Search

Napjainkban egy-egy térség fejlődése elsősorban a humán tőkéjének színvonalától függ, ezért egyre inkább felértékelődik az oktatás, különösen a felsőoktatás minősége és széles körű elérhetősége. Magyarországon a rendszerváltozás után átalakult a felsőoktatás: jellemzően vidéki képzési helyeken új intézmények jöttek létre és a hallgatók létszáma is ugrásszerűen megnőtt. De a dinamikus növekedés 2006 után megtorpant, ezt követően a hallgatók száma jelentősen visszaesett. A Budapest-központúság mérséklésének hazai területfejlesztési dokumentumokban megfogalmazott célkitűzése nem valósult meg, a hallgatók számának jelentős csökkenése elsősorban a vidéki székhelyű kisebb intézményeknél és a kevésbé fejlett térségek képzési helyein figyelhető meg. Tanulmányomban azt vizsgálom, hogy miként alakultak a hallgatói létszámok 2006 és 2021 között az érintett városokban. Az adatok alapján a nappali tagozatos hallgatók térbeli koncentrálódása egyre jelentősebb: 2021-ben a fővárosban és négy vidéki egyetemi városban vették fel alapképzésekre a hallgatók 85%-át, mester- és osztatlan képzésekre a 93%-át. Amíg a mester- és osztatlan képzéseknél az intézmények versenyéből adódó területi koncentráció elfogadható, addig az ország számára hátrányos az alapképzések koncentrációja, mivel e képzések jelentős része „középiskolásodó” tömegképzés, amelyet közszolgáltatásnak tekintve – a helyi munkaerőpiac igényeihez igazodva, egyúttal a tovább- és átképzések, az élethosszig tartó tanulás intézményi hátterét megteremtve – mindegyik nagyvárosi településegyüttesben meg kellene szervezni. Véleményem szerint a felsőoktatás elmúlt évekbeli átrendeződése nemcsak a kevésbé fejlett térségek felzárkózását, az egyik alapvető területfejlesztési cél elérését nehezíti meg, hanem az ország versenyképességét is hátrányosan befolyásolja.

Artificial intelligence (AI) holds immense promise for transforming ophthalmic care through automated screening, precision diagnostics, and optimized treatment planning. This paper reviews recent advances and challenges in applying AI techniques such as machine learning and deep learning to major eye diseases. In diabetic retinopathy, AI algorithms analyze retinal images to accurately identify lesions, which helps clinicians in ophthalmology practice. Systems like IDx- DR (IDx Technologies Inc, USA) are FDA-approved for autonomous detection of referable diabetic retinopathy. For glaucoma, deep learning models assess optic nerve head morphology in fundus photographs to detect damage. In age-related macular degeneration, AI can quantify drusen and diagnose disease severity from both color fundus and optical coherence tomography images. AI has also been used in screening for retinopathy of prematurity, keratoconus, and dry eye disease. Beyond screening, AI can aid treatment decisions by forecasting disease progression and anti-VEGF response. However, potential limitations such as the quality and diversity of training data, lack of rigorous clinical validation, and challenges in regulatory approval and clinician trust must be addressed for the widespread adoption of AI. Two other significant hurdles include the integration of AI into existing clinical workflows and ensuring transparency in AI decisionmaking processes. With continued research to address these limitations, AI promises to enable earlier diagnosis, optimized resource allocation, personalized treatment, and improved patient outcomes. Besides, synergistic human-AI systems could set a new standard for evidence-based, precise ophthalmic care. [ABSTRACT FROM AUTHOR]

There is emerging evidence that amyloid beta protein (Aβ) and tau‐related lesions in the retina are associated with Alzheimer's disease (AD). Aβ and hyperphosphorylated (p)‐tau deposits have been described in the retina and were associated with small amyloid spots visualized by in vivo imaging techniques as well as degeneration of the retina. These changes correlate with brain amyloid deposition as determined by histological quantification, positron emission tomography (PET) or clinical diagnosis of AD. However, the literature is not coherent on these histopathological and in vivo imaging findings. One important reason for this is the variability in the methods and the interpretation of findings across different studies. In this perspective, we indicate the critical methodological deviations among different groups and suggest a roadmap moving forward on how to harmonize (i) histopathologic examination of retinal tissue; (ii) in vivo imaging among different methods, devices, and interpretation algorithms; and (iii) inclusion/exclusion criteria for studies aiming at retinal biomarker validation. [ABSTRACT FROM AUTHOR]

Az Európai Unióhoz 2004-ben csatlakozott a négy visegrádi ország (V4), Csehország, Lengyelország, Magyarország és Szlovákia. Az itt élők nagy reményeket fűztek a csatlakozáshoz, a vérmesebb elvárások szerint pár éven belül életszínvonaluk felzárkózhat a fejlett nyugati tagállamokéhoz. A „felzárkózás”, „közeledés”, „utolérés”, egy bizonyos felfogásban „konvergencia” sokrétű és sokféle értelmezésben használt fogalmak, vágyott célként egy-másfél évszázada fogalmazódnak meg a kevésbé fejlett országokban, térségekben. Az Európai Unió regionális politikájának is egyik fő célja a kevésbé fejlett régiók fejlődésének felgyorsítása és felzárkóztatásuk a tagállamok átlagához. Tanulmányunkban azt vizsgáljuk, hogy e négy, közepesen fejlett, hasonló történelmi múlttal és társadalmi-gazdasági szerkezettel rendelkező posztszocialista ország térségeinek mennyire volt sikeres a felzárkózása az Európai Unió korábbi tagállamainak átlagához 2000 és 2014 között. A felzárkózás főbb jellemzőinek vizsgálatához a NUTS3-as területi szintet vesszük alapul. Alapvető kérdésünk, hogy megfigyelhető-e felzárkózás, ha igen, akkor e területi szinten hasonló vagy nagyon eltérő mértékű volt? Az egy lakosra jutó, vásárlóerő-paritáson számolt bruttó hazai termék (GDP) alakulását elemezzük, a felzárkózás mértékében megfigyelhető egyenlőtlenségeket pedig az entrópián alapuló Theil-indexek segítségével vizsgáljuk. A megyék felzárkózását befolyásoló tényezők közül kettőt elemzünk részletesen: az országos folyamatok hatását, illetve a megye legnagyobb városának – mint potenciális agglomerációs előnnyel rendelkező településnek – lehetséges szerepét.

A regionális tudományban előtérbe került a térségek versenyképességének vizsgálata során a helyalapú, endogén területi fejlődés, amelyben kulcsszerep jut a kutatás-fejlesztésből származó eredmények helyi alkalmazásának. A megújult EU-s kohéziós politikának is egyik legfontosabb eszköze a kutatás-fejlesztést végző intézmények decentralizációja és a tudományos tevékenységek kiemelt támogatása, amely szempontok a regionális intelligens szakosodási (RIS3) stratégiákban is a figyelem középpontjában állnak. Tanulmányunkban a négy visegrádi ország (Csehország, Lengyelország, Magyarország, Szlovákia) 93 NUTS 3-as szintű területi egységének (megyéjének) versenyképességét vizsgáljuk, egy empirikus adatbázist elemezve többváltozós statisztikai módszerek segítségével. Az elemzéshez az endogén növekedési és fejlődési elméletek alapján megújított piramismodellt alkalmaztuk, a vizsgálatok eredményeként a megyék 4 típusát különítettük el. Horváth Gyula a témakörben jelentős kutatásokat végzett, az ő eredményeit is felhasználjuk Kelet-Közép-Európa térségei versenyképességi típusainak lehatárolásakor.