[ 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.]

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.

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.

Közel harminc évvel ezelőtt történt, hogy egykori kollégám, Zentai Loránd, a Szépművészeti Múzeum Grafikai osztályának munkatársa feltette nekem a kérdést: Volna kedved időnként írni egy-egy cikket a nemrégiben alapított Lege Artis Medicinae című orvostudományi lap képzőművészeti rovatába? Én szívesen tettem eleget a felkérésnek. Akkor persze még nem is sejtettem, hogy nem csupán alkalmi kalandozásokról lesz majd szó, hanem egy több évtizedes, s lényegében mind a mai napig tartó folyamatos szakmai kapcsolatról, némi túlzással tehát akár azt is mondhatnám, hogy életem és szakmai pályafutásom ettől kezdve szinte elválaszthatatlanul összefonódott a LAM-mal.