Számos bizonyíték utal arra, hogy az alvás szerepet játszik különböző emlékezeti rendszerek konszolidációjában. Kevesebbet tudunk arról, hogy milyen szerepe van az alvásnak a relációs memória műkö­désé­ben, illetve az érzelmi arckifejezések felismerésében, holott ez olyan fundamentális kognitív képesség, amit mindennap használunk. Ezért kutatásunk célja annak feltérképe­zése, hogy az alvás milyen szerepet tölt be az asszociációs memória működésében annak függvényében, hogy mikor történik a tanulás. Vizsgálatunkban összesen 84 fő vett részt [átlagéletkor: 22,36 (SD: 3,22), 21 férfi/63 nő], akiket két csoportra osztottunk: esti és reggeli csoportokra, utalva arra, hogy mikor történt a tanulás. Mindkét csoport eseté­ben két tesztfelvétel volt, közvetlenül a tanulást követően (rövid távú tesztelés) és 24 órával később (hosszú távú tesztelés). A relációs memória vizsgálatára az arcok és nevek tesztet alkalmaztuk. Sem az azonnali, sem a késleltetett tesz­telés során nem találtunk különbséget a csoportok között sem az általános tanulási mutatóban (arcokhoz társított nevekre való emlékezés érzelmi valenciától függetlenül), sem a különböző érzelmi arckifejezésekhez kapcsolódó nevekre való emlékezésben. Ezzel ellentétben, a csoporton belüli elemzés alapján a reggeli csoport a rövid távú teszteléshez képest nagyobb mértékű felejtést mutatott 24 órával később, a hosszú távú tesztelésen, míg az esti csoport ugyanolyan teljesítményt mutatott mindkét alkalommal. Emellett összefüggés jelent meg a teljesítmény, az alvásminőség, az alváshatékonyság és az alváslatencia között. Eredményeink arra hívják fel a figyelmet, hogy az alvás és a tanulás időzítése fontos szerepet játszik az emlékek stabilizációjában, csökkentve ezzel a felejtés mértékét.

A nemszteroid típusú gyulladáscsökkentők (NSAID) az orvoslásban a leggyakrabban alkalmazott szerek közé tartoznak. Ennek ellenére számos tanulmányban hangsúlyozták, hogy az NSAID-ok károsíthatják nemcsak a gastrointestinalis (GI), hanem a cardiovascularis (CV) rendszert is, növelhetik a vérnyomást, a coronariaesemények (angina, myocardiuminfarktus) és a stroke gyakoriságát, emellett vesekárosodást is okozhatnak. A National Institute for Health and Care Excellence (NICE) nem talált bizonyítékot arra, hogy az NSAID-ok alkalmazása fokozná a Covid-19 kockázatát, vagy rontana a Covid-19-ben szenvedő betegek állapotán. Az egyes hatóanyagok nemkívánatos hatásainak gyakorisága és súlyossága azonban jelentős eltéréseket mutat. Sokáig úgy tűnt, hogy az NSAID-ok fokozódó GI kockázata arányban van a COX-1/COX-2 szelektivitással, a cardiovascularis kockázat pedig a COX-2/COX-1 szelektivitással, az újabb adatok azonban ezt nem támasztják alá egyértelműen. A rendelkezésre álló irodalom alapján, a gast­ro­intestinalis és a cardiovascularis nem­kí­vá­natos eseményeket tekintve, az ace­clofenac mellékhatásprofilja az NSAID-ok között a legkedvezőbbnek tűnik.

Az invazív vizsgálatok azt mutatják, hogy a betegek kétharmadában a szívizom-ischaemia obstruktív coronariabetegség és más szívbetegség hiányában (INOCA) áll fenn, melynek oka a microvascularis diszfunkció (CMD), és amelynek következménye a microvascularis koszorúér-betegség (MVD), a microvascularis vagy epicardialis va­so­s­pasticus angina (MVA) lehet. A kor­szerű klinikai gyakorlatban a noninvazív kardiológiai képalkotó eljárások fejlődésével lehetővé vált a coronariaáramlás mérése a jellemző indexek meghatározásával. Mind­ezek javítják a CMD és az általa okozott myocardialis ischaemia diagnózisát, és le­hetőséget adnak az elsődleges MVD diag­nosztizálására. Tekintettel arra, hogy az MVD felismerése-kezelése a magyar orvosi gyakorlatban jelentősen alulreprezentált, az alábbiakban részletesen ismertetjük a primer stabil microvascularis anginát (MVA), annak korszerű invazív és noninvazív dif­fe­­renciáldiagnózisát és kezelését, különös tekintettel – a gyakorisága miatt – a magas vérnyomás által kiváltott formára és a nők ko­szorúér-betegségére. Kiemeljük a hazai lehetőségek figyelembevételével az ajánl­ható diagnosztikai eljárásokat.

[Az autizmus spektrum zavar heterogén tünetekkel jelentkező idegrendszeri fejlődési zavar, aminek az etiológiája nem kellően tisztázott. A közelmúltban, az autizmus gyakoriságának növekedése és a veleszületett metabolikus rendellenességek diagnosztikai lehető­ségei­nek bővülése miatt egyre több komorbiditásra is fény derült. A vizsgálatban olyan autizmus spektrum zavar diagnózissal rendelkező betegek vettek részt, akik 2018. szeptember 1. és 2020. február 29. között a Gyer­mekbetegek Metabolizmusambulanciáján részesültek ellátásban (n = 179 fő). A betegek személyes adatait, rutin és speciális metabolikus teszteredményeit retrospektív módon elemeztük. Az ambulanciánkon ezen idő alatt meg­jelent 3261 beteg közül 179-en (5,48%) rendelkeztek autizmus spektrum zavar diagnózissal, ők képezik vizsgálatunk be­teg­populációját. A speciális metabolikus kivizsgálás eredményeképpen 6 beteg (3,3%) esetében állítottunk fel veleszületett metabolikus rendellenesség diagnó­zist. Két betegünk klasszikus phenylketonuria, két betegünk klasszi­kus homocystinuria, egy betegünk 3D típusú muco­poly­saccharidosis (Sanfilippo-szindróma) és egy 3-metil­krotonil-CoA-karboxiláz-hiány diagnózist kapott. A veleszületett metabolikus rendelle­nes­ség ritkán autizmus spektrum zavarhoz társulhat. A kór­-tör­ténet pontos felvétele, az alapos fizikális vizsgálat és a tünetek gondos mérlegelése az autizmus spektrum zavarban szenvedő betegek esetében segítheti a klinikust a döntéshozatali folyamatban, és elvezethet a megfelelő metabolikus kivizsgáláshoz. Ha az autizmus hátterében veleszületett metabolikus rendellenességet találunk, az hatékony kezelést eredményezhet.]

Mi köze a gónak a klinikai döntéshozatalhoz? A klinikai orvoslás egyik legjelentősebb intellektuális kihívása a bizonytalanságban történő döntéshozatal. A hagyományos orvosi döntéshozatal intuitív és heurisztikus mivoltának pszichológiai csapdáin kívül az információhiány, az erőforrások szűkössége, az adott orvos-beteg kapcsolat jellemzői egyaránt hozzájárulnak annak bizonytalanságához. A formális, matematikai számításokon alapuló döntéselemzés, amelyet széles körben használnak a klinikai irányelvek fejlesztésében, illetve az egészségügyi technológiák értékelésében, elvben jó lehetőségeket kínál az intuitív dön­téshozatal hibáinak elkerülésére, ugyan­akkor az egyéni döntési helyzetekben többnyire nehezen alkalmazható,és az orvosok többségétől idegen. Ennek a módszernek is vannak korlátai, különösen az egyéni döntéshozatalban, beleértve a számításokhoz felhasznált input adatok esetleges hiányát, illetve jelentős bizonytalanságát, valamint a matematikai modellek korlátait abban, hogy egy komplex rendszer folyamatait és a folyamatok egyéni variabilitását megfelelően tudják reprezentálni. A klinikai döntéstámogató rendszerek mindezek ellenére hasznos segítséget jelenthetnek az egyéni orvosi döntéshozatalban, ha megfelelően integráltak az egészségügyi információs rendszerekbe, és nem szüntetik meg az orvosok döntési autonómiáját. A klasszikus döntéstámogató rendszerek tu­dásalapúak, szabályrendszerekre, problé­ma­­specifikus algoritmusokra épülnek. Szá­mos területen alkalmazzák az orvosi adminisztrációtól a képfeldolgozásig. A nap­jainkban zajló informatikai forradalom eredményeképpen olyan mesterséges intelligenciaként emlegetett gépi tanulási módszerek jönnek létre, amelyek már ténylegesen képesek tanulni. A mesterséges intelligencia ezen új generációja nem konkrét szabályrendszerekre épül, hanem hatalmas adatbázisokon magukat tanító neurális hálózatokra és általános tanulási algoritmusokra. Ezek a mesterséges intelligenciák egyes területeken, mint például a sakk, a gó, vagy a va­dászrepülőgép vezetése, már jobb teljesítményre képesek, mint az em­berek. Fej­lesztésük bővelkedik kihívásokban, veszélyekben, ugyanakkor olyan technológiai át­törést jelentenek, ami megállíthatatlan és át­alakítja világunkat. Alkal­mazásuk és fej­lesztésük az egészségügyben is megkezdődött. A szakmának részt kell vennie ezek­ben a fejlesztésekben és megfelelő irányba kell, hogy terelje azokat. Lee Sedol 18-szoros gónagymester visszavonult há­rom évvel AlphaGo mesterséges intelligenciától elszenvedett veresége után, mert „Hiá­ba lettem világelső, van egy entitás, amit nem lehet legyőzni”. Ne­künk szerencsére nem versengenünk vagy győznünk kell, hanem el kell érnünk, hogy a mesterséges intelligencia biztonságos és megbízható legyen és az emberekkel együtt­mű­ködve ez az entitás eredményesebbé és hatékonyabbá tegye az egészségügyet.