A közlemény bemutatja a magyar oltóanyaggyártás történetét, helyenként összekapcsolva a védőoltással megelőzhető fertőző betegségek elleni küzdelem folyamatával, aláhúzva azt a tényt, hogy az életkorhoz kötött kötelező védőoltási rend fenntartásához az elmúlt több mint 140 év alatt minden kormány tevőlegesen hozzájárult. Az írás a himlőnyirok-termeléstől, a Phy­laxiánál kezdődő diftériaszérum-termelés megindításától az Országos Köz­egész­ség­ügyi Intézet (OKI) megalakulásán át az ott folyó oltóanyag-termelésig, majd a Humán önálló vállalattá alakulásán át annak meg­szűnéséig igyekszik bemutatni az elért eredményeket. Az OKI oltóanyag-termelésével, az influenza elleni oltóanyag-előállítással kapcsolatos tevékenységével részletesebben is foglalkozik, mivel ez az 1960–1970-es években nemzetközi téren is kiemelkedő volt. A Humán Oltóanyag-termelő és Kutató Intézet tevékenységéből kiemelkedik a Di-Per-Te oltóanyag előállítása, melynek tetanuszkomponense ma is tovább él egy multinacionális oltóanyag-gyártó cég termékeiben.

[ 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.]

Bevezetés – A szédülés a fájdalom mellett az egyik leggyakoribb panasz, amellyel a beteg felkeresi az orvosi ellátást. A modern diagnosztika ellenére a szédülés okának diagnosztizálása napjainkban is nehéz feladat, számos buktatót rejt magában. Célkitűzés – Kérdőíves felmérésünk célja annak vizsgálata, hogy mi történik a szédülést panaszoló beteggel a sürgősségi ellátást követően. Kérdésfelvetés – A sürgősségi osztályon felállított diagnózis és a későbbi kivizsgálás eredménye között mennyire volt összefüggés? Hogyan alakult a betegek életminősége az idő függvényében? A vizsgálat módszere – A Semmelweis Egyetem Sürgősségi Betegellátó osztályán megjelent 879, szédülést panaszoló beteghez juttattuk el kérdőívünket. A vizsgálat alanyai – A kitöltött kérdőíveket 308 betegtől (110 férfi, 198 nő, átlagéletkor 61,8 ± 12,31 SD) kaptuk vissza, ezeket elemzésnek vetettük alá. Eredmények – A sürgősségi diagnózisok megoszlása a következőképpen alakult: centrális eredetű (n = 71), szédülékenység (n = 64) és BPPV (n = 51) voltak a leggyakoribb diagnózisok. A végleges diagnózis tisztázásáig eltelt idő leggyakrabban napokat (28,8%), illetve heteket (24,2%) igényelt, kiemelendő azonban, hogy 24,02%-ban végleges diagnózis sosem született. A sürgősségi és a végleges diagnózis között csupán 80 beteg esetén (25,8%) volt egyezés, amelyet alátámaszt a kvalitatív statisztikai elemzés (Cohen-féle Kappa-teszt) eredménye (κ = 0,560), moderált összefüggést indikálva. Megbeszélés – A sürgősségi osztályon felállított diagnózis és a későbbi kivizsgálás eredménye közötti korreláció alacsony, de az eredmények a nemzetközi irodalomban is hasonlónak mondhatók. Emiatt fontos a betegek követése, beleértve az otoneurológiai, illetve esetlegesen neurológiai kivizsgálás fontosságát. Következtetések – A szédüléssel jelentkező betegek sürgősségi diagnosztikája nagy kihívás. A pontos anamnézis és a gyors, célzott vizsgálat a nehézségek ellenére tisztázhatja a szédülés centrális vagy perifériás eredetét.

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.