Negatywność niedopasowania, w skrócie MMN (ang. mismatch negativity), to składowa potencjałów wywołanych związanych z wydarzeniami, rejestrowana za pomocą elektroencefalografii (EEG). W przeciwieństwie do wielu potencjałów wywołanych, które wymagają aktywnej uwagi, MMN pojawia się automatycznie, gdy rzadki dźwięk „dewiacyjny” zakłóca sekwencję powtarzających się dźwięków „standardowych”. Ta automatyczna właściwość sprawia, że jest to szczególnie cenne narzędzie kliniczne i badawcze, ponieważ eliminuje zakłócającą zmienną, jaką jest to, czy pacjent współpracuje lub utrzymuje koncentrację podczas badania.
Czym jest negatywność niedopasowania?
Negatywność niedopasowania (mismatch negativity, MMN) to składnik potencjałów wywołanych związanych z wydarzeniem rejestrowany za pomocą elektroencefalografu (EEG), który odzwierciedla automatyczną, przeduwagową detekcję zmian słuchowych przez mózg. Ta automatyczna odpowiedź jest zazwyczaj wywoływana przez prezentację sekwencji identycznych dźwięków standardowych, po których następuje rzadki dźwięk „dewiacyjny” (odbiegający od normy), różniący się częstotliwością, czasem trwania lub innymi cechami akustycznymi.
Mózg wykrywa to odchylenie, generując ujemne wychylenie potencjału, które osiąga szczyt po około 100 do 200 milisekundach od wystąpienia zmiany. Rejestrowany najbardziej wyraźnie nad elektrodami czołowymi i centralnymi skóry głowy, ten charakterystyczny kształt fali służy jako główny wskaźnik negatywności niedopasowania.
Dwie cechy wyróżniają MMN spośród innych odpowiedzi mózgu:
Po pierwsze, jest automatyczna. Osoba może czytać książkę, oglądać niemy film lub całkowicie ignorować dźwięki, a MMN i tak się pojawi.
Po drugie, ma charakter przeduwagowy. Mózg dokonuje porównania dźwięku dewiacyjnego ze śladem pamięciowym dźwięków standardowych, zanim jeszcze zaangażowana zostanie uwaga.
Te cechy czynią MMN wskaźnikiem fundamentalnej zdolności mózgu do wykrywania zmian, niezależnie od wyższych procesów poznawczych, które mogą być zaburzone lub zmienne u poszczególnych osób.
Magnetyczny odpowiednik MMN, rejestrowany za pomocą magnetoencefalografii i skracany jako MMNm, reprezentuje ten sam leżący u podstaw proces detekcji zmian słuchowych. Ponieważ MEG oferuje inną wrażliwość przestrzenną niż EEG, połączenie obu metod rejestracji pomaga naukowcom rozdzielić udział poszczególnych obszarów mózgu. MMNm lokalizuje się w korze słuchowej i otaczających strukturach płata skroniowego, co potwierdza, że odpowiedź ta ma swój początek w obszarach przetwarzania sensorycznego, a nie w wyższych obszarach asocjacyjnych.
Jak mózg generuje negatywność niedopasowania
Generowanie MMN jest napędzane przez złożone, dynamiczne mechanizmy neuronalne w korze słuchowej, które naukowcy aktywnie badają za pomocą zaawansowanych modeli neuroobliczeniowych. Choć nie ma jednolitego konsensusu na poziomie komórkowym co do tego, co dokładnie dzieje się, gdy dźwięk dewiacyjny wyzwala tę odpowiedź, dwie główne hipotezy ukształtowały dziesięciolecia badań naukowych: hipoteza adaptacji oraz hipoteza dostosowania modelu.
Hipoteza adaptacji sugeruje, że neurony w korze słuchowej reagują na powtarzające się dźwięki standardowe poprzez stopniowe zmniejszanie częstotliwości wyładowań – proces ten znany jest jako adaptacja specyficzna dla bodźca. Kiedy pojawia się rzadki dźwięk dewiacyjny, aktywuje on osobną, świeżą populację niezaadaptowanych neuronów. Z tej perspektywy MMN jest w istocie różnicą w odpowiedzi między zaadaptowanymi a niezaadaptowanymi populacjami neuronów.
Z kolei hipoteza dostosowania modelu proponuje aktywny mechanizm poznawczy, a nie pasywne zmęczenie neuronów. Zakłada ona, że mózg nieustannie tworzy predykcyjny model wewnętrzny swojego środowiska słuchowego. Gdy dźwięki standardowe się powtarzają, wzmacniają to oczekiwanie; gdy pojawia się dźwięk dewiacyjny, narusza on to oczekiwanie i zmusza mózg do aktualizacji reprezentacji wewnętrznej. Fala MMN odzwierciedla zatem ten aktywny proces aktualizacji modelu.
Model kodowania predykcyjnego i modele neuronów igłowych
Aby pogodzić te sprzeczne wyjaśnienia, badacze coraz częściej zwracają się ku kodowaniu predykcyjnemu jako jednolitym ramom teoretycznym. Kodowanie predykcyjne postrzega mózg jako aktywny silnik predykcyjny, który antycypuje wejściowe informacje sensoryczne, aby wydajniej przetwarzać informacje.
Kora słuchowa uczy się prawidłowości statystycznych z poprzedzających dźwięków w celu generowania przewidywań. Gdy docierające bodźce są zgodne z tymi oczekiwaniami, przetwarzanie przebiega płynnie; gdy dźwięk odbiega od normy, błąd predykcji rozprzestrzenia się w hierarchii korowej. W rezultacie MMN stanowi elektrofizjologiczną sygnaturę sygnału błędu predykcji.
Szczegółowy, biologicznie prawdopodobny model neuronów igłowych (spiking-neuron model) kory słuchowej wspiera tę koncepcję. Model ten organizuje neurony pobudzające i hamujące w warstwową architekturę korową zawierającą odrębne funkcjonalne jednostki przetwarzania:
Jednostki wejściowe, które odbierają surowe dane sensoryczne.
Jednostki predykcyjne, które reprezentują wyuczone oczekiwania środowiskowe.
Jednostki błędu predykcji, które sygnalizują niedopasowania, gdy dane wejściowe i przewidywania są sprzeczne.
Dzięki włączeniu synaptycznej reguły uczenia zależnej od transmisji receptorów NMDA, sieć ta dynamicznie dostosowuje swoje przewidywania na podstawie statystyk przejść niedawnych dźwięków.
Ten model obliczeniowy z powodzeniem wyjaśnia kilka kluczowych, zaobserwowanych empirycznie cech MMN:
Skalowanie zależne od częstotliwości: Amplituda MMN wzrasta proporcjonalnie do tego, jak bardzo dźwięk dewiacyjny różni się od tonu standardowego.
Wrażliwość na wzorce lokalne: Model odtwarza odpowiedzi na nieoczekiwane powtórzenia w sekwencjach naprzemiennych (np. rejestrując błąd predykcji, gdy naprzemienna sekwencja ABABAB nagle zmienia się w ABABAA), co odzwierciedla opieranie się na lokalnych prawdopodobieństwach przejścia, a nie na globalnych regułach statystycznych.
Odpowiedź na pominięcie bodźca: Model generuje błąd predykcji nawet wtedy, gdy oczekiwany dźwięk zostanie całkowicie pominięty.
Wrażliwość farmakologiczna: Model jest wysoce wrażliwy na antagonistów receptora NMDA, co jest zgodne z badaniami klinicznymi wykazującymi, że zablokowanie tych receptorów zmniejsza lub eliminuje amplitudę MMN.
Co więcej, uzupełniający eksperyment z użyciem magnetoencefalografii (MEG) zweryfikował te założenia modelowe, wykazując, że odpowiedzi MMN wynikają z aktywnych predykcji korowych, a nie ze zwykłego przyzwyczajenia synaptycznego, co stanowi silne empiryczne wsparcie dla teorii kodowania predykcyjnego.
Modele generatywne i wnioskowanie bajesowskie w przetwarzaniu słuchowym
Inny znany model neuroobliczeniowy podchodzi do kory słuchowej przez pryzmat wnioskowania bajesowskiego. Ten neuronaukowy model przedstawia mózg jako nieustannie aktualizujący probabilistyczną, generatywną reprezentację świata sensorycznego przy użyciu uogólnionego filtrowania bajesowskiego.
W tym systemie MMN reprezentuje zbiorową aktywność elektryczną generowaną przez neurony błędu predykcji podczas dokonywania wnioskowania o ukrytych stanach dynamiki hierarchicznej. To podejście bajesowskie pozwala na uzyskanie wysoce realistycznych przebiegów fal MMN, które odzwierciedlają dane empiryczne, dokładnie oddając sposób, w jaki prawdopodobieństwo i wielkość dewiacji kształtują odpowiedź:
Gdy dźwięk dewiacyjny staje się bardziej prawdopodobny, naruszenie oczekiwań maleje, co zmniejsza amplitudę MMN.
Gdy dewiant staje się mniej odróżnialny akustycznie od standardów, latencja odpowiedzi MMN wydłuża się, podczas gdy jej amplituda spada.
Podsumowując, zarówno modele kodowania predykcyjnego, jak i modele bajesowskie zbiegają się w tej samej fundamentalnej prawdzie: MMN to elektryczna sygnatura mózgu aktywnie prognozującego swoje środowisko słuchowe i sygnalizującego, kiedy sensoryczna rzeczywistość wchodzi w konflikt z wewnętrznymi oczekiwaniami.
Hipoteza | Mechanizm | Główna idea |
|---|---|---|
Adaptacja | Neurony męczą się powtarzającymi się dźwiękami | Różnica w odpowiedzi między zaadaptowanymi populacjami |
Dostosowanie modelu | Mózg aktywnie aktualizuje model wewnętrzny | MMN odzwierciedla naruszenie oczekiwań |
Kodowanie predykcyjne | Mózg przewiduje nadchodzący bodziec sensoryczny | MMN sygnalizuje błąd predykcji |
MMN jako biomarker w schizofrenii
Od początku lat 90. badania dokumentują zmniejszoną amplitudę MMN u pacjentów ze schizofrenią w porównaniu ze zdrowymi osobami. To osłabienie wydaje się być wyraźne i systematyczne, pojawiając się w różnych laboratoriach, protokołach rejestracji i populacjach pacjentów.
Klasyczny paradygmat oddball (bodźca dewiacyjnego) ujawnia u pacjentów ze schizofrenią znaczne deficyty zarówno w MMN wywołanej dewiacją czasu trwania, jak i dewiacją częstotliwości. Ubytek ten jest na tyle stały, że MMN jest szeroko proponowana jako kliniczny biomarker – obiektywna, fizjologiczna miara zdolna do określania postępu choroby i testowania skuteczności terapeutycznej.
Różne dewianty akustyczne śledzą odmienne wymiary patologii:
MMN dla dewiacji częstotliwości (Frequency-Deviant MMN): Spadek amplitudy pogłębia się wraz z postępem choroby, ściśle korelując z czasem trwania choroby oraz pogorszeniem funkcji poznawczych i funkcjonowania społecznego. Czyni to ten rodzaj MMN cennym markerem postępu choroby.
MMN dla dewiacji czasu trwania (Duration-Deviant MMN): Deficyty w tym obszarze przebiegają według innej trajektorii i są silniej powiązane z podatnością genetyczną, służąc jako marker cechy, który pozostaje stosunkowo stabilny w czasie.
Ponadto odrębne generatory neuronalne przyczyniające się do powstawania MMN są w schizofrenii dotknięte w różnym stopniu:
Generatory w płacie skroniowym: Zaburzenia w tym obszarze są powiązane z deficytami podstawowej percepcji i dyskryminacji słuchowej, co może przyczyniać się do objawów pozytywnych, takich jak halucynacje słuchowe.
Generatory w płacie czołowym: Zmniejszona aktywność w korze czołowej wiąże się z zaburzeniami przełączania uwagi, korelując z objawami negatywnymi, takimi jak wycofanie społeczne i spłycenie afektu.
Adaptacja neuronalna a detekcja dewiacji w schizofrenii
Kluczowym pytaniem jest, czy deficyt MMN w schizofrenii wynika z zaburzenia adaptacji sensorycznej, czy też z zaburzenia aktywnej detekcji dewiacji. W standardowym paradygmacie oddball te dwa procesy nakładają się na siebie, ponieważ odpowiedź mózgu na dźwięk dewiacyjny zależy zarówno od tego, jak adaptuje się on do powtarzającego się standardu, jak i od tego, jak wykrywa nową zmianę.
Aby wyizolować te mechanizmy, Koshiyama i wsp. zastosowali paradygmat kontrolny wielu standardów (many-standards control paradigm). W tym układzie prezentowanych jest wiele tonów o różnych częstotliwościach z równym prawdopodobieństwem, tak aby żaden pojedynczy ton nie powtarzał się na tyle często, by wywołać adaptację. Dźwięk dewiacyjny jest następnie porównywany z tym zróżnicowanym tłem, co pozwala wyizolować detekcję dewiacji od efektów adaptacji.
Kiedy pacjenci ze schizofrenią zostali przebadani przy użyciu obu paradygmatów, wyniki ujawniły wybiórcze upośledzenie detekcji dewiacji. Podczas gdy ich adaptacja neuronalna do powtarzających się tonów pozostała całkowicie nienaruszona, ich zdolność do wykrywania zmian akustycznych i generowania błędu predykcji w odpowiedzi na zmienione środowisko była znacząco upośledzona.
Metodologiczne dobre praktyki wywoływania negatywności niedopasowania
Podstawową zasadą rejestracji czystego, łatwego do interpretacji MMN jest prezentacja regularności słuchowej (powtarzającego się dźwięku standardowego) i okazjonalne naruszanie tej regularności rzadkim dźwiękiem dewiacyjnym. Sposób, w jaki to naruszenie zostanie skonstruowane, decyduje o tym, jaki aspekt przetwarzania neuronalnego może być oceniany.
1. Podstawowe zasady: Standardowy paradygmat oddball
Standardowy paradygmat oddball opiera się na trzech kluczowych parametrach bodźca, które systematycznie kształtują wynikową odpowiedź MMN:
Typ dewianta: Dewianty mogą różnić się od standardów w różnych wymiarach akustycznych, takich jak częstotliwość lub czas trwania. Włączenie dewiantów zarówno częstotliwości, jak i czasu trwania jest często niezbędne w badaniach klinicznych, ponieważ odzwierciedlają one różne wymiary patologii układu nerwowego i postępu choroby.
Prawdopodobieństwo dewianta: Dewianty o niższym prawdopodobieństwie generują większe amplitudy MMN, ponieważ stanowią bardziej nieoczekiwane przerwanie regularności środowiskowej.
Wielkość dewiacji: Większe różnice akustyczne między dźwiękiem standardowym a dewiacyjnym wywołują większe amplitudy MMN i krótsze latencje odpowiedzi.
2. Rozróżnianie procesów: Paradygmat oddball a paradygmat wielu standardów
Paradygmat oddball z pojedynczym standardem z natury łączy dwa odrębne procesy neuronalne: pasywną adaptację do powtarzającego się standardu i aktywną detekcję dewianta.
Aby wyizolować detekcję dewiacji, badacze stosują paradygmat wielu standardów. Poprzez prezentację szerokiej gamy częstotliwości tonów z równym prawdopodobieństwem, adaptacja rozkłada się równomiernie na cały zestaw bodźców.
Porównanie paradygmatów oddball i wielu standardów w ramach tego samego eksperymentu pomaga badaczom ustalić, czy nieprawidłowość w MMN wynika z zaburzonej adaptacji, zaburzonej detekcji dewiacji, czy też z połączenia obu tych czynników.
3. Testowanie aktywnej predykcji: Wykraczanie poza standardowy oddball
Ocena teorii kodowania predykcyjnego wymaga projektów badawczych, które wykraczają poza proste zmiany cech fizycznych bodźca:
Naruszenia wzorca: Prezentowanie powtarzających się wzorców (np. ABABAB) buduje przewidywanie naprzemienności. Nieoczekiwane powtórzenie (np. ABABAA) wyzwala MMN, wykazując detekcję złożonych reguł strukturalnych.
Paradygmaty pominięcia: Gdy przewidywalny dźwięk w sekwencji rytmicznej zostanie całkowicie pominięty, mózg nadal generuje sygnał błędu predykcji, co dowodzi, że MMN odzwierciedla aktywne oczekiwanie, a nie tylko zwykłe przyzwyczajenie sensoryczne.
4. Lokalizacja źródła: EEG vs MEG
Choć standardowe badanie EEG zapewnia solidne rejestracje powierzchniowe, precyzyjne wskazanie konkretnych generatorów neuronalnych MMN często wymaga użycia MEG. MEG rejestruje magnetyczny odpowiednik (MMNm) i oferuje doskonałą rozdzielczość przestrzenną pozwalającą na rozdzielenie udziału generatorów w płacie skroniowym (dyskryminacja sensoryczna) i generatorów w płacie czołowym (przełączanie uwagi).
Podsumowanie
Negatywność niedopasowania to automatyczna, przeduwagowa odpowiedź mózgu na zmianę słuchową. Pojawia się ona, gdy dźwięk narusza regularność ustaloną przez poprzedzające bodźce, wskazując na zdolność mózgu do pamięci sensorycznej i dokładności percepcyjnej. Dziesięciolecia badań ugruntowały jej pozycję jako wiarygodnego zjawiska elektrofizjologicznego o dobrze opisanych właściwościach.
Dwie główne hipotezy rywalizowały ze sobą w wyjaśnianiu mechanizmów neuronalnych leżących u podstaw MMN. Hipoteza adaptacji przypisuje ją różnicom w zmęczeniu neuronów, podczas gdy hipoteza dostosowania modelu zakłada aktywne aktualizowanie reprezentacji wewnętrznych. Kodowanie predykcyjne wyłoniło się jako spójna koncepcja, która wyjaśnia szeroki zakres cech empirycznych. Szczegółowe modele obliczeniowe oparte na zasadach kodowania predykcyjnego odtwarzają wrażliwość MMN na prawdopodobieństwo dewianta, wielkość dewiacji, nieoczekiwane powtórzenia, pominięcie dźwięku oraz na antagonistów receptora NMDA. Eksperymenty MEG również wspierają kluczowe twierdzenie, że MMN odzwierciedla aktywną predykcję korową, a nie pasywną adaptację.
W schizofrenii zmniejszona amplituda MMN jest wyraźnym i powtarzalnym wynikiem. MMN wywołana dewiacją częstotliwości śledzi postęp choroby i pogorszenie funkcji poznawczych, podczas gdy MMN wywołana dewiacją czasu trwania może wskazywać na podatność genetyczną. Deficyt ten wydaje się specyficzny dla detekcji dewiacji, podczas gdy adaptacja neuronalna pozostaje nienaruszona. Ta specyficzność ma na celu zidentyfikowanie jasnego celu dla rozwoju metod leczenia, a możliwość translacji MMN między gatunkami ma uczynić z niej praktyczny biomarker w przedklinicznych badaniach leków.
Rejestracja wartościowych danych MMN wymaga starannej metodologii. Typ dewianta, jego prawdopodobieństwo i wielkość muszą być dobierane z celowym odniesieniem do zasad obliczeniowych rządzących tą odpowiedzią. Paradygmat wielu standardów powinien towarzyszyć klasycznemu paradygmatowi oddball, gdy konieczne jest oddzielenie adaptacji od detekcji dewiacji. Niestandardowe projekty wykorzystujące nieoczekiwane powtórzenia lub pominięcia dźwięków mogą testować konkretne przewidywania w ramach modelu kodowania predykcyjnego. Gdy istotna jest lokalizacja źródła, rejestracja MMNm za pomocą MEG stanowi cenne uzupełnienie badania EEG. Te kwestie metodologiczne sprawiają, że MMN nadal służy jako precyzyjne narzędzie zarówno w neuronauce podstawowej, jak i w translacji klinicznej.
Piśmiennictwo
Garrido, M. I., Kilner, J. M., Stephan, K. E., & Friston, K. J. (2009). The mismatch negativity: a review of underlying mechanisms. Clinical neurophysiology, 120(3), 453-463. https://doi.org/10.1016/j.clinph.2008.11.029
Wacongne, C., Changeux, J. P., & Dehaene, S. (2012). A neuronal model of predictive coding accounting for the mismatch negativity. The Journal of neuroscience, 32(11), 3665-3678. https://doi.org/10.1523/JNEUROSCI.5003-11.2012
Lieder, F., Stephan, K. E., Daunizeau, J., Garrido, M. I., & Friston, K. J. (2013). A neurocomputational model of the mismatch negativity. PLoS computational biology, 9(11), e1003288. https://doi.org/10.1371/journal.pcbi.1003288
Näätänen, R., & Kähkönen, S. (2009). Central auditory dysfunction in schizophrenia as revealed by the mismatch negativity (MMN) and its magnetic equivalent MMNm: a review. International Journal of Neuropsychopharmacology, 12(1), 125-135. https://doi.org/10.1017/S1461145708009322
Koshiyama, D., Kirihara, K., Tada, M., Nagai, T., Fujioka, M., Usui, K., ... & Kasai, K. (2020). Reduced auditory mismatch negativity reflects impaired deviance detection in schizophrenia. Schizophrenia bulletin, 46(4), 937-946. https://doi.org/10.1093/schbul/sbaa006
Często zadawane pytania
Czym jest negatywność niedopasowania (MMN)?
Negatywność niedopasowania, czyli MMN, to sygnał elektryczny mózgu rejestrowany za pomocą EEG, który pojawia się, gdy rzadki dźwięk „dewiacyjny” przerywa schemat powtarzających się dźwięków „standardowych”. Odzwierciedla on automatyczną zdolność mózgu do wykrywania zmian i jest generowany nawet wtedy, gdy dana osoba nie zwraca uwagi na dźwięki.
Dlaczego MMN jest uważana za odpowiedź automatyczną i przeduwagową?
MMN jest automatyczna, ponieważ pojawia się nawet wtedy, gdy dana osoba czyta, ogląda film lub aktywnie ignoruje docierające dźwięki. Ma charakter przeduwagowy, ponieważ mózg porównuje dźwięk dewiacyjny ze śladem pamięciowym dźwięków standardowych, zanim jeszcze zaangażowana zostanie świadoma uwaga.
Jakie są dwie główne hipotezy dotyczące sposobu generowania MMN przez mózg?
Hipoteza adaptacji zakłada, że powtarzające się dźwięki standardowe powodują zmniejszenie częstotliwości wyładowań neuronów, przez co rzadki dźwięk dewiacyjny aktywuje „świeże” neurony, co daje większą odpowiedź. Hipoteza dostosowania modelu sugeruje, że mózg aktywnie buduje wewnętrzny model środowiska słuchowego, a MMN odzwierciedla proces aktualizacji tego modelu, gdy dewiant narusza oczekiwania.
Jak kodowanie predykcyjne wyjaśnia MMN?
Kodowanie predykcyjne to spójna teoria, która postrzega mózg jako organ aktywnie przewidujący nadchodzące dźwięki na podstawie wyuczonych regularności. Kiedy rzeczywisty bodziec odbiega od przewidywania, generowany jest sygnał błędu predykcji, a MMN jest rozumiana jako elektrofizjologiczny przejaw tego błędu predykcji.
Czym jest paradygmat wielu standardów i dlaczego się go używa?
Paradygmat wielu standardów prezentuje wiele różnych tonów z równym prawdopodobieństwem, dzięki czemu żaden pojedynczy ton nie powtarza się na tyle często, by wywołać adaptację neuronalną. Pozwala to badaczom wyizolować detekcję dewiacji od efektów adaptacji, które w klasycznym paradygmacie oddball nakładają się na siebie.
Czym jest MMNm i czym różni się od MMN?
MMNm to magnetyczny odpowiednik MMN, rejestrowany za pomocą magnetoencefalografii (MEG) zamiast EEG. Oferuje lepszą rozdzielczość przestrzenną, co ułatwia rozdzielenie udziału różnych obszarów mózgu, takich jak generatory w płacie skroniowym i czołowym.
Jakie czynniki należy wziąć pod uwagę przy projektowaniu eksperymentu MMN?
Badacze muszą celowo dobrać typ dewianta, jego prawdopodobieństwo oraz wielkość, ponieważ parametry te systematycznie kształtują odpowiedź MMN. Mniejsze prawdopodobieństwo i większa wielkość dewiacji dają większe amplitudy, a zastosowanie dewiantów zarówno częstotliwości, jak i czasu trwania jest kluczowe w badaniach klinicznych. Paradygmat wielu standardów powinien towarzyszyć klasycznemu oddball, gdy zachodzi potrzeba oddzielenia adaptacji od detekcji dewiacji.
Emotiv jest liderem w dziedzinie neurotechnologii, pomagającym rozwijać badania neuronaukowe dzięki dostępnym narzędziom EEG i danym o mózgu.
Zastrzeżenie medyczne: Informacje podane na tej stronie służą wyłącznie celom edukacyjnym i informacyjnym i nie stanowią porady medycznej ani zdrowotnej. Treść ta może zawierać błędy i nie należy na niej polegać przy podejmowaniu kluczowych decyzji dotyczących zdrowia, leczenia lub stylu życia. W przypadku jakichkolwiek pytań dotyczących stanu zdrowia lub leczenia należy zawsze zasięgnąć porady lekarza lub innego wykwalifikowanego pracownika służby zdrowia.
Christian Burgos
