Pacjent z bólem barku otrzymał od ortopedy diagnozę częściowego pęknięcia ścięgna oraz zalecenia terapeutyczne. Postanowił zweryfikować wyniki rezonansu za pomocą Claude Code Opus 4.8. Wyniki analizy sztucznej inteligencji znacznie odbiegały od wniosków lekarza.

Kontekst urazu i pierwsza wizyta lekarska

Pacjent przez kilka tygodni odczuwał ból prawego barku i zdecydował się na konsultację ortopedyczną. Lekarz zlecił rezonans magnetyczny, który wykazał częściowe uszkodzenie ścięgna podłopatkowego. Częściowe pęknięcie stopnia III (Grade III) stanowiło podstawę do rozpoczęcia intensywnego leczenia jeszcze tego samego dnia.

Pacjent poprosił o kopię wyników i listę zaleceń przed opuszczeniem kliniki. Otrzymane informacje wzbudziły wątpliwości co do zasadności niektórych procedur. Wątpliwości te skłoniły go do poszukiwania alternatywnej oceny poza systemem medycznym.

Wątpliwości wobec zaleconych zabiegów

Wyniki rezonansu trafiły najpierw do GPT 5.5 Pro, który zwrócił uwagę na dwa elementy leczenia. Zastosowano terapię falą uderzeniową mimo wytycznych klinicznych odradzających ten zabieg przy braku zwapnień. Dodatkowo pacjent otrzymał zastrzyk z preparatu Traumeel, zarejestrowanego jako środek homeopatyczny.

Te informacje obniżyły zaufanie do pierwotnej diagnozy i skłoniły do głębszej analizy samych obrazów MRI. Pacjent zebrał wszystkie dane diagnostyczne i zdecydował się na eksperyment z modelem językowym zdolnym do przetwarzania plików DICOM.

Przygotowanie Claude Code do analizy obrazów

Pliki DICOM zajmowały 266 MB i zawierały kilkaset obrazów bez rozszerzeń. Użytkownik wybrał Claude Code z modelem Opus 4.8 w trybie bardzo wysokiej wydajności (xhigh), co umożliwiło instalację niezbędnych bibliotek i wykonywanie kodu. Claude Code różni się znacząco od zwykłego czatu pod względem możliwości pracy z dużymi zbiorami danych.

Instrukcje ograniczyły się do podania objawu bólu barku trwającego od dwóch do trzech tygodni. Model otrzymał zadanie przygotowania szczegółowego planu analizy przed przystąpieniem do przetwarzania. Cały proces zajął około godziny i zakończył się wygenerowaniem pierwszego raportu w formacie PDF.

Pierwszy raport Claude Code i rozbieżności

Model stwierdził, że ścięgno podłopatkowe pozostaje nienaruszone. Wniosek ten stał w ostrej sprzeczności z diagnozą kliniczną wskazującą na uszkodzenie przekraczające 50 procent grubości. Różnica ta wywołała niepokój i skłoniła do dalszej weryfikacji.

Pacjent zdecydował się na arbitraż z udziałem dodatkowych danych, w tym rozmowy z GPT 5.5 Pro na temat ruchów prowokujących ból. Claude Code zastosował podejście z wieloma podagentami, aby uniknąć wpływu wcześniejszych wniosków na nową analizę.

Wynik arbitrażu i ostateczna ocena

Drugi raport potwierdził brak wyraźnego pęknięcia ścięgna. Arbitraż wskazał jedynie na łagodną tendinozę przyczepu bez cech uszkodzenia częściowego lub pełnego. Wnioskowi o braku potrzeby agresywnego leczenia towarzyszył umiarkowany do wysokiego poziom pewności (moderate-to-high confidence).

Metodyka obejmowała wielokrotne niezależne przeglądy obrazów i porównanie z wytycznymi medycznymi. Podejście to pozwoliło na uzyskanie oceny mniej podatnej na sugestię pierwotnej diagnozy lekarskiej.

Implikacje dla zastosowania AI w diagnostyce

Przypadek ilustruje możliwości modeli językowych w obsłudze dużych plików medycznych i generowaniu alternatywnych interpretacji. Jednocześnie pokazuje ryzyko polegania wyłącznie na wnioskach sztucznej inteligencji bez weryfikacji przez specjalistę. Nowe funkcje Claude Opus 4.8 umożliwiają takie analizy, ale nie zastępują wiedzy medycznej.

Pacjent podkreśla, że nie jest lekarzem i traktuje eksperyment jako formę dodatkowej informacji. Historia ta może jednak zachęcić innych do ostrożnego korzystania z narzędzi AI przy interpretacji wyników badań obrazowych.

Ograniczenia i ryzyka zastosowania modelu

Model nie miał dostępu do pełnego kontekstu klinicznego ani badań porównawczych z innymi pacjentami. Jego wnioski opierały się wyłącznie na przesłanych obrazach i ograniczonym opisie objawów. Claude Code sprawdza się w zadaniach technicznych, lecz w medycynie wymaga szczególnej ostrożności.

Eksperyment pokazuje potrzebę dalszych badań nad wiarygodnością takich systemów. Pacjenci powinni traktować wyniki AI jako materiał do dyskusji z lekarzem, a nie jako ostateczną diagnozę.

Źródła:

antoine.fi, Hacker News, The Verge, Ars Technica