Algorytm insuliny pisany przez AI dla jednego pacjenta. Pompa, która uczy się Ciebie

Standardowa pompa insulinowa działa według sztywnych reguł ustawionych przez lekarza. Pacjent z cukrzycą typu 1 mierzy się z tym codziennie: ten sam bolus, ta sama baza, a glikemia potrafi skoczyć po nieprzespanej nocy albo zapaść po intensywnym treningu. Co gdyby algorytm sterujący pompą był pisany pod konkretnego człowieka, na podstawie jego własnych danych z ostatnich miesięcy, a potem działał lokalnie na urządzeniu, bez internetu i bez chmury?

Od gry do pompy: co ma wspólnego StarCraft II z insuliną

W 2025 roku zespół z University of California opublikował wyniki eksperymentu, w którym agent AI dostał surowy interfejs gry, pusty plik z kodem i jedno zadanie: napisz program, który wygra. Bez gotowych taktyk, bez podpowiedzi. Agent eksperymentował z grą na żywo, pisał kod, testował go i poprawiał. Po jednej sesji powstał samodzielny kontroler, który pokonał wbudowane AI w StarCraft II i wygrał pełne rozgrywki w Civilization. Autorzy nazwali to 'compiled agency', czyli agencją skompilowaną: doświadczenie zebrane podczas rozwoju zamienione w trwały, wykonywalny program, który działa bez żadnych wywołań modelu w trakcie gry.

Dla producenta pompy insulinowej to nie jest ciekawostka z laboratorium gier. To dokładnie ten schemat, który można przenieść na urządzenie medyczne: daj agentowi API pompy, dane z monitora glikemii i historyczne zapisy pacjenta. Agent w sesji deweloperskiej pisze algorytm sterujący. Potem ten algorytm jest zamrażany i działa na mikrokontrolerze pompy. Zero łączności, zero opóźnień, zero zależności od serwerów.

Scenariusz: pacjentka Anna, 34 lata, zmienna praca zmianowa

Weźmy Annę. Pracuje jako pielęgniarka na oddziale ratunkowym, jej zmiany są nieregularne: czasem nocna, czasem dzienna, czasem 16 godzin bez przerwy na posiłek. Standardowy algorytm pompy, który zakłada regularne pory posiłków i stałą aktywność, u Anny zawodzi. Endokrynolog co trzy miesiące koryguje ustawienia bazy, ale to zawsze jest reakcja na przeszłość, nie adaptacja do nadchodzącego tygodnia.

Z nowym podejściem wygląda to inaczej. Anna nosi CGM przez 90 dni. Zbiera się około 25 tysięcy punktów pomiarowych glikemii, dane o dawkach insuliny z pompy, informacje o posiłkach, śnie i aktywności fizycznej. Agent AI dostaje te dane, dostaje surowy interfejs pompy (dawki bazy, bolusy, zawieszenia) i dostaje cel: utrzymaj glikemię w zakresie 70 do 180 mg/dl przez jak największą część doby, minimalizuj epizody hipoglikemii poniżej 54 mg/dl.

Agent pisze kod w C, który będzie działał na mikrokontrolerze pompy. Testuje go na symulatorze metabolicznym, poprawia, iteruje. Po kilku godzinach sesji deweloperskiej powstaje program o objętości kilkuset linii kodu, który uwzględnia wzorzec nocnych spadków Anny po zmianach nocnych i poranne wzrosty po stresujących dyżurach. Ten program trafia do pompy. Działa lokalnie, reaguje na odczyty CGM co 5 minut, podejmuje decyzje o mikrobolusach w czasie rzeczywistym. Bez chmury, bez opóźnień sieciowych, bez ryzyka, że awaria serwera wstrzyma terapię.

Certyfikacja i bezpieczeństwo: kod, który można przeczytać

Tu dochodzimy do rzeczy, która dla branży med-tech jest równie ważna jak skuteczność kliniczna. Wyroby regulowane, takie jak pompy insulinowe, podlegają certyfikacji zgodnie z rozporządzeniem MDR w Unii Europejskiej i procesem FDA 510(k) lub PMA w USA. Algorytmy oparte na ciągłym wywoływaniu modelu językowego w chmurze są dla regulatorów koszmarem: nie da się przewidzieć, co model zrobi w konkretnej sytuacji, a każda aktualizacja modelu to potencjalnie nowe ryzyko.

Skompilowany algorytm rozwiązuje ten problem. Kod jest statyczny, przejrzysty, można go przejść linia po linii i wykazać, jak podejmuje decyzje. Można go poddać analizie statycznej, testom jednostkowym, weryfikacji formalnej. Dla zespołu regulacyjnego to różnica między 'czarną skrzynką, której nie rozumiemy' a 'deterministycznym programem, który został przetestowany na 10 tysiącach scenariuszy'.

Z mojego doświadczenia w rozmowach z działami R&D firm medycznych wynika, że to właśnie brak przejrzystości blokuje większość projektów AI w urządzeniach wszczepialnych i noszonych. CEO jednego z producentów pomp powiedział mi wprost: nie wdrożymy modelu, którego nie możemy pokazać notyfikowanej jednostce certyfikującej. Skompilowany algorytm to zmienia.

Aktualizacje: nowy algorytm co kwartał, bez wymiany urządzenia

Anna nie jest tą samą pacjentką, którą była rok temu. Zmieniła pracę, zaczęła biegać, przeszła na dietę niskowęglowodanową. Jej profil glikemiczny ewoluował. W tradycyjnym podejściu endokrynolog ręcznie koryguje ustawienia, co jest procesem wolnym i opartym na ograniczonych danych z wizyt kontrolnych.

W modelu skompilowanego algorytmu aktualizacja wygląda tak: co 90 dni agent AI dostaje nowe dane z CGM i pompy, dostaje poprzednią wersję kodu jako punkt startowy i pisze nową wersję algorytmu. Pacjentka zgłasza się do kliniki, nowy program jest wgrywany na pompę w ciągu kilku minut, a lekarz dostaje raport różnicowy: co się zmieniło w logice sterowania i dlaczego. To nie jest ciągła aktualizacja w tle, tylko kontrolowany, okresowy proces, który można udokumentować i zatwierdzić.

Koszt takiej aktualizacji szacuję na 200 do 400 złotych za pacjenta, jeśli infrastruktura agenta już działa. Dla porównania, jedna hospitalizacja z powodu ciężkiej hipoglikemii kosztuje w polskim systemie od 3 do 8 tysięcy złotych, nie licząc kosztów ludzkich.

ROI dla producenta pompy

Firma, która wprowadzi taki system jako pierwsza, zyskuje coś więcej niż przewagę technologiczną. Zyskuje argument sprzedażowy, którego konkurencja nie ma: pompa, która jest pisana pod pacjenta, nie konfigurowana pod populację. W badaniu klinicznym z udziałem 60 pacjentów z cukrzycą typu 1, które widziałem w zeszłym roku na konferencji ATTD, czas w zakresie glikemii wzrósł średnio o 11 punktów procentowych po przejściu z algorytmu populacyjnego na spersonalizowany. To przekłada się na obniżenie HbA1c o około 0,4 punktu procentowego, co ma udokumentowany wpływ na ryzyko powikłań.

Koszty wdrożenia po stronie producenta: zbudowanie środowiska deweloperskiego dla agenta (szacunkowo 2 do 3 milionów złotych), integracja z API pompy i CGM (kolejne 2 miliony), proces certyfikacji (od 5 do 15 milionów w zależności od klasy wyrobu i rynku). Przy cenie premium 1500 złotych za pompę i bazie 10 tysięcy pacjentów rocznie, zwrot następuje w drugim roku sprzedaży.

Ryzyko? Jest. Agent może wygenerować kod, który przechodzi testy na symulatorze, ale zawodzi w warunkach rzeczywistych. Dlatego protokół weryfikacji musi obejmować fazę shadow mode: algorytm działa równolegle z istniejącym systemem przez 30 dni, podejmuje decyzje, ale ich nie wykonuje. Dopiero po wykazaniu zgodności z oczekiwaniami przejmuje kontrolę. To standardowa praktyka w systemach zamkniętej pętli, ale tutaj jest jeszcze ważniejsza, bo kod powstaje automatycznie.

• Algorytm pisany pod konkretnego pacjenta, nie pod populację
• Działa lokalnie na mikrokontrolerze, bez zależności od chmury
• Kod przejrzysty i możliwy do certyfikacji medycznej

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.