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.

[ Van-e összefüggés a fluoxetinszedés és a kórházban kezelt közepesen súlyos/súlyos COVID-19-pneumonia túlélése között? A Semmelweis Egyetem Uzsoki Utcai Gyakorló Kórházában 2021. március 17. és április 22. között kezelt személyek orvosi dokumentációja alapján retrospektív eset-kontroll vizsgálatot végeztünk. A betegek a standard belgyógyászati kezelés mellett anti-COVID-19 kezelésben (favipiravir, remdesivir, baricitinib, vagy ezek kombinációi) részesültek. 110 fő ezenfelül napi 20 mg fluoxetint is kapott. A mortalitás és a fluoxetinszedés összefüggésének statisztikai elemzésére többváltozós logisztikus regressziót alkalmaztunk. Annak ellenőrzésére, hogy eredményeinket nem befolyásolhatta-e szelekciós hiba (fluoxetine selection bias), összehasonlítottuk a fluoxetinnel kezelt és nem kezelt két betegcsoport kórházi felvételi klinikai, radiológiai és laboratóriumi prognosztikai jellemzőit. A 269 vizsgált személy közül 205-en (76,2%) maradtak életben, és 64-en (23,8%) hunytak el a felvételt követő 2. és 28. nap között. A fluoxetint szedő csoport mortalitása jelentősen, 70%-kal alacsonyabb – vagyis körülbelül harmadannyi – volt, mint a fluoxetint nem szedők mortalitása. Ez a hatás, függetlenül minden más, a mortalitást befolyásoló tényezőtől, statisztikailag szignifikáns volt (OR [95% CI] 0,33 [0,16–0,68], p = 0,002). Sem az életkor és a nem, sem a kórházi felvételi C-reaktív protein, LDH- és D-dimer-szint, sem a shortened National Early Warning Score pontszám és a mellkasröntgen súlyossági pontszám, illetve az első 48 órában végzett mellkas-CT-vizsgálatok aránya nem mutatott statisztikai különbséget a fluoxetint szedő és fluoxetint nem szedő két csoport között, alátámasztva a vizsgálati eredmény validitását. Amennyiben ezt az eredményt, a túlélés háromszorosára növekedését, randomizált, kontrollált vizsgálatok is megerősítik, a fluoxetin a COVID-19-pneumonia hatékony gyógyszere lehet.]

Kedves Olvasónk! Így indítottuk a lapot 30 évvel ezelőtt, amikor a LAM első köszöntőjét, a Beköszöntőt írtuk. 1990 októberében azonban a megszólításba még bekerült a „reménybeli” kifejezés is. Különös ez a szó, pontosabban ennek a szónak a használata, így egy emberöltő távlatából visszatekintve. Akkor, a rendszerváltás utáni hónapokban, sőt években, de talán az egész ’90-es évtizedben, a reményből volt a legtöbb. Az egész ország abban reménykedett, hogy végre eljött a szabadság kora, amikor kiteljesedhetnek az alkotó energiák és egy nagy, össznemzeti nekibuzdulással átugorhatjuk a megfáradt és kudarcot vallott szocializmusból a fejlett nyugati, szociális piacgazdaságba és plurális demokráciába vezető lépcsőfokokat, hogy aztán a belátható – nem is oly távoli – jövőben ripsz-ropsz utolérjük majd a magyar lakosság zömének példaképét, a „k. u. k.”-beli „sógorok” lakta Ausztriát. Ebből a remény és a nekibuzdulás biztosan megvalósult. A többiről most inkább ne be­széljünk. Nagyon is beszéljünk viszont arról, hogy ez a tenni akarás, az alkotóenergiák felszabadulása egy megújuló, jobb és lakhatóbb ország reményében hogyan vezetett el a LAM megalapításához – mert most ennek jött el az ideje.

Íme, még mindig itt vagyunk… A Lege Artis Me­dicinae (LAM) első számában („Lectori sa­lutem”) megjelent beköszöntő első mondatát kiegészítettem a „mindig” szóval. Nagy eredmény ez... Harminc év! Csendben ülök a számítógép előtt, hallom a falióra ketyegését: tik-tak. Másodpercenként egy tik vagy tak... A LAM első megjelenése óta mostanáig, amikor e sorokat írom, 950 765 620 másodperc telt el… Mindjárt egymilliárd! Megrohannak az emlékek.

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.