Twierdzenie o Biomedycznej Informatyce

Przez długi czas brakowało teoretycznie ugruntowanej definicji informatyki biomedycznej (BMI). Aby zwrócić uwagę na tę dziedzinę naukową, dr Charles Friedman zaproponował podstawowe twierdzenie informatyki biomedycznej. Stwierdza on, że "osoba pracująca w partnerstwie z zasobem informacji jest" lepsza "niż ta sama osoba bez pomocy." Twierdzenie Friedmana nie jest w rzeczywistości formalnym twierdzeniem matematycznym (które opiera się na dedukcji i jest akceptowane jako prawdziwe), ale raczej destylacją istoty BMI.

Twierdzenie sugeruje, że informatycy biomedyczni zajmują się tym, w jaki sposób zasoby informacyjne mogą (lub nie mogą) pomóc ludziom. Odnosząc się do "osoby" w swoim twierdzeniu, Friedman sugeruje, że może to być zarówno osoba (pacjent, klinicysta, naukowiec, administrator), grupa ludzi, a nawet organizacja.

Ponadto proponowane twierdzenie ma trzy korelacje, które pomagają lepiej zdefiniować informatykę:

1. Informatyka dotyczy raczej ludzi niż technologii. Oznacza to, że zasoby należy budować z korzyścią dla ludzi.
2. Zasób informacji musi zawierać coś, czego dana osoba jeszcze nie zna. Sugeruje to, że zasób musi być zarówno poprawny, jak i informacyjny.
3. Interakcja między osobą i zasobem określa, czy twierdzenie jest spełnione. To następstwo uznaje, że to, co wiemy o samej osobie lub samym zasobie, niekoniecznie musi przewidywać wynik.

Wkład Friedmana został uznany za definiujący BMI w prosty i łatwy do zrozumienia sposób. Jednak inni autorzy zasugerowali alternatywne punkty widzenia i dodatki do jego twierdzenia. Na przykład profesor Stuart Hunter z Uniwersytetu Princeton podkreślił rolę metody naukowej przy danych.

Grupa naukowców z University of Texas również opowiadała się, że definicja BMI powinna obejmować pogląd, że informacja w informatyce to "dane plus znaczenie". Inne instytucje akademickie dostarczyły rozbudowane definicje, które uznały multidyscyplinarny charakter BMI i koncentrowały się na danych, informacjach i wiedzy w kontekście biomedycyny.

Wyrażenia głównego twierdzenia Friedmana

Przydatne jest rozważenie wyrażeń twierdzenia w kategoriach osób lub organizacji, które wykorzystywałyby zasoby informacyjne. To, czy twierdzenie jest prawdziwe w danym scenariuszu, można przetestować empirycznie w randomizowanych kontrolowanych próbach i innych badaniach.

Poniżej kilka przykładów na to, w jaki sposób twierdzenie Friedmana można zastosować w kontekście obecnej opieki zdrowotnej z perspektywy różnych użytkowników.

Użytkownicy Pacjentów

• Pacjent korzystający z aplikacji do przypomnienia o lekach będzie bardziej przyzwyczajony do swojego schematu leczenia niż ten sam pacjent, który nie korzysta z aplikacji.
• Pacjent, który próbuje schudnąć i śledzi dietę i ćwiczenia na smartfonie, straci na wadze więcej niż ten sam pacjent bez aplikacji.
• Pacjent, który korzysta z portalu pacjenta, aby komunikować się ze swoim lekarzem, będzie czuł się bardziej zaangażowany w opiekę nad tym samym pacjentem bez portalu.

• Pacjent, który korzysta z portalu pacjentów, aby zobaczyć wyniki testów, wyrazi większą satysfakcję z opieki niż ten sam pacjent bez portalu.
• Pacjent, który bierze udział w internetowym forum na temat reumatoidalnego zapalenia stawów, poradzi sobie z chorobą skuteczniej niż ten sam pacjent bez forum.

Użytkownicy klinicyści

• Pediatra używający elektronicznej karty zdrowia (EHR) z przypomnieniami o szczepieniach będzie częściej zlecać terminowe szczepienia niż ten sam lekarz bez przypomnień.
• Dostawca medycyny ratunkowej z dostępem do lokalnej wymiany informacji o zdrowiu (HIE) zamawia mniej duplikatów testów niż ten sam dostawca bez HIE.

• Pielęgniarka, która korzysta z systemu bezprzewodowego do przesyłania istotnych parametrów bezpośrednio do EHR, popełni mniej błędów w dokumentacji niż ta sama pielęgniarka bez systemu bezprzewodowego.
• Osoba prowadząca sprawę, korzystająca z rejestru pacjentów, będzie identyfikować więcej pacjentów z niekontrolowanym nadciśnieniem niż ten sam menedżer przypadku bez rejestru.
• Zespół chirurgiczny korzystający z listy kontrolnej bezpieczeństwa będzie miał mniej infekcji w miejscu operacji niż ten sam zespół chirurgiczny bez listy kontrolnej. (Należy pamiętać, że lista kontrolna jest przykładem zasobu informacyjnego, który nie wymaga skomputeryzowania.)
• Lekarz, który używa narzędzia do wspomagania decyzji klinicznych (CDS) do dawkowania antybiotyków, z większym prawdopodobieństwem przepisuje odpowiednią dawkę antybiotyku niż ten sam lekarz bez narzędzia CDS.

Użytkownicy organizacji opieki zdrowotnej

• Szpital z programem komputerowej oceny zakrzepicy żył głębokich (DVT) w EHR będzie miał mniej DVT niż ten sam szpital bez programu.
• Szpital z mobilną platformą komputerowego wprowadzania zleceń lekarza (CPOE) będzie miał mniej zamówień telefonicznych niż ten sam szpital bez mobilnego CPOE.
• Szpital, który używa HIE do wysyłania streszczeń wypisów do dostawców podstawowej opieki zdrowotnej, będzie miał mniej ponownych wizyt niż ten sam szpital bez HIE.
• Dom opieki z wykorzystaniem technologii czujników będzie miał niższą częstość upadków pacjentów niż w tym samym domu opieki bez czujników.
• Studencka przychodnia zdrowia, która wysyła przypomnienia o wiadomościach tekstowych, osiągnie wyższy wskaźnik szczepień przeciwko wirusowi brodawczaka ludzkiego (HPV) niż klinika bez systemu wiadomości tekstowych.
• Wiejska klinika korzystająca z telemedycyny do wirtualnych konsultacji ze specjalistami wyśle ​​mniej pacjentów na pogotowie, w porównaniu do tej samej kliniki bez telemedycyny.
• Praktyka medyczna z pulpitem poprawy jakości określi luki w świadczeniu opieki zdrowotnej szybciej niż ta sama praktyka bez pulpitów.

Najnowsze informacje o biomedycynie

Czasami informatyka biomedyczna bada złożone problemy, które mogą być trudne do uchwycenia. Dziedzina ta obejmuje szeroki zakres badań, od oceny organizacji po analizy zbiorów danych genomicznych (np. Badania nad rakiem). Może być również wykorzystany do opracowania modeli przewidywania klinicznego, które są wspierane przez elektroniczne karty zdrowia (EHR). Dwóch naukowców z University of Pittsburgh, Gregory Cooper i Shyam Visweswaran, pracuje obecnie nad projektowaniem modeli przewidywania klinicznego z danych wykorzystujących sztuczną inteligencję (AI), uczenie maszynowe (ML) i modelowanie bayesowskie. Ich praca może przyczynić się do opracowania modeli specyficznych dla pacjenta. Modele, które stają się obecnie kluczowe w nowoczesnej medycynie.