερη διάγνωση.
Είναι επίσης να μην αγνοηθεί μια λιγότερο πιθανή αλλά άμεσα απειλητική κατάσταση.
Για παράδειγμα, ένας άνθρωπος με πόνο στο στήθος μπορεί να χρειάζεται επείγουσα αξιολόγηση ακόμη κι αν κάποιο υπολογιστικό μοντέλο θεωρεί πιθανότερη μια σχετικά αθώα αιτία.
Αυτός είναι ένας από τους λόγους για τους οποίους τα νέα διαγνωστικά συστήματα πρέπει να υποβάλλονται σε αυστηρή αξιολόγηση πριν χρησιμοποιηθούν αυτόνομα.
Η αξιοποίηση της AI σε άλλες ιατρικές εφαρμογές έχει ήδη δείξει ότι η εντυπωσιακή τεχνολογική δυνατότητα δεν πρέπει να συγχέεται με την καθιερωμένη κλινική χρήση.
Χαρακτηριστικό παράδειγμα αποτελεί η έρευνα που έχουμε παρουσιάσει στο άρθρο «Μαστογραφία και καρδιά: Η τεχνητή νοημοσύνη εντοπίζει κρυφά σημάδια καρδιαγγειακής νόσου στις γυναίκες».
Οι υπολογιστικές επιδόσεις είναι ενδιαφέρουσες, αλλά χρειάζεται να αποδειχθεί ότι οδηγούν σε ασφαλέστερη περίθαλψη.
Η επόμενη δοκιμασία θα γίνει σε πραγματικό νοσοκομείο
Η Microsoft ανακοίνωσε συνεργασία με το Beth Israel Deaconess Medical Center.
Σκοπός είναι να αξιολογηθεί το σύστημα σε πραγματικές νοσοκομειακές συνθήκες, με έμφαση στη διαγνωστική διαδικασία και στη διαλογή περιστατικών στα επείγοντα.
Οι ερευνητές θέλουν να εξετάσουν τι συμβαίνει όταν η AI αλληλεπιδρά με πραγματικούς ασθενείς και οι εκτιμήσεις της συγκρίνονται με εκείνες των γιατρών.
Αυτό είναι σημαντικότερο από οποιαδήποτε εντυπωσιακή επίδοση σε ένα θεωρητικό διαγνωστικό τεστ.
Γιατί η πραγματική επιτυχία δεν μετριέται μόνο σε σωστές απαντήσεις, αλλά σε καλύτερα αποτελέσματα για τους ασθενείς.
Τι σημαίνει για την Ελλάδα;
Μια τέτοια τεχνολογία θα μπορούσε μελλοντικά να είναι ιδιαίτερα ενδιαφέρουσα για συστήματα υγείας που αντιμετωπίζουν ελλείψεις προσωπικού ή ανισότητες στην πρόσβαση σε εξειδικευμένη ιατρική γνώση.
Σε ένα περιφερειακό νοσοκομείο ή σε ένα απομακρυσμένο ιατρείο, ένας κατάλληλα ελεγμένος ψηφιακός βοηθός θα μπορούσε να προσφέρει πρόσθετη υποστήριξη στη διαφορική διάγνωση.
Αλλά αυτό αποτελεί πιθανό μελλοντικό σενάριο, όχι υπηρεσία που έχει ήδη αποδειχθεί αποτελεσματική στην Ελλάδα.
Πριν χρησιμοποιηθούν τέτοια συστήματα θα απαιτηθούν έλεγχοι ακρίβειας στα ελληνικά, προστασία ευαίσθητων ιατρικών δεδομένων, κατάλληλες διαδικασίες εποπτείας και συμμόρφωση με το ευρωπαϊκό ρυθμιστικό πλαίσιο.
Ποιοι πρέπει να προσέχουν;
Η χρήση συστημάτων τεχνητής νοημοσύνης για ζητήματα υγείας χρειάζεται ιδιαίτερη προσοχή από όλους, αλλά ειδικά από ανθρώπους με σοβαρά συμπτώματα, χρόνια νοσήματα, πολλαπλές φαρμακευτικές αγωγές ή σύνθετα ιατρικά ιστορικά.
Μια διαδικτυακή συνομιλία μπορεί να βοηθήσει στην κατανόηση ιατρικών όρων ή στην προετοιμασία ερωτήσεων για τον γιατρό.
Δεν αποτελεί όμως υποκατάστατο της κλινικής εξέτασης.
Σε συμπτώματα όπως έντονος πόνος στο στήθος, ξαφνική αδυναμία, δυσκολία στην αναπνοή, απώλεια συνείδησης ή σημάδια εγκεφαλικού επεισοδίου απαιτείται άμεση ιατρική βοήθεια.
Επίσης, δεν πρέπει να εισάγονται σε μη αξιόπιστες υπηρεσίες ευαίσθητα στοιχεία όπως πλήρεις ιατρικοί φάκελοι, εξετάσεις με αναγνωριστικά στοιχεία ή προσωπικές πληροφορίες τρίτων.
Συμπέρασμα: Μια επιστημονική νίκη, αλλά όχι το τέλος του ανθρώπινου γιατρού
Το MAI-DxO έδειξε ότι η τεχνητή νοημοσύνη μπορεί πλέον να οργανώνει ιδιαίτερα σύνθετες διαγνωστικές διαδικασίες.
Σε 304 δύσκολα ιστορικά περιστατικά πέτυχε ακρίβεια 83,2%, ξεπερνώντας σημαντικά τους γενικούς γιατρούς που συμμετείχαν στην ελεγχόμενη σύγκριση.
Σε 325 περιστατικά επειγόντων η επίδοσή του ήταν επίσης υψηλότερη.
Παράλληλα, η έρευνα υποδεικνύει ότι η οργανωμένη χρήση AI μπορεί να βελτιώσει την επιλογή διαγνωστικών εξετάσεων και το εκτιμώμενο κόστος.
Ωστόσο, δεν έχει αποδειχθεί ότι η AI είναι καλύτερη από τους γιατρούς σε όλες τις πραγματικές συνθήκες ούτε ότι μπορεί να αναλάβει αυτόνομα τη φροντίδα των ασθενών.
Η πιο σημαντική προοπτική βρίσκεται ίσως αλλού.
Όχι σε έναν κόσμο χωρίς γιατρούς, αλλά σε έναν κόσμο όπου οι γιατροί θα διαθέτουν ένα ακόμη ισχυρό εργαλείο για να αναγνωρίζουν δύσκολες ασθένειες, να περιορίζουν λάθη και να βοηθούν περισσότερους ασθενείς.
Και αυτό μπορεί να αποδειχθεί η πραγματική ιατρική ανατροπή.
Επιστημονικές πηγές και μελέτες
1. Πρωτότυπη επιστημονική μελέτη – Science (22/10/2026)
Sequential diagnosis with language models.
https://www.science.org/doi/10.1126/science.aeh7930
2. Microsoft AI – Επίσημη παρουσίαση της έρευνας (22/10/2026)
Building Medical Superintelligence.
https://microsoft.ai/news/building-medical-superintelligence/
3. Reuters – Διεθνές ρεπορτάζ (23/10/2026)
Microsoft develops AI tool that can diagnose sequentially like a doctor.
4. Becker's Hospital Review – Αναλυτικά στοιχεία της αξιολόγησης (23/10/2026)
Microsoft AI diagnostic tool tops generalist physicians, 83% to 36%.
5. Medical Economics – Κλινική ανάλυση και περιορισμοί (22/10/2026)
Social Plugin