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.

Nemcsak Magyarországon, hanem Európa-szerte, egészen a 19. század közepéig (vidéken még tovább), a nők általában otthon szültek, döntő többségében kirurgus vagy orvos segítsége nélkül. A szülés levezetője a bábaasszony volt. Többségében minden népesebb településen lakott legalább egy belőlük. A szakmai tudást, a speciális fogásokat családon belül adták tovább a következő generáció nőtagjainak.

Az otthoni ellátás, táplálás olyan szolgáltatás, amit, ha szakértelemmel és megbízhatóan végeznek, azzal hatalmas terhet vesznek le az orvosok válláról, továbbá a hozzátartozóknak is megfizethetetlen segítséget nyújt. Egyre többen – elsősorban onkológiai, radiológiai, neurológiai vagy tüdőbetegek – igénylik ezt a típusú gondozást, ami növeli a betegek megszokott, otthoni környezet nyújtotta biztonságérzetét, valamint elősegíti a rendszer hatékonyabb működését is. A kulcs az irányított betegellátás: vagyis a betegeket ott lássák el, ahol az valóban indokolt, és csak akkor kerüljön a páciens kórházba, ha az tényleg szükséges.

Háttér – A kiégés prevalenciájának meghatározására a humán szolgáltatószektorban dolgozók körében egyre gyakrabban használják az Oldenburg Kiégés Kérdőív két változatát, melyek a mérvadó Maslach Kiégés Kérdőív tartalmi és elméleti korlátait hivatottak áthidalni. Magyar­országon nincsenek adataink sem a Mini-Oldenburg Kiégés Kérdőív, sem az Oldenburg Kiégés Kérdőív strukturális validitásáról. Cél – Az Oldenburg Kiégés Kérdőív és a Mini-Olden­burg Kiégés Kérdőív strukturális validálásának tesztelése ma­gyar mintán. Módszer – Keresztmetszeti felmérésekben 564 fő vett részt (196 egészségügyi dolgozó, 104 ápoló és 264 klinikai orvos). A mérőeszközök konstruktumvaliditásának vizsgálatára megerősítő faktorelemzést, reliabilitásának vizsgálatára pedig belsőkonzisztencia-elemzést (Cronbach-α) használtunk. Eredmények – A Mini-Oldenburg Kiégés Kérdőív és az Oldenburg Kiégés Kérdőív rövidített változatának struktú­rája megerősítette az eredeti kétdimenziós struktúrát (kimerülés, kiábrándultság). A Cronbach-α mutató alá­támasztotta a mérőeszközök megbízhatóságát. Kiégés a résztvevők jelentős részét jellemezte mindegyik rész­min­tában. A kimerülés dimenzióba tartozó vizsgálati személyek prevalenciája minden mintarészben 54,5% felett volt, valamint különösen magas volt a kiábrándultság dimen­zió­ban magas pontszámot elért orvosok aránya (92%). Következtetések – Eredményeink elsősorban a Mini-Olden­burg Kiégés Kérdőív magyar változatának validitását és reliabilitását támasztják alá a kiégés mérésében klinikai orvosok és egészségügyi szakdolgozók körében.