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 tanulmányban egy újonnan adaptált, jelenleg sztenderdizáció alatt álló logopédiai vizsgálóeljárást, a Comprehensive Aphasia Test magyar változatát (CAT-H; Zakariás & Lukács, előkészületben) mutatjuk be. A CAT-H a stroke következtében kialakuló szerzett nyelvi zavarok, az afáziák vizsgálatára alkalmas. A tanulmány célja a teszt főbb jellemzőinek, alkalmazási területeinek, a magyar adaptáció és sztenderdizáció folyamatának, valamint az afáziás személyek tesztben nyújtott teljesítményének bemutatása és egészséges kontrollcsoporttal való összehasonlítása. Kutatásunkban 99, többségében egyoldali, bal féltekei stroke utáni afáziát mutató személy és 19, neurológiai kórtörténettel nem rendelkező kontrollszemély vett részt. A vizsgálati személyekkel a klinikai gyakorlatban használatos tesztek mellett a CAT-H battériát vettük fel, amit egy általunk összeállított demográfiai és klinikai kérdőívvel egészítettünk ki. A CAT-H két részből, egy kognitív szűrővizsgálatból és egy átfogó nyelvi tesztből áll. Az afáziás csoport teljesítménye vala­mennyi nyelvi és szinte az összes kognitív területen jelentősen elmaradt az egészséges kontrollcsoportétól. Várakozásainkkal összhangban a kontrollcsoport plafonközeli teljesítményt nyújtott valamennyi területen, míg az afáziás csoportra nagymértékű egyéni variabilitás volt jellemző a nyelvi és a kognitív szubtesztekben egyaránt. Kapcsolatot találtunk az életkor, az agyi történés óta eltelt idő és a stroke típusa, valamint a teszttel mérhető egyes kognitív és nyelvi képességek között. Eredményeink és előzetes tapasztalataink szerint a teszt alkalmas a nyelvi profil feltárására, a nyelvi képességekben történő változások nyomonkövetésére és a kognitív alapképességek zavarainak szűrésére afáziában. Reményeink szerint a teszt sokoldalú felhasználhatóságának köszönhetően egyedül­álló módon fogja segíteni az afázia hazai diagnosztikáját, az afáziás személyek ellátásában és rehabilitációjában dolgozó szakemberek, valamint az afáziakutatók mun­káját.

A pajzsmirigy betegségei nemcsak az endokrin kórképek között, de általában véve is igen gyakoriak. Minden klinikus, szakterületétől és érdeklődésétől függetlenül, óhatatlanul találkozik pajzsmirigybetegekkel a mindennapokban. Bár a pajzsmirigybetegségek diagnosztikus és terápiás palettája az elmúlt évtizedben nem sokat változott, a betegek ellátásában több olyan intenzíven kutatott terület van, melyek újdonságaival fontos tisztában lennünk. Összefoglalónkban a forrongó témák közül tekintünk át hármat.

Kedves Olvasónk! Örömmel nyújtjuk át Önnek a LAM (Lege Artis Medicinæ) 30., karácsonyi számát. A LAM az 1990. évi indulása óta méltán vívott ki elismerést széles körű, megalapozott és hasznos információival az orvos- és egészségtudományok legújabb vívmányairól, valamint az egészségügyről és határterületeiről. Kezdettől fogva azon dolgozunk, hogy hiteles, magas szakmai és esztétikai színvonalú kiadványt készítsünk, amit haszonnal és élvezettel forgathatnak a legkülönbözőbb, az orvostudományhoz tartozó, és ahhoz kapcsolódó területek művelői. Ennek következetes megvalósítása tette az elmúlt évtizedekben a LAM-ot hazánk egyik legtekintélyesebb orvostudományi folyóiratává.

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.