HUN-REN Szegedi Biológiai Kutatóközpont 
2025. nov. 24. | Hírek
A Szegedi Tudományegyetem (SZTE) rektori hivatalának dísztermében, az SZTE 13. Innovációs Napján került sor az SZTE Innovációs Díjainak átadására. Az ünnepség Prof. Dr. Rovó László, az egyetem rektora és Dr. Varga-Bajusz Veronika, felsőoktatásért felelős államtitkár köszöntőjével kezdődött, majd beszédet mondott Dr. Szabó Gábor, a Szegedi Tudományegyetemért Alapítvány kuratóriumi elnöke és Dr. Karikó Katalin, az SZTE Nobel-díjas professzora.
Bukva Mátyás, a HUN-REN Szegedi Biológiai Kutatóközpont Biokémiai Intézetének tudományos munkatársa is díjat vehetett át ezen az eseményen, "A leginnovatívabb munkáért az egészségügyi fejlesztések területén" kategóriában. A beadott projektmunka címe: DoseLearn – Klinikai protokoll és ML-alapú predikciós modell a hosszútávú szedatoanalgézia és leszoktatás személyre szabott és objektív tervezéséhez.
A gyermek intenzív osztályos ellátásban a hosszan tartó szedáció és analgézia – elsősorban opioidokkal és benzodiazepinekkel – elengedhetetlen a lélegeztetés és az invazív beavatkozások kivitelezéséhez, ugyanakkor komoly kockázatokkal jár. A tartós gyógyszerhasználat toleranciához, iatrogén megvonási szindrómához, delíriumhoz és elhúzódó gyógyszerleépítési folyamathoz vezethet. Különösen a benzodiazepinek hosszú távú alkalmazása kapcsolódik szorosan az elvonási tünetekhez, a delíriumhoz és a hosszabb intenzív osztályos tartózkodáshoz, ezért kiemelt cél a használatuk csökkentése. A szedatívumok fokozatos csökkentésének ütemezése jelenleg többnyire tapasztalaton alapul, egységes, adatvezérelt ajánlások nélkül, ami jelentős variabilitást eredményez a gyakorlatban.
Ez klinikailag abban csapódik le, hogy a túl gyors csökkentés instabilitáshoz és megvonási tünetekhez, a túl lassú ütemezés pedig feleslegesen hosszú gyógyszerterheléshez, több mellékhatáshoz és elnyújtott gyermek intenzív osztályos bentfekvéshez vezethet, miközben a gyógyszerleépítés várható időtartama a család és a kezelőorvos számára is nehezen becsülhető.
A DoseLearn projektben ezt a problémakört két lépésben közelítették meg. Először egy protokollizált, klonidin-alapú szedációs és gyógyszerleépítési irányelvet vezettek be, amely célorientált szedációs stratégiára, validált pontozórendszerekre és standardizált monitorozásra épül. Ennek hatására szignifikánsan csökkent a benzodiazepin-használat, ami különösen fontos, mert várhatóan mérsékli az elvonási szindróma, a delírium és a hosszabb intenzív osztályos tartózkodás kockázatát.
Ezzel párhuzamosan strukturált, nagy felbontású klinikai adatbázist hoztak létre, amelynek adatai alapján partial least squares (PLS) regresszión alapuló gépi tanulási modellt fejlesztettek. Ennek segítségével jóval pontosabban meg tudják becsülni, mennyi ideig fog várhatóan tartani a gyógyszerleépítés, és ehhez milyen ütemben, mekkora lépésekben érdemes csökkenteni az egyes szerek dózisát; a korábbi, pusztán protokollal végzett becslésekhez képest a predikciós hiba körülbelül a felére csökkent. Jelenleg az SZTE Szoftverfejlesztés Tanszékével együttműködésben egy olyan, klinikai gyakorlatban is biztonságosan alkalmazható döntéstámogató applikáció fejlesztésén dolgoznak, amely ezt a modellt a mindennapi betegágy melletti intenzív osztályos ellátásba integrálja.
Az elismeréshez szívből gratulálunk!