Biomedicinsk informatik teorem

En teoretiskt grundad definition av biomedicinsk informatik (BMI) saknades länge. För att föra ett visst fokus på detta vetenskapliga område, föreslog Charles Friedman, Ph.D., den grundläggande stämningen för biomedicinsk informatik. Det står att "en person som arbetar i partnerskap med en informationsresurs är" bättre "än samma person utan hjälp". Friedmans teorem är inte egentligen en formell matematisk teori (som är baserad på avdrag och accepteras som sann), utan snarare en destillation av kärnan i BMI.
Statsen innebär att biomedicinska informatörer är oroade över hur informationsresurser kan (eller inte kan) hjälpa människor. När han hänvisar till en "person" i sin teorem, föreslår Friedman att detta antingen kan vara en individ (patient, kliniker, forskare, administratör), en grupp människor eller till och med en organisation.
Vidare har den föreslagna stolen tre konsekvenser som bidrar till att bättre definiera datateknik:

1. Informatik handlar mer om människor än teknik. Detta innebär att resurser ska byggas till gagn för människor.
2. Informationsresursen måste innehålla något som personen inte redan vet. Detta tyder på att resursen måste vara både korrekt och informativ.
3. Samspelet mellan en person och en resurs bestämmer om teoreminnehållet. Denna konsekvens erkänner att det vi vet om personen ensam eller resursen ensam inte nödvändigtvis kan förutsäga resultatet.

Friedmans bidrag har erkänts som att definiera BMI på ett enkelt och lättförståeligt sätt. Andra författare har dock föreslagit alternativa synpunkter och tillägg till hans ståndpunkt. Till exempel betonade professor Stuart Hunter från Princeton University rollen som den vetenskapliga metoden vid hantering av data. En grupp vetenskapsmän från University of Texas förespråkade också att definitionen av BMI bör innefatta uppfattningen att information i datateknik är "data plus meaning". Andra akademiska institutioner tillhandahöll utarbetade definitioner som erkände BMI: s tvärvetenskapliga karaktär och fokuserade på data, information och kunskap inom ramen för biomedicin.

Uttryck av Friedmans grundläggande princip  

Det är användbart att överväga uttryck av teorem när det gäller de personer eller organisationer som skulle använda informationsresurserna. Huruvida ståndpunkten gäller i ett givet scenario kan testas empiriskt med randomiserade kontrollerade studier och andra studier.
Nedan följer några exempel på hur Friedmans teorem kan tillämpas inom ramen för nuvarande hälsovård utifrån olika användares perspektiv.

Patientanvändare

• En patient som använder en medicinsk påminnelse app kommer att vara mer vidhäftande till hennes medicinering än samma patient som inte använder appen.
• En patient som försöker gå ner i vikt som spårar kost och motion på en smartphone-app kommer att förlora mer vikt än samma patient utan appen.
• En patient som använder en patientportal för att kommunicera med sin läkare kommer att känna sig mer engagerad i sin vård än samma patient utan portalen.
• En patient som använder en patientportal för att visa testresultat kommer att uttrycka högre tillfredsställelse med hennes vård än samma patient utan portalen.
• En patient som deltar i ett onlineforum för reumatoid artrit kommer att klara sig mer effektivt med sin sjukdom än samma patient utan forumet.

Kliniker Användare

• En barnläkare som använder en elektronisk hälsopost (EHR) med vaccinationspåminnelser kommer sannolikt att beställa tidiga vaccinationer än samma läkare utan påminnelserna.
• En nödläkemedelsleverantör med tillgång till en lokal hälsoinformationsutbyte (HIE) kommer att beställa färre duplikatest än samma leverantör utan HIE.

• En sjuksköterska som använder ett trådlöst system för att överföra vitala tecken direkt till EHR kommer att göra färre dokumentationsfel än samma sjuksköterska utan det trådlösa systemet.
• En fallhanterare som använder ett patientregister kommer att identifiera fler patienter med okontrollerad hypertoni än samma fallhanterare utan registret.
• Ett kirurgiskt lag som använder en säkerhetschecklista kommer att ha färre kirurgiska infektioner än samma kirurgiska team utan en checklista. (Observera att checklistan är ett exempel på en informationsresurs som inte behöver datoriseras.)
• En läkare som använder ett kliniskt beslutsstöd (CDS) -verktyg för antibiotikadosering är mer benägna att föreskriva lämplig antibiotikados än samma läkare utan CDS-verktyget.

Hälsovårdsorganisation Användare

• Ett sjukhus med ett datoriserat djupt venös trombos (DVT) riskbedömningsprogram i EHR kommer att ha färre DVT än samma sjukhus utan programmet.
• Ett sjukhus med en mobil datoriserad läkarmottagningsorder (CPOE) -plattform kommer att ha färre telefonorder än samma sjukhus utan mobil CPOE.
• Ett sjukhus som använder en HIE för att skicka utsläppsresuméer till primärvårdspersonal kommer att få färre återkopplingar än samma sjukhus utan HIE.
• Ett vårdhem med hjälp av sensorteknik kommer att ha en lägre grad av patientfall än samma vårdhem utan sensorerna.
• En studenthälsoklinik som skickar SMS-påminnelser kommer att uppnå högre vaccinationshastigheter för human papillomavirus (HPV) än en klinik utan SMS-systemet.
• En lanthälsoklinik som använder telemedicin för virtuella konsultationer med specialister skickar färre patienter till akutrummet, jämfört med samma klinik utan telemedicin.
• En medicinsk praxis med en förbättringsdashboard identifierar luckor i vården av sjukvård snabbare än samma övning utan instrumentbrädan.

Det senaste om biomedicinsk informatik

Ibland studerar biomedicinsk informatik komplexa problem som kan vara svåra att fånga. Detta fält innehåller ett brett spektrum av forskning, allt från utvärderingar av organisationer till genomiska datasetanalyser (t ex cancerforskning). Det kan också användas för att utveckla kliniska prediktionsmodeller, som stöds av elektroniska journaler (EHR). Två forskare från University of Pittsburgh, Gregory Cooper och Shyam Visweswaran arbetar för närvarande med att utforma kliniska prediktionsmodeller från data med hjälp av artificiell intelligens (AI), maskininlärning (ML) och Bayesian modellering. Deras arbete kan bidra till utvecklingen av patientspecifika modeller. Modeller som nu blir viktiga inom modern medicin.