Claude Code samodzielnie zoptymalizował interfejs mózg-komputer dla pacjenta z ALS

Badacz z Uniwersytetu Tokijskiego opisał w recenzowanym czasopiśmie naukowym przypadek, w którym asystent kodujący Claude Code samodzielnie zoptymalizował interfejs mózg-komputer używany przez pacjenta ze stwardnieniem zanikowym bocznym. AI przez dobę generowało i testowało kolejne wersje algorytmu niemal bez nadzoru człowieka, ostatecznie niemal podwajając tempo komunikacji chorego.

Interfejsy mózg-komputer oparte na słuchowych potencjałach wywołanych (ERP-BCI) od lat są jedną z niewielu dróg komunikacji dla osób z ALS, które w zaawansowanym stadium choroby tracą kontrolę nad wszystkimi mięśniami, włącznie z gałkami ocznymi. Problem w tym, że każdy pacjent ma inny sygnał mózgowy, więc dopasowanie algorytmu klasyfikującego do konkretnej osoby wymaga żmudnej, ręcznej pracy inżynierów i trwa tygodniami.

Jak działał eksperyment

Badany pacjent, mężczyzna z ALS, od 2022 do 2026 roku brał udział w dziesięciu sesjach nagraniowych, w których jego mózg rejestrowano ośmiokanałowym urządzeniem EEG OpenBCI Cyton przy próbkowaniu 250 Hz. System prezentował mu trzy czyste tony o częstotliwościach 524, 708 i 932 Hz, odpowiadające kierunkom lewo, środek i prawo, dodatkowo z epokami ciszy. Zebrano w ten sposób 189 prób sygnału.

Zamiast ręcznie stroić parametry klasyfikatora, badacz przyznał Claude Code uprawnienia do samodzielnego pisania i uruchamiania kodu, po czym w zasadzie odsunął się od procesu. Jedyną ludzką ingerencją w trakcie całego eksperymentu było jedno krótkie polecenie restartu narzędzia po tym, jak wyczerpał się limit tokenów API.

Co wymyśliła sztuczna inteligencja

Claude Code w ciągu doby napisało i przetestowało 23 kolejne wersje potoku przetwarzania sygnału, samodzielnie oceniając, która architektura daje najlepsze wyniki. Finalne rozwiązanie, nazwane w pracy AIDE, opiera się na dwóch pasmach cech: bardzo niskiej częstotliwości sub-delta (0,21-2,01 Hz), z której wyciągane są znormalizowane różnice średnich odzwierciedlające kształt fali ERP, oraz pasma gamma (0,21-39 Hz), z którego pobierana jest logarytmiczna wariancja mocy sygnału.

Do klasyfikacji AI dobrało analizę dyskryminacyjną liniową z regularyzacją Ledoita-Wolfa, a strojenie hiperparametrów przeprowadziło metodą bayesowskiego przeszukiwania Optuna. To rozwiązanie, którego żaden człowiek nie zaprojektował ręcznie od podstaw, w praktyce okazało się skuteczniejsze niż wcześniejszy model oparty na klasycznym klasyfikatorze SVM.

Liczby, które mają znaczenie kliniczne

Różnica między 70 a 85 procentami dokładności klasyfikacji nie brzmi jak przełom, ale w praktyce oznacza, że pacjent może komunikować się przy mniejszej liczbie powtórzeń bodźca, co bezpośrednio przekłada się na zmęczenie. Szybkość transferu informacji wzrosła z 1,43 do 2,92 bita na minutę, czyli niemal się podwoiła, a czas potrzebny na dokonanie jednego wyboru skrócił się z około 34 do 17 sekund.

Dla osoby całkowicie sparaliżowanej, zdanej na interfejs mózg-komputer jako jedyny kanał kontaktu ze światem, taka poprawa oznacza mniej zmęczenia przy dłuższych rozmowach i możliwość przekazania więcej informacji w tym samym czasie. Autor pracy podkreśla, że badanie dotyczyło jednego pacjenta, więc nie można jeszcze mówić o metodzie gotowej do masowego wdrożenia.

Claude Code autonomicznie zoptymalizował potok przetwarzania sygnału trójklasowego słuchowego interfejsu ERP-BCI dla jednego pacjenta z ALS, osiągając wiarygodną klasyfikację przy o połowę mniejszej liczbie powtórzeń bodźca - z opisu badania w Frontiers in Human Neuroscience

Ograniczenia i znaczenie dla branży

Praca ma status dowodu koncepcji, nie gotowego produktu medycznego. Jeden pacjent, jedno urządzenie EEG i jeden zestaw parametrów eksperymentu nie pozwalają wyciągać wniosków o skuteczności metody u innych chorych, u których sygnały mózgowe mogą wyglądać zupełnie inaczej. Mimo to badanie pokazuje kierunek, w którym może pójść medycyna precyzyjna wspierana przez agenty kodujące: zamiast tygodni pracy zespołu inżynierów nad dopasowaniem algorytmu do jednej osoby, można zlecić to zadanie modelowi AI i pozwolić mu samodzielnie iterować rozwiązania przez dobę.

Dla twórców systemów BCI oznacza to potencjalnie krótszy czas wdrożenia spersonalizowanych interfejsów, co ma znaczenie zwłaszcza w chorobach postępujących szybko, jak ALS, gdzie okno na skuteczną komunikację z pacjentem systematycznie się zawęża. Autor zaznacza też, że nadzór człowieka był minimalny, co rodzi pytania o to, jak dokumentować i weryfikować decyzje podejmowane samodzielnie przez model w kontekstach medycznych.

Badanie wpisuje się w szerszy trend wykorzystywania agentów kodujących poza typowymi zastosowaniami programistycznymi, od nauk przyrodniczych po inżynierię biomedyczną. W tym przypadku efektem nie jest nowa aplikacja czy usprawniony proces firmowy, lecz konkretna, mierzalna poprawa jakości życia jednego pacjenta, udokumentowana w recenzowanym czasopiśmie naukowym.