Hjemmeside » Helsepersonell » Biomedical Informatics Theorem

    Biomedical Informatics Theorem

    En teoretisk begrunnet definisjon av biomedisinsk informatikk (BMI) manglet i lang tid. For å bringe noe fokus på dette vitenskapelige feltet, foreslo Charles Friedman, Ph.D., grunnleggende teorem for biomedisinsk informatikk. Det står at "en person som arbeider i partnerskap med en informasjonsressurs, er" bedre "enn den samme personen som ikke er assistert." Friedmans teorem er egentlig ikke et formelt matematisk teorem (som er basert på fradrag og aksepteres som sant), men snarere en destillasjon av essensen av BMI.
    Teormen innebærer at biomedisinske informatører er opptatt av hvordan informasjonsressurser kan (eller ikke kan) hjelpe mennesker. Når han henviser til en "person" i sin teorem, foreslår Friedman at dette enten kan være et individ (en pasient, en kliniker, en forsker, en administrator), en gruppe mennesker eller til og med en organisasjon.
    Videre har den foreslåtte setningen tre sammenhenger som bidrar til å definere informatikk bedre:
    1. Informatikk handler mer om mennesker enn teknologi. Dette innebærer at ressurser skal bygges til fordel for mennesker.
    2. Informasjonsressursen må inneholde noe personen ikke allerede vet. Dette antyder at ressursen må være både korrekt og informativ.
    3. Samspillet mellom en person og en ressurs avgjør om teorien holder. Denne konsekvensen innser at det vi vet om personen alene eller ressursen alene, ikke nødvendigvis kan forutsi resultatet.
    Friedmans bidrag har blitt anerkjent som å definere BMI på en enkel og lettforståelig måte. Andre forfattere har imidlertid foreslått alternative synspunkter og tillegg til hans teorem. For eksempel understreket professor Stuart Hunter fra Princeton University rollen som den vitenskapelige metoden når det handler om data. En gruppe forskere fra University of Texas foreslo også at definisjonen av BMI skal inneholde begrepet at informasjon i informatikk er "data pluss mening". Andre akademiske institusjoner ga utarbeidet definisjoner som anerkjente BMIs tverrfaglige karakter og fokuserte på data, informasjon og kunnskap i sammenheng med biomedisin.

    Uttrykk for Friedmans grunnleggende setning  

    Det er nyttig å vurdere uttrykk for teoremet når det gjelder folk eller organisasjoner som vil bruke informasjonsressursene. Hvorvidt teorien gjelder i et gitt scenario, kan empirisk testes med randomiserte kontrollerte studier og andre studier.
    Nedenfor er noen eksempler på hvordan Friedmans teorem kunne brukes i sammenheng med dagens helsevesen fra ulike brukeres perspektiv.

    Pasientbrukere

    • En pasient som bruker en medisinsk påminnelsesapp, vil være mer tilhenger av medisinering enn den samme pasienten som ikke bruker appen.
    • En pasient som prøver å gå ned i vekt som sporer kosthold og mosjon på en smarttelefonapp, vil miste mer vekt enn den samme pasienten uten appen.
    • En pasient som bruker en pasientportal til å kommunisere med sin lege, vil føle seg mer engasjert i sin omsorg enn den samme pasienten uten portalen.
    • En pasient som bruker en pasientportal for å vise testresultater, vil uttrykke høyere tilfredshet med hennes omsorg enn den samme pasienten uten portalen.
    • En pasient som deltar i et online forum for revmatoid artritt vil takle mer effektivt med sin sykdom enn den samme pasienten uten forumet..

    Klinikbrukere

    • En barnelege som bruker en elektronisk helsepost (EHR) med vaksinasjonspåminnelser, vil være mer sannsynlig å bestille rettidige vaksinasjoner enn den samme legen uten påminnelsene..
    • En nødmedisinleverandør med tilgang til en lokal helseinformasjonsutveksling (HIE) vil bestille færre duplikatester enn den samme leverandøren uten HIE.
    • En sykepleier som bruker et trådløst system for å overføre vitale tegn direkte til EHR, vil gjøre færre dokumentasjonsfeil enn den samme sykepleieren uten det trådløse systemet.
    • En saksbehandling ved bruk av et pasientregister vil identifisere flere pasienter med ukontrollert hypertensjon enn den samme saksbehandleren uten registeret.
    • Et kirurgisk team som bruker en sikkerhets sjekkliste vil ha færre kirurgiske infeksjoner enn det samme kirurgiske laget uten sjekkliste. (Merk at sjekklisten er et eksempel på en informasjonsressurs som ikke trenger å bli datastyrt.)
    • En lege som bruker et klinisk beslutningsstøtte (CDS) verktøy for antibiotisk dosering, er mer sannsynlig å foreskrive den passende antibiotikadosen enn den samme legen uten CDS-verktøyet.

    Helseorganisasjon Brukere

    • Et sykehus med et datastyrt dyp venøs trombose (DVT) risikovurderingsprogram i EHR vil ha færre DVT enn det samme sykehuset uten programmet.
    • Et sykehus med en mobil datastyrt ordreinngang (CPOE) -plattform vil ha færre telefonbestillinger enn det samme sykehuset uten mobil CPOE.
    • Et sykehus som bruker en HIE til å sende utslippsoppsummeringer til primærhelsetjenesteleverandører, vil ha færre tilbakemelding enn det samme sykehuset uten HIE.
    • Et pleiehjem med sensorteknologi vil ha lavere pasientfall enn det samme pleiehjem uten sensorer.
    • En studenthelseklinikk som sender påminnelser om tekstmeldinger, vil oppnå høyere vaksineringshastigheter for human papillomavirus (HPV) enn en klinikk uten tekstmeldingssystemet.
    • En landlig helseklinikk som bruker telemedisin til virtuell konsultasjon med spesialister, vil sende færre pasienter til beredskapsrommet, sammenlignet med samme klinikk uten telemedisin.
    • En medisinsk praksis med et kvalitetsredigeringspanel vil identifisere hull i helsevesenet raskere enn den samme øvelsen uten dashbordet.

      Den nyeste på biomedisinsk informatikk

      Noen ganger studerer biomedisinsk informatikk komplekse problemer som kan være vanskelig å fange. Dette feltet inkluderer et bredt spekter av forskning, alt fra evalueringer av organisasjoner til genomiske datasettanalyser (for eksempel kreftforskning). Det kan også brukes til å utvikle kliniske prediksjonsmodeller, som støttes av elektroniske helseposter (EHR). To forskere fra University of Pittsburgh, Gregory Cooper og Shyam Visweswaran jobber for tiden med å utforme kliniske prediksjonsmodeller fra data ved hjelp av kunstig intelligens (AI), maskinlæring (ML) og Bayesian modellering. Deres arbeid kan bidra til utvikling av pasientspesifikke modeller. Modeller som nå blir avgjørende for moderne medisin.