Θεωρία Βιοϊατρικής Πληροφορικής

Ένας θεωρητικά τεκμηριωμένος ορισμός της βιοϊατρικής πληροφορικής (BMI) λείπει για μεγάλο χρονικό διάστημα. Για να επικεντρωθεί σε αυτό το επιστημονικό πεδίο, ο Charles Friedman, Ph.D., πρότεινε το θεμελιώδες θεώρημα της βιοϊατρικής πληροφορικής. Δηλώνει ότι "ένα άτομο που εργάζεται σε συνεργασία με έναν πόρο πληροφόρησης είναι« καλύτερο »από το ίδιο άτομο που δεν έχει ενισχυθεί.» Το θεώρημα Friedman δεν είναι στην πραγματικότητα ένα επίσημο μαθηματικό θεώρημα (το οποίο βασίζεται στην αφαίρεση και είναι αποδεκτό ως αληθινό), αλλά μια απόσταξη της ουσίας του BMI.

Το θεώρημα υποδηλώνει ότι οι βιοϊατρικοί πληροφορικοί ασχολούνται με τον τρόπο με τον οποίο οι πόροι πληροφόρησης μπορούν (ή δεν μπορούν) να βοηθήσουν τους ανθρώπους. Όταν αναφέρεται σε ένα «πρόσωπο» στο θεώρημά του, ο Friedman προτείνει ότι αυτό θα μπορούσε να είναι είτε ένα άτομο (ένας ασθενής , ένας κλινικός, ένας επιστήμονας, ένας διαχειριστής ), μια ομάδα ανθρώπων ή ακόμη και ένας οργανισμός.

Επιπλέον, το προτεινόμενο θεώρημα έχει τρεις συνέπειες που βοηθούν καλύτερα στον καθορισμό της πληροφορικής:

1. Η πληροφορική είναι περισσότερο για τους ανθρώπους παρά για την τεχνολογία. Αυτό σημαίνει ότι οι πόροι πρέπει να κατασκευαστούν προς όφελος των ανθρώπων.
2. Ο πόρος πληροφοριών πρέπει να περιλαμβάνει κάτι που το άτομο δεν γνωρίζει ήδη. Αυτό υποδηλώνει ότι ο πόρος πρέπει να είναι σωστός και ενημερωτικός.
3. Η αλληλεπίδραση μεταξύ ενός ατόμου και ενός πόρου καθορίζει εάν το θεώρημα κρατά. Αυτό το συμπέρασμα αναγνωρίζει ότι αυτό που γνωρίζουμε για το άτομο μόνο ή για τον πόρο μόνο δεν μπορεί απαραίτητα να προβλέψει το αποτέλεσμα.

Η συμβολή του Friedman έχει αναγνωριστεί ως καθοριστική BMI με έναν απλό και κατανοητό τρόπο. Ωστόσο, άλλοι συντάκτες έχουν προτείνει εναλλακτικές απόψεις και προσθήκες στο θεώρημά του. Για παράδειγμα, ο καθηγητής Stuart Hunter του πανεπιστημίου του Princeton τόνισε το ρόλο της επιστημονικής μεθόδου όταν ασχολείται με τα δεδομένα .

Μια ομάδα επιστημόνων από το Πανεπιστήμιο του Τέξας υποστήριξε επίσης ότι ο ορισμός του ΔΜΣ πρέπει να περιλαμβάνει την έννοια ότι οι πληροφορίες στην πληροφορική είναι «δεδομένα συν το νόημα». Άλλα ακαδημαϊκά ιδρύματα παρείχαν περίπλοκους ορισμούς που αναγνώρισαν τον πολυεπιστημονικό χαρακτήρα του ΔΜΣ και εστίασαν σε δεδομένα, πληροφορίες και γνώσεις στο πλαίσιο της βιοϊατρικής.

Εκφράσεις του θεμελιώδους θεμελίου του Friedman

Είναι χρήσιμο να εξετάσουμε τις εκφράσεις του θεωρήματος όσον αφορά τους ανθρώπους ή τους οργανισμούς που θα χρησιμοποιούσαν τους πόρους πληροφόρησης. Το εάν το θεωρήμα ισχύει σε ένα δεδομένο σενάριο μπορεί να δοκιμαστεί εμπειρικά με τυχαιοποιημένες ελεγχόμενες δοκιμές και άλλες μελέτες.

Παρακάτω παρατίθενται ορισμένα παραδείγματα για το πώς το Θεώρημα του Friedman θα μπορούσε να εφαρμοστεί στο πλαίσιο της τρέχουσας περίθαλψης από την πλευρά των διαφορετικών χρηστών.

Χρήστες ασθενών

• Ένας ασθενής που χρησιμοποιεί μια εφαρμογή υπενθύμισης φαρμάκων θα είναι πιο προσκολλημένη στη θεραπευτική αγωγή του από τον ίδιο ασθενή που δεν χρησιμοποιεί την εφαρμογή.
• Ένας ασθενής που προσπαθεί να χάσει βάρος που παρακολουθεί δίαιτα και άσκηση σε μια εφαρμογή smartphone θα χάσει περισσότερο βάρος από τον ίδιο ασθενή χωρίς την εφαρμογή.
• Ένας ασθενής που χρησιμοποιεί μια πύλη ασθενούς για να επικοινωνήσει με τον γιατρό του θα νιώθει περισσότερο αφοσιωμένος στη φροντίδα του από τον ίδιο ασθενή χωρίς την πύλη.

• Ένας ασθενής που χρησιμοποιεί μια πύλη ασθενούς για να δει τα αποτελέσματα των εξετάσεων θα εκφράσει μεγαλύτερη ικανοποίηση με τη φροντίδα της από τον ίδιο ασθενή χωρίς την πύλη.
• Ένας ασθενής που συμμετέχει σε ένα online φόρουμ για τη ρευματοειδή αρθρίτιδα θα αντιμετωπίσει πιο αποτελεσματικά την ασθένειά του από ό, τι ο ίδιος ασθενής χωρίς το φόρουμ.

Χρήστες κλινικών

• Ένας παιδίατρος που χρησιμοποιεί ηλεκτρονικό μητρώο υγείας (EHR) με υπενθυμίσεις εμβολιασμού θα είναι πιο πιθανό να παραγγείλει έγκαιρους εμβολιασμούς από τον ίδιο ιατρό χωρίς τις υπενθυμίσεις.
• Ένας πάροχος έκτακτης ιατρικής με πρόσβαση σε μια τοπική ανταλλαγή πληροφοριών για την υγεία (HIE) θα παραγγείλει λιγότερες διπλές εξετάσεις από τον ίδιο πάροχο χωρίς το HIE.

• Μια νοσοκόμα που χρησιμοποιεί ασύρματο σύστημα για τη μετάδοση ζωτικών σημείων απευθείας στο ΕΣΚ θα κάνει λιγότερα λάθη τεκμηρίωσης από ό, τι ο ίδιος νοσηλευτής χωρίς το ασύρματο σύστημα.
• Ένας διαχειριστής περιπτώσεων που χρησιμοποιεί ένα μητρώο ασθενών θα εντοπίσει περισσότερους ασθενείς με ανεξέλεγκτη υπέρταση από τον ίδιο διαχειριστή περιπτώσεων χωρίς το μητρώο.
• Μια χειρουργική ομάδα που χρησιμοποιεί μια λίστα ελέγχου ασφαλείας θα έχει λιγότερες μολύνσεις από τη χειρουργική περιοχή από ό, τι η ίδια χειρουργική ομάδα χωρίς μια λίστα ελέγχου. ( Σημειώστε ότι η λίστα ελέγχου είναι ένα παράδειγμα ενός πόρου πληροφοριών που δεν χρειάζεται να είναι μηχανογραφημένη).
• Ένας ιατρός που χρησιμοποιεί ένα εργαλείο υποστήριξης κλινικών αποφάσεων (CDS) για τη χορήγηση αντιβιοτικών είναι πιθανότερο να συνταγογραφήσει την κατάλληλη δόση αντιβιοτικού από τον ίδιο γιατρό χωρίς το εργαλείο CDS.

Χρήστες του Οργανισμού Υγείας

• Ένα νοσοκομείο με πρόγραμμα αξιολόγησης κινδύνου σε βαθιά φλεβική θρόμβωση (DVT) στο ΗΜΥ θα έχει λιγότερες βρογχίτιδες από το ίδιο νοσοκομείο χωρίς το πρόγραμμα.
• Ένα νοσοκομείο με πλατφόρμα ηλεκτρονικής εισόδου κινητού τηλεφώνου (CPOE) κινητής τηλεφωνίας θα έχει λιγότερες τηλεφωνικές παραγγελίες από το ίδιο νοσοκομείο χωρίς κινητό CPOE.
• Ένα νοσοκομείο που χρησιμοποιεί HIE για την αποστολή περιλήψεων απαλλαγής σε φορείς παροχής πρωτοβάθμιας περίθαλψης θα έχει λιγότερες επανεισδοχές από το ίδιο νοσοκομείο χωρίς το HIE.
• Ένα νοσηλευτικό ίδρυμα που χρησιμοποιεί τεχνολογίες αισθητήρων θα έχει χαμηλότερο ποσοστό πτώσεων ασθενών από ό, τι το ίδιο νοσηλευτικό ίδρυμα χωρίς τους αισθητήρες.
• Μια κλινική υγείας των σπουδαστών που αποστέλλει υπενθυμίσεις μηνυμάτων κειμένου θα επιτύχει υψηλότερα ποσοστά εμβολιασμού για ιό ανθρώπινου θηλώματος (HPV) από ότι μια κλινική χωρίς το σύστημα μηνυμάτων κειμένου.
• Μια κλινική αγροτικής υγείας που χρησιμοποιεί την τηλεϊατρική για εικονικές διαβουλεύσεις με ειδικούς θα στείλει λιγότερους ασθενείς στην αίθουσα έκτακτης ανάγκης, σε σύγκριση με την ίδια κλινική χωρίς τηλεϊατρική.
• Μια ιατρική πρακτική με ένα ταμπλό βελτίωσης της ποιότητας θα εντοπίσει τα κενά στην παροχή υγειονομικής περίθαλψης ταχύτερα από την ίδια πρακτική χωρίς το ταμπλό.

Το τελευταίο στη Βιοϊατρική Πληροφορική

Μερικές φορές, η βιοϊατρική πληροφορική μελετά περίπλοκα προβλήματα που μπορεί να είναι δύσκολο να συλληφθούν. Ο τομέας αυτός περιλαμβάνει ένα ευρύ φάσμα ερευνών, που κυμαίνονται από τις αξιολογήσεις οργανισμών έως τις αναλύσεις γονιδιωματικών δεδομένων (π.χ. έρευνα για τον καρκίνο). Μπορεί επίσης να χρησιμοποιηθεί για την ανάπτυξη κλινικών προγνωστικών μοντέλων, τα οποία υποστηρίζονται από τα ηλεκτρονικά αρχεία υγείας (EHR). Δύο μελετητές από το Πανεπιστήμιο του Pittsburgh, Gregory Cooper και Shyam Visweswaran, εργάζονται επί του παρόντος στο σχεδιασμό μοντέλων κλινικής πρόγνωσης από δεδομένα που χρησιμοποιούν τεχνητή νοημοσύνη (AI), μηχανική μάθηση (ML) και Bayesian μοντελοποίηση. Το έργο τους θα μπορούσε να συμβάλει στην ανάπτυξη μοντέλων ειδικά για τον ασθενή. Μοντέλα τα οποία τώρα γίνονται κρίσιμα στη σύγχρονη ιατρική.

> Πηγές:

> Bernstam Ε, Smith J, Johnson Τ. Τι είναι η βιοϊατρική πληροφορική ;. J Biomed Inform . 2010, 43: 104-110.

> Friedman CP. Ένα "Θεμελιώδες Θεώρημα" της Βιοϊατρικής Πληροφορικής . J Am Med Ενημέρωση Assoc. 2009, 16: 169-170.

> Hunter J. Ενίσχυση του "Βασικού Θεωρήματος της Βιοϊατρικής Πληροφορικής" του Friedman . J Am Med Ενημέρωση Assoc . 2010 · 17 (1): 112.

> Visweswaran S, Cooper G. Εκμάθηση συγκεκριμένων προγνωστικών μοντέλων . J Mach Μάθετε Res . 2010, 11: 3333-3369.