Alzheimerova choroba (AD) je progresivní neurodegenerativní onemocnění, které postihuje především starší populaci a je nejběžnější příčinou demence. I když je prevalence této choroby alarmující, v současnosti neexistuje žádný účinný lék, který by dokázal její průběh zastavit nebo zpomalit. Diagnóza Alzheimerovy choroby je složitý a časově náročný proces, který často začíná pozdními symptomy, jako je ztráta paměti a kognitivní funkce. Pro správné rozpoznání a včasnou léčbu je nezbytné co nejrychleji identifikovat počáteční fáze nemoci, tedy mírné kognitivní poruchy (MCI), z nichž se pouze 35-45 % případů vyvine v Alzheimerovu chorobu.

V oblasti lékařské diagnostiky se v posledních letech čím dál více využívá hluboké učení, což je forma strojového učení, která ukazuje výrazný potenciál při analýze lékařských obrazů, zejména při detekci Alzheimerovy choroby. Tento přístup nabízí mnohé výhody oproti tradičním metodám strojového učení, přičemž se ukazuje jako velmi efektivní při klasifikaci a diagnostice na základě různých lékařských snímků, jako jsou počítačová tomografie (CT), magnetická rezonance (MRI) a pozitronová emisní tomografie (PET). Technologie hlubokého učení dokáže lépe identifikovat jemné změny v mozkových strukturách, které mohou být příznakem neurodegenerativního procesu.

Role biomarkerů a diagnostika Alzheimerovy choroby

Biomarkery hrají klíčovou roli při diagnostice Alzheimerovy choroby. Cílem je najít senzitivní a specifické biomarkery, které by umožnily včasnou diagnostiku s minimálním nákladem a maximální přesností. V současnosti se nejběžněji zkoumají biomarkery ve vzorcích jako je cerebrospinální tekutina (CSF), moč, krev a jiné tělesné tekutiny. CSF má zásadní význam, protože vyplňuje mozkové komory a míchu, čímž chrání mozek a zajišťuje transport metabolitů. Pokud dojde k poškození centrálního nervového systému, změní se složení CSF, což poskytuje cenné informace o přítomnosti Alzheimerovy choroby.

Dalšími důležitými biomarkery jsou změny v anatomii mozku, zejména v oblasti hippocampu a amygdaly, které jsou charakteristické pro Alzheimerovu chorobu. Výzkumy ukazují, že i malé změny v těchto oblastech mohou být prvními příznaky nemoci. Právě tyto změny jsou předmětem analýz pomocí lékařských zobrazovacích technologií, kde hluboké učení umožňuje identifikovat vzorce, které jsou pro lidské oko obtížně zachytitelné.

Metody analýzy obrazů

Pořízení a analýza lékařských snímků je jedním z nejdůležitějších aspektů při diagnostice Alzheimerovy choroby. Každá z metod zobrazování má své výhody a omezení. Například počítačová tomografie (CT) je rychlá a poskytuje kvalitní snímky, avšak kvůli nízkému rozlišení může být těžké rozlišit mírné kognitivní poruchy od běžného stárnutí. Magnetická rezonance (MRI) naopak nabízí vysokou přesnost při zobrazování měkkých tkání, a protože nevyužívá ionizující záření, je pro pacienta bezpečnější. Pozitronová emisní tomografie (PET) je výjimečná v tom, že dokáže identifikovat metabolické změny v mozku, což může pomoci odhalit Alzheimerovu chorobu ještě předtím, než dojde k viditelným strukturálním změnám.

Hluboké učení v těchto oblastech znamená revoluci. Pomocí algoritmů, které se učí z obrovského množství dat, je možné detekovat i malé změny v mozku, které by jinak mohly být přehlédnuty. Modely hlubokého učení se již ukázaly jako silnější než tradiční metody strojového učení, což umožňuje lékařům činit přesnější rozhodnutí na základě zobrazovacích snímků.

Výzvy a budoucnost

I přes pokroky v oblasti hlubokého učení a počítačového zpracování obrazů stále existují výzvy, které je třeba překonat. Jednou z největších překážek je nedostatek velkých, kvalitních datových souborů pro trénink modelů. Ačkoli existují veřejně dostupné databáze, stále je nutné zajistit dostatečnou diverzitu dat, aby modely mohly správně fungovat napříč různými populacemi. Dalším problémem je interpretovatelnost modelů: hluboké učení často pracuje jako „černá skříňka“, což znamená, že i když model poskytuje správné výsledky, není vždy snadné pochopit, jak k těmto výsledkům dospěl. To je problém, protože v medicíně je důležité, aby lékaři rozuměli rozhodnutím, která dělají na základě výsledků z automatizovaných systémů.

V neposlední řadě je potřeba pokračovat v výzkumu a vývoji nových biomarkerů, které budou více citlivé a specifické pro Alzheimerovu chorobu. Kombinace pokročilých zobrazovacích technologií, nových biomarkerů a metod strojového učení otevře nové možnosti pro včasnou detekci a prevenci tohoto závažného onemocnění.

Při diagnostice Alzheimerovy choroby se nejedná jen o detekci známek onemocnění, ale také o možnost predikce jeho průběhu, což by mohlo zásadně změnit přístup k léčbě.

Jak zlepšit zabezpečení slabě konfigurovaných lékařských zařízení pomocí fuzzy logického systému založeného na MQTT

Zabezpečení zařízení s nízkou výpočetní kapacitou představuje v rámci zdravotnických IoT systémů zásadní výzvu. Mnohá lékařská zařízení jsou postavena na minimalistické architektuře a jejich ochrana před kybernetickými hrozbami se často ukazuje jako nedostatečná. Řešením může být implementace lehkého fuzzy logického systému (FLS) ve spojení s protokolem MQTT, který je vhodný pro prostředí s omezenými zdroji.

Fuzzy logický přístup umožňuje efektivní detekci hrozeb i při absenci exaktní binární logiky. Tam, kde tradiční systémy spoléhají na pevně definovaná pravidla a jednoznačné rozhodování, fuzzy systém dokáže operovat i s nejistými a neurčitými vstupy. To je zvláště důležité ve zdravotnických systémech, kde se bezpečnostní hrozby často vyskytují v podobě subtilních odchylek a anomálií.

Základ metodologie FLS spočívá ve vícestupňovém zpracování dat. Nejprve je provedeno fuzzifikování vstupních proměnných – například síly útoku, míry odchylky chování zařízení nebo frekvence komunikace. Tyto parametry jsou převedeny na fuzzy hodnoty, které vstupují do rozhodovacího mechanismu. V rámci návržené architektury se počítá s pravidly, která vyhodnocují bezpečnostní rizika na základě kombinace fuzzy hodnot a následně generují rozhodnutí o tom, zda systém čelí reálnému ohrožení.

K určení efektivity takového systému jsou využívány standardizované metriky: účinnost detekce hrozeb, míra detekce hrozeb, přesnost detekce (TDA), stejně jako poměr falešně pozitivních a falešně negativních alarmů. Ve výsledcích byla zaznamenána vysoká míra přesnosti a schopnosti systému správně rozpoznávat hrozby bez přetížení zařízení nebo generování nadměrného množství falešných upozornění.

Výhodou spojení FLS s MQTT je i optimalizovaná komunikační propustnost. MQTT je lehký publish/subscribe protokol navržený pro minimální režii, což znamená, že i zařízení s omezenou konektivitou nebo výpočetní silou mohou být efektivně integrována do systému bez narušení jeho bezpečnosti nebo výkonu. FLS zároveň minimalizuje potřebu složitého centrálního řízení, čímž se dále snižuje riziko útoků na centrální body zranitelnosti.

Kromě toho fuzzy systémy prokazují vyšší robustnost vůči neznámým nebo novým typům útoků. Namísto spoléhání se na historická data a signatury, které mohou být zastaralé, fuzzy systém rozpoznává odchylky v chování. To umožňuje včasnou reakci i na dříve neznámé vektory útoku.

V praxi takové řešení znamená, že například infuzní pumpy, přenosné monitory nebo jiné zdravotnické prostředky s omezeným hardwarem, které by jinak byly snadným cílem útočníků, mohou být bezpečně připojeny k síti. To umožňuje jejich vzdálený monitoring, sběr dat a případně i zásah bez nutnosti zásadní revize jejich konstrukce.

Důležitým aspektem, který je třeba zohlednit, je však správná kalibrace fuzzy pravidel a pečlivá správa fuzzy logického systému. Nesprávně navržený systém může selhat buď přílišnou tolerancí k riziku, nebo naopak nadměrnou citlivostí vedoucí k zahlcení falešnými poplachy. Proto je zásadní, aby byly rozhodovací algoritmy navrženy ve spolupráci s experty jak v oblasti kybernetické bezpečnosti, tak zdravotnických technologií.

Je důležité chápat, že fuzzy logický systém nenahrazuje ostatní bezpečnostní vrstvy – jedná se o rozšíření, které zvyšuje odolnost systému vůči specifickým hrozbám. Implementace by měla být kombinována s dalšími opatřeními, jako je silné šifrování, autentifikace uživatelů, segmentace sítě a pravidelný audit bezpečnostní politiky.

Jak umělá inteligence zlepšuje zdravotní péči?

Umělá inteligence (AI) již dnes významně ovlivňuje mnoho oblastí zdravotní péče, a její role v tomto sektoru se stále rozšiřuje. Tato technologie nejen že umožňuje přesnější diagnostiku a personalizované léčebné plány, ale také zásadně zkracuje dobu potřebnou pro vývoj nových léků a optimalizuje procesy ve zdravotnictví. Ať už se jedná o prediktivní analytiku pro sledování pacientů nebo o zlepšení efektivity chirurgických zákroků, umělá inteligence přináší revoluční změny, které by ještě před několika lety byly těžko představitelné.

Jedním z nejzřetelnějších příkladů využití AI je analýza lékařských snímků. Studie provedená na Stanfordově univerzitě ukázala, že algoritmus umělé inteligence dokáže přesně detekovat rakovinu kůže na základě analýzy obrazů kožních lézí. Tento algoritmus dosahuje úrovně přesnosti, která je srovnatelná s dermatology, čímž ukazuje na obrovský potenciál AI v zajišťování přesné a efektivní diagnostiky.

AI také sehrává klíčovou roli při predikci zhoršení zdravotního stavu pacientů. Například studie Univerzity v Chicagu ukázala, jak strojové učení dokáže předpovědět neplánované opětovné přijetí pacientů do nemocnice do 30 dnů od jejich propuštění. Algoritmus zpracovával data o pacientech, včetně demografických údajů, lékařské historie a klinických ukazatelů, čímž identifikoval pacienty s vyšším rizikem zhoršení stavu. Tento přístup umožňuje lékařům provádět proaktivní zásahy, čímž se snižuje počet neplánovaných hospitalizací a zlepšuje celkové řízení pacientů.

Dalším fascinujícím využitím AI v medicíně je personalizace léčby. Algoritmy umělé inteligence dokážou analyzovat obrovské množství pacientských dat a vyvinout personalizované doporučení léčby, které jsou přizpůsobeny individuálním charakteristikám pacienta, jako je genetika, závažnost onemocnění nebo reakce na předchozí léčbu. Příklad z Massachusetts General Hospital ukazuje, jak strojové učení může pomoci určit optimální dávkování léků pro pacienty trpící revmatoidní artritidou. Tento přístup zvyšuje šance na úspěšnou léčbu a zároveň minimalizuje vedlejší účinky.

Roboter chirurgie je další oblastí, kde AI přináší významné zlepšení. Robotické systémy, jako je da Vinci Surgical System, využívají AI k zajištění větší preciznosti a kontroly během minimálně invazivních chirurgických zákroků. Tyto systémy poskytují chirurgům lepší vizualizaci, větší obratnost a kontrolu nad nástroji, což vede k lepším chirurgickým výsledkům a rychlejšímu zotavení pacientů po operacích. Tento pokrok je obzvláště patrný při operacích prostaty nebo gynekologických zákrocích.

V oblasti objevování a vývoje léků má AI rovněž nezanedbatelný vliv. Biotechnologická společnost Atomise využila algoritmy umělé inteligence k identifikaci potenciálních léků pro léčbu Eboly. AI prováděla screening milionů chemických sloučenin, čímž identifikovala několik slibných kandidátů, kteří jsou nyní podrobováni dalšímu výzkumu. Tato metoda výrazně zkracuje časový rámec potřebný pro identifikaci nových léčivých látek a zároveň snižuje náklady spojené s tradičními výzkumnými metodami.

Ve všech těchto oblastech AI přináší zcela nové možnosti. Identifikace cílových molekul pro léčbu nemocí, virtuální screening a design léků, přehodnocení účinnosti existujících léčiv nebo prediktivní toxikologie jsou jen některé z možností, jakými umělá inteligence mění oblast farmaceutického výzkumu. Algoritmy dokážou analyzovat genetická data, biologické procesy a interakce molekul, čímž pomáhají vědcům objevit nové léky nebo zefektivnit stávající léčebné přístupy.

AI se také používá k optimalizaci klinických studií. Pomocí analýzy pacientských dat mohou algoritmy AI identifikovat pacienty, kteří mají největší pravděpodobnost pozitivní reakce na určitou léčbu, což vede k efektivnějším a méně nákladným klinickým studiím. Kromě toho AI dokáže navrhnout ideální dávkovací režimy a monitorovat bezpečnost pacientů během studií, což přispívá k rychlejšímu a bezpečnějšímu schválení nových léčiv.

V neposlední řadě jsou v oblasti zdravotní péče stále častěji používány virtuální asistenti a chatboti, kteří využívají AI k poskytování podpory pacientům, zodpovídání běžných dotazů nebo usnadnění plánování schůzek. Tyto technologie, jako například IBM Watson Health nebo Ada Health, používají zpracování přirozeného jazyka a strojové učení k interakci s pacienty a poskytování relevantních zdravotních informací. Umožňují zlepšení přístupu k zdravotní péči a zjednodušení administrativních procesů.

V oblasti zdravotní péče se tedy umělá inteligence stává nejen nástrojem pro zlepšení diagnostiky a léčby, ale i pro zefektivnění celkového procesu poskytování péče. Další rozvoj AI v této oblasti má obrovský potenciál, který se bude postupně projevovat v ještě širší škále aplikací. Důležité je si uvědomit, že i přes všechny pokroky v AI je stále potřeba zachovávat lidskou dimenzi v lékařské péči, neboť konečné rozhodnutí o léčbě pacienta by mělo vždy zůstat v rukou odborníka.

Jak mohou digitální dvojčata transformovat zdravotní péči

Digitální dvojčata, koncept běžně používaný ve výrobním sektoru a průmyslových odvětvích, mají v posledních letech stále širší využití v oblasti zdravotní péče. Původně spojený s optimalizací procesů v průmyslu, tento nástroj se postupně uplatňuje i v medicíně, kde nabízí nové možnosti pro zlepšení diagnostiky, léčby a efektivity nemocnic.

V oblasti zdravotní péče se digitální dvojčata používají k vytváření trojrozměrných modelů pacientů, například pro simulaci srdce, což umožňuje lékařům lépe plánovat chirurgické zákroky. Tato metoda nejen že zkracuje dobu operace, ale také snižuje rizika spojená s chirurgickými zákroky. S pokračujícím výzkumem se objevují další příklady využití digitálních dvojčat, zejména v personalizované medicíně, kde jsou nástroje pro klinické rozhodování podpořeny digitálními modely, jež umožňují optimálně přizpůsobit léčebné plány konkrétním potřebám pacientů.

Velkou roli hrají i zařízení vyvinutá s pomocí digitálních dvojčat, jako jsou pokročilé protézy nebo asistivní technologie. Tyto technologie, často využívající data z reálného světa a klinických studií, zkracují dobu testování a umožňují rychlejší vývoj nových léčebných metod. V oblasti neurodegenerativních onemocnění, jako je Alzheimerova choroba nebo roztroušená skleróza, se digitální dvojčata používají pro modelování nemocí a zlepšení účinnosti klinických studií. Digitální modely mohou nejen zrychlit proces testování, ale také přispět k objevování nových terapeutických přístupů.

Zdravotnické organizace používají digitální dvojčata k simulaci a optimalizaci operací ve zdravotních zařízeních. Tento přístup se uplatňuje při analýze toků pacientů, odhadování kapacit nemocnic, řízení datových toků nebo optimalizaci pracovníků a péče o pacienty. Vytvářením virtuálních replik procesů a pracovišť se dosahuje vyšší efektivity, snižují se náklady a lépe se předvídají budoucí potřeby.

Úspěšná implementace digitálních dvojčat vyžaduje komplexní přístup. Klíčovým krokem je zavedení propojené infrastruktury senzorů a IoT zařízení, které umožní efektivní sběr dat. Bez této infrastruktury je složité dosáhnout kvalitního modelování, analýzy a optimalizace. Důležitým faktorem je i využívání pokročilých analytických nástrojů, jako jsou prediktivní analýzy a umělá inteligence, které umožní lépe predikovat zdravotní stavy pacientů a optimalizovat rozhodovací procesy. Dále je nezbytné budování robustních datových úložišť (data lake), které umožní shromažďovat a zpracovávat různé typy dat.

Významným směrem vývoje je i zajištění důvěryhodnosti a vysvětlitelnosti umělé inteligence používané při vytváření digitálních dvojčat. Bez tohoto aspektu by bylo těžké zajistit spolehlivost a bezpečnost těchto systémů, zejména pokud jde o ochranu citlivých osobních zdravotních údajů. S rostoucí dostupností služeb digitálních dvojčat pro zdravotnické organizace všech velikostí se tato technologie stává dostupnější a přístupnější.

Do budoucna se očekává, že digitální dvojčata budou mít stále širší spektrum využití, přičemž jejich potenciál v oblasti personalizované medicíny a přesného zdravotní péče je obrovský. Tyto technologie umožní využívat genetické informace, real-time zdravotní data a prediktivní modelování pro poskytování vysoce personalizované péče. V oblasti pokročilého lékařského zobrazování, například při využití MRI nebo CT skenerů, digitální dvojčata umožní detailní analýzu anatomických struktur v reálném čase, což usnadní přesnější diagnózu a plánování léčby.

Pokročilé virtuální asistenty, kteří by mohli fungovat jako osobní průvodci pacientů, jsou dalším příkladem využití digitálních dvojčat v budoucnosti. Tito asistenti by mohli monitorovat zdravotní ukazatele, připomínat užívání léků či návštěvy u lékaře, poskytovat poradenství a odpovídat na běžné zdravotní dotazy, což by výrazně zlepšilo péči a přístup k informacím pro pacienty.

Další oblastí, kde mají digitální dvojčata svůj význam, je dálková robotická chirurgie. Vytvořením virtuální repliky pacientovy anatomie mohou chirurgové plánovat a trénovat operace, než je provedou na dálku, což umožní přístup k specializovaným chirurgům i pacientům ve vzdálených oblastech.

Také prediktivní analytika zdravotní péče, která využívá umělou inteligenci a strojové učení, může pomoci s předpovědí vývoje nemocí a identifikací zdravotních rizik, což umožní včasnou intervenci a prevenci. Spojení digitálních dvojčat s nositelnými zařízeními, jako jsou chytré hodinky nebo wellness trackery, nabídne novou úroveň monitorování zdraví a komplexního sledování pacientů.

Důležitým faktorem pro úspěch této technologie je rovněž optimalizace nemocniční infrastruktury. Pomocí digitálních dvojčat mohou nemocnice simulovat různé scénáře, jako je využití pacientských toků nebo rozmístění vybavení, což povede k větší efektivitě a lepšímu využívání dostupných zdrojů.

Tato technologie má obrovský potenciál pro zlepšení zdraví pacientů, zkrácení času hospitalizací, lepší plánování léčby a celkové zefektivnění zdravotní péče. Důležité je, že tato oblast se neustále vyvíjí a další pokroky ve výzkumu a technologických inovacích budou pravděpodobně v příštích letech znamenat další revoluční změny.

Jak rozpoznávání řeči mění procesy předepisování léků a zlepšuje zdravotní péči

V oblasti zdravotnictví je každý krok procesu léčby důležitý, a to včetně vystavování lékařských předpisů. Tradiční metoda psaní předpisů, kterou používají lékaři, je nejen časově náročná, ale i náchylná k chybám, což může vést k vážným následkům. Nečitelné písmo, nesprávné dávkování a nesprávné léky jsou pouze některé z problémů, které se mohou objevit v průběhu tohoto procesu. Naštěstí technologie, jako je rozpoznávání řeči, začínají měnit tento způsob předepisování léků, což přináší zcela nové možnosti pro efektivitu a přesnost.

Tradiční způsob, kdy lékař píše předpis, je často zdlouhavý a náchylný k chybám. Pacient může špatně pochopit, jak brát lék, nebo lékárník může udělat chybu při interpretaci rukopisu lékaře. K tomu přichází na scénu digitální technologie, které umožňují lékařům jednoduše vytvářet elektronické předpisy, což výrazně zjednodušuje celý proces. Ačkoliv některé software pro tvorbu předpisů již využívají pokročilou databázi léků a automatizují některé aspekty procesu, stále je zde prostor pro zlepšení.

Jedním z nejvíce slibných pokroků v oblasti zdravotnictví je aplikace rozpoznávání řeči. V praxi to znamená, že místo psaní lékař jednoduše vysloví název léku, dávkování a další detaily, a systém je automaticky přidá do příslušných polí. Tento proces nejen šetří čas, ale také eliminuje potenciální chyby, které by mohly nastat při ručním psaní nebo zadávání údajů. Tato technologie, která využívá strojové učení a pokročilé algoritmy, dokáže přesně převést mluvené slovo na text a automaticky jej přiřadit k odpovídajícím lékům a pokynům pro pacienta.

V praxi to znamená, že systém může na základě předchozích zkušeností automaticky doplňovat častěji předepisované léky a jejich standardní dávkování. Například pokud lékař pravidelně předepisuje určitý lék pro konkrétní diagnózu, aplikace se „naučí“ tento vzorec a při dalším použití jej automaticky navrhne. Tento proces urychluje celý postup a minimalizuje čas potřebný pro vypsání předpisu, což je zvláště cenné v hektickém zdravotnickém prostředí.

Pokud však použijeme rozpoznávání řeči při tvorbě lékařských předpisů, narazíme na další výzvy. Ne všechny lékaře je snadné přimět k tomu, aby přešli z tradičního psaní na digitální metody. Mnozí si stále cení rukopisného způsobu, který mají zažité. S příchodem nových aplikací, které umožňují jednoduše převést mluvené slovo na text, se však tento proces stává intuitivní a snadno přijatelný. Aplikace nejenže převádí mluvené slovo na text, ale také zahrnuje možnosti pro generování PDF souborů, které lze snadno sdílet nebo tisknout. Tato aplikace tak splňuje požadavky na flexibilitu, kterou zdravotnický personál očekává.

Hlavním přínosem této technologie je zjednodušení pracovních postupů, což vede k lepší organizaci práce a snížení možnosti chyb. V případě nesprávně napsaného předpisu nebo nejednoznačných pokynů je možné snadno zjistit, jaký lék a jaké dávkování bylo předepsáno. Dokonce i možnost digitálního podpisu lékaře zajišťuje právní platnost takového předpisu a eliminuje riziko chyb při přepisování.

V kombinaci s pokročilými nástroji strojového učení a analýzy textu může takováto technologie výrazně zlepšit celkovou péči o pacienta. Systémy, které se učí na základě historických dat, se stávají stále přesnějšími a mohou předvídat potřeby pacienta i dříve, než jsou výslovně předepsány. Důležité je, že tyto aplikace mohou nejen zjednodušit proces předepisování, ale také nabídnout užitečné nástroje pro správu lékařských informací a jejich uchovávání v bezpečné, digitální formě.

S rostoucí dostupností takovýchto technologií budou zdravotníci schopni využívat výhod digitálních předpisů a jejich integraci do širšího ekosystému zdravotní péče. Tato digitalizace nejenže zefektivní léčebné postupy, ale také posílí bezpečnost pacientů, což je hlavní priorita v moderním zdravotnickém systému.

Zajímavé je, že tato technologie není omezena pouze na předepisování léků. Může se využít i pro další oblasti zdravotní péče, například pro správu pacientských záznamů nebo komunikaci mezi různými lékaři a specialisty. Rozpoznávání řeči může v těchto procesech zjednodušit komunikaci a zvýšit rychlost reakcí na potřebné změny v léčbě.

Je tedy kladeno důraz nejen na technologické pokroky, ale také na změnu myšlení ve zdravotnickém prostředí. Technologie, jako je rozpoznávání řeči, představují klíčový krok k digitalizaci zdravotní péče a zajištění její efektivity, přičemž v budoucnu mohou hrát ještě důležitější roli v prevenci zdravotních problémů a zvýšení kvality péče.

Jak umělá inteligence a digitální dvojčata formují budoucnost sítí 5G a 6G?
Jak technologie a vzpomínky formují naše vnímání reality
Jaký význam má církevní stříbro a kdo má právo rozhodovat o jeho prodeji?