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.

Ez a konszenzusdokumentum azért született, hogy iránymutatást adjon a magas húgysavszinttel élő tünetmentes személyek, illetve a köszvényes betegek hatékony és modern szemléletű ellátásához. A dokumentumot három hazai tudományos társaság, a Magyar Hypertonia Társaság, a Magyar Nephrologiai Társaság és a Magyar Reumatológusok Egyesületének szakértői testülete állította össze annak érdekében, hogy összefoglalják mindazokat az ismereteket, amelyek jelenleg rendelkezésünkre állnak a kérdésben. Emellett a konszenzusdokumentum megalkotásának fontos célkitűzése volt olyan egyértelmű ajánlások megfogalmazása, amelyek segítenek a gyakorló orvosnak a hyperurikaemiás és a köszvényes betegek mindennapi ellátásában.

[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.]

[Az összes ágyéksérv körülbelül 0,7–12%-a távoli lateralis ágyéksérv (FLDH). Az FLDH a gyakoribb centrális és paramedialis ágyéksérvekhez képest súlyosabb és tartósabb radicularis fájdalmat okoz az ideggyök és a dorsalis gyöki ganglion közvetlen összenyomódása miatt. Azoknál a betegeknél, akik nem reagálnak a konzervatív kezelésre, így például a gyógyszeres kezelésre vagy a fizikoterápiára, és akiknél még nem alakultak ki neurológiai hiánytünetek, az ideggyök sérülése és a synovialis ízületek károsodása miatti gerincinstabilitás kockázata miatt nehéz dönteni a műtét szükségességéről. Vizsgálatunkban a transforaminalis epiduralis szteroidinjekció (TFESI) hatását kívántuk értékelni mind a fájdalomkontroll, mind a funkcionális kapacitás javulására FLDH-ban szenvedő betegeknél. Összesen 37 olyan, konzervatív kezelésre nem reagáló, neurológiai hiánytünetmentes beteget vontunk be a vizsgálatba, akinek radicularis fájdalmát az ágyéki MR-felvételen látható távoli lateralis ágyéksérv okozta. A betegeknél praeganglionos irányból TFESI alkal­mazására került sor. A betegek kezelés előtt felvett vizuális analóg skála (VAS) és Oswestry Disability Index (ODI) pontszámait a beavatkozás utáni 3. hét, továbbá 3. és 6. hónap VAS- és ODI-pontszámaival hasonlítottuk össze. Az átlagos kezdeti VAS-pontszám 8,63 ± 0,55 volt, míg a 3. hét és a 3., 6. hónap VAS-pontszámainak átlagos értéke 3,84 ± 1,66; 5,09 ± 0,85; 4,56 ± 1,66 volt. A VAS-pontszám csökkenése statisztikailag szignifikánsnak bizonyult (p = 0,001). Az átlagos kezdeti ODI-pontszám 52,38 ± 6,84 volt, míg a 3. hét és a 3., 6. hónap ODI-pontszámainak átlagos értéke 18,56 ± 4,95; 37,41 ± 14,1; 34,88 ± 14,33 volt. Az ODI-pontszám csökkenése statisztikailag szignifikánsnak bizonyult (p = 0,001). Ez a tanulmány kimutatta, hogy a TFESI hatékonyan javítja a funkcionális kapacitást és a fájdalom­kontrollt olyan betegek esetén, akik távoli lateralis ágyéksérv miatti radicularis tüneteit nem lehet műtéti úton ke­zelni. ]

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.