Potilaan oireet eivät sovi mihinkään tuttuun kaavaan. Lääkäri kysyy lisää, tilaa verikokeen, kysyy taas ja pyytää kuvantamisen. Jokainen tutkimus maksaa ja vie aikaa. Tätä vaihe vaiheelta etenevää päättelyä Microsoft yrittää nyt opettaa tekoälylle.
Science-lehdessä torstaina julkaistussa tutkimuksessa Microsoftin MAI-DxO-järjestelmä (Microsoft AI Diagnostic Orchestrator) päätyi vaikeissa potilastapauksissa oikeaan diagnoosiin 83 prosentissa tapauksista. Vertailuun osallistuneet perusterveydenhuollon lääkärit ja yleissisätautien lääkärit osuivat oikeaan 36 prosentissa, kun heillä oli käytössään oppikirjat ja internet. Tekoäly oli siis noin 2,3 kertaa tarkempi. Ilman apuvälineitä lääkärien osuma jäi 22 prosenttiin.
Mitä vaikea tapaus tarkoittaa
Vaikeat tapaukset on poimittu New England Journal of Medicine -lehden tapausselostuksista. Lehti julkaisee niitä koulutustarkoituksessa juuri siksi, että ne ovat harvinaisia ja hankalia ratkaista. Microsoftin rakentamassa SDBench-vertailussa niitä on 304.
Testi on vuorovaikutteinen. Diagnoosin tekijä, ihminen tai kone, saa aluksi vain lyhyen kuvauksen potilaasta ja päättää itse, mitä kysyy ja mitä tutkimuksia tilaa. Jokaiselle tutkimukselle on laskettu arvioitu hinta, joten tulosta mitataan sekä osumatarkkuudella että sillä, paljonko diagnoosiin pääseminen olisi maksanut.
MAI-DxO toimii kuin pieni lääkäripaneeli. Useampi tekoälyagentti ehdottaa diagnooseja, valitsee tutkimuksia ja kyseenalaistaa toistensa päätelmiä ennen kuin järjestelmä antaa vastauksen.
Toinen aineisto koostui tavallisista päivystyskäynneistä yhdysvaltalaisessa MIMIC-IV-ED-tietokannassa. Niissä järjestelmä osui oikeaan 80 prosentissa ja lääkärit 47 prosentissa. Microsoft ei kerro tiedotteessaan päivystystapausten määrää eikä sitä, kuinka monta lääkäriä vertailuun osallistui.
Lääkärit työskentelivät yksin
Asetelmassa on rajoituksensa. TechCrunchin mukaan vertailusta puuttuivat erikoislääkärit ja lääkäritiimit, jotka oikeassa sairaalassa yleensä hoitavat näin monimutkaiset tapaukset. Kukaan ei myöskään tavannut potilasta. Kaikki tapahtui simulaatiossa, jossa toinen tekoälymalli vastasi kysymyksiin ja kertoi tutkimusten tulokset.
Sitten on kysymys siitä, kenen ansiota tulos on.
MAI-DxO ei ole oma kielimallinsa vaan ohjauskerros, joka pyörittää muiden yhtiöiden malleja. Sitä testattiin OpenAI:n, Googlen, Anthropicin, Metan ja DeepSeekin malleilla. TechCrunch kävi läpi tutkimuksen omat luvut ja kirjoitti englanniksi, että ”tutkimuksen oma data viittaa siihen, että suuri osa parannuksesta tulee tehokkaammista taustalla olevista tekoälymalleista”.
Luvut tukevat havaintoa. OpenAI:n GPT-5 ratkaisi vaikeista tapauksista yksinään 78,9 prosenttia lyhyellä perusohjeella. Microsoftin järjestelmä nosti osumaa noin neljä prosenttiyksikköä ja laski kustannuksia noin 3 000 dollaria tapausta kohden. Uudemmalla GPT-5.5:llä ero oli suurempi, 72 prosentista lähes 87 prosenttiin. Googlen kevyt Gemini 2.5 Flash nousi 46,4 prosentista lähes 69 prosenttiin, mutta heikon ja vahvan mallin välinen ero oli silti suurempi kuin ohjauskerroksen tuoma lisä.
Päivystystapauksissa ohjauskerroksesta ei juuri ollut hyötyä. GPT-5.5 ylsi noin 85 prosenttiin sekä sen kanssa että ilman. Microsoftin tiedottaja perusteli järjestelmän arvoa TechCrunchille sillä, että se auttaa optimoimaan yhtä aikaa tarkkuutta ja kustannuksia.
“Terveydenhuollon suurin haaste tällä hetkellä on kysynnän ja tarjonnan kasvava epäsuhta.”
Seuraavaksi oikeat potilaat
Järjestelmä ei ole kliinisessä käytössä, eikä Microsoft kerro hakeneensa sille viranomaishyväksyntää. Seuraava vaihe on tutkimus bostonilaisessa Beth Israel Deaconess Medical Centerissä. Suostumuksensa antaneet potilaat saavat tekoälyn suositukset tavanomaisen hoidon rinnalle, ja suosituksia verrataan lääkärien omiin päätöksiin.
”Uskomme, että tästä tulee laatuaan suurin tutkimus”, King sanoi TechCrunchille. Microsoft AI:n toimitusjohtaja Mustafa Suleyman puolestaan arvioi, että ”vuonna 2027 olemme potilastietojen osalta koodauksen kaltaisen läpimurron kynnyksellä”. Hän viittaa siihen, miten nopeasti tekoälyn koodaustaidot ovat kehittyneet, kun malleja on parannettu oikean käytön perusteella.
Suomessa tekoäly tuli toisesta ovesta
Suomalaiseen terveydenhuoltoon tekoäly on tullut ensin hallintoon eikä diagnooseihin. Pohjois-Pohjanmaan hyvinvointialue Pohde otti lokakuussa käyttöön puhelimessa vastaavan tekoälyapurin, jonka kautta aikuinen voi perua tai siirtää lääkärin tai hoitajan vastaanottoajan, kuten AI Suomi kertoi. Apuri ei arvioi oireita, ja jos se ei pysty hoitamaan asiaa, puhelu siirtyy ihmiselle.
Järjestys on ymmärrettävä. Ajanvarauksen voi automatisoida kevyesti, diagnoosia ei. EU:ssa diagnosointiin tarkoitettu ohjelmisto on lääkinnällinen laite, joka tarvitsee CE-merkinnän, ja EU:n tekoälysäädös luokittelee sen suuririskiseksi. Simulaatiossa saatu tulos ei vielä riitä vastaanotolle.
Kingin kuvaama epäsuhta on tuttu jokaiselle, joka on yrittänyt saada lääkäriaikaa terveysasemalta. Jos tällainen järjestelmä joskus toimisi yleislääkärin apuna, se voisi auttaa tunnistamaan harvinaisen sairauden aiemmin ja karsia turhia tutkimuksia. Jälkimmäinen on hyvinvointialueiden budjeteille yhtä tärkeää kuin ensimmäinen potilaalle.
Suomen kannalta kiinnostavin kysymys ei olekaan se, voittaako kone yksin työskentelevän lääkärin amerikkalaisessa koetehtävässä. Sekä vaikeat tapaukset että päivystysaineisto ovat Yhdysvalloista, ja MIMIC-tietokanta on peräisin samasta bostonilaisesta sairaalasta, jossa jatkotutkimus tehdään. Ennen kuin vastaavaa työkalua voi käyttää Oulussa tai Kuopiossa, joku joutuu testaamaan sen suomalaisilla potilailla, suomenkielisillä kirjauksilla ja Käypä hoito -suositusten mukaisilla hoitopoluilla.
