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.

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.

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.

Felmérni a 2020-as évre vonatkozóan az egészségügyi szakdolgozók kiégettségének mértékét, valamint ennek összefüggését különböző szociodemográfiai és munkahelyi tényezőkkel. A keresztmetszeti vizsgálat egy saját szerkesztésű online kérdőívvel történt 2021 elején. 1965 kitöltő válaszainak értékelése SPSS 23.0 statisztikai programmal, leíró statisztikával, Khi-négyzet és Kruskal-Wallis próbával készült (p<0,05). Eredmények: A megkérdezettek 46,7%-a mutatja a súlyos kiégés tüneteit. Az életkor, a családi állapot, az egészségügyi ellátás szintje, az egészségügyben eltöltött évek száma nincs összefüggésben a kiégéssel, viszont a bizonytalan jövőkép, a kereset változásának megítélése és a munkahelyi bizonytalanság szignifikáns összefüggést mutatott (p<0,000). Következtetések: Az egészségügyben dolgozók lelkiállapota fokozatosan romlik, melyhez valószínűleg a COVID-19 pandémia miatt kialakult helyzet is hozzájárul. A rossz lelkiállapotban lévők bizonytalannak érzik jövőképüket, munkájukat, mely ha így marad, a jövőben tovább nehezíti a betegellátást.

Az egészségügyben dolgozók megtartása és a pályaválasztás ösztönzése is célja annak az életpályamodell-tervezetnek, amely a kormány jóváhagyására vár. Az előterjesztés kidolgozásában, véleményezésében a Magyar Egészségügyi Szakdolgozói Kamara (MESZK) is részt vett. A részletekről Balogh Zoltán elnököt kérdeztük.