Biomedicinális informatikai elmélet

Az orvosbiológiai informatika (BMI) elméletileg megalapozott meghatározása sokáig hiányzott. Ahhoz, hogy ezen a tudományterületre összpontosítsunk, Charles Friedman, Ph.D., a biomedical informatika alapvető elméletét javasolta.Azt állítja, hogy „egy információs erőforrással együttműködő személy„ jobb ”, mint ugyanaz a személy, aki nem támogatott. a BMI lényege.

A tétel azt jelenti, hogy az orvosbiológiai informatikusok arra törekednek, hogy az információforrások hogyan tudják (vagy nem) segíthetnek az embereknek. Amikor elméletében egy „személyre” utal, Friedman azt sugallja, hogy ez lehet egyén (páciens, klinikus, tudós, adminisztrátor), emberek csoportja vagy akár egy szervezet.

Továbbá a javasolt tételnek három következménye van, amelyek segítenek az informatika jobb meghatározásában:

1. Az informatika inkább az emberekről szól, mint a technológiáról. Ez azt jelenti, hogy az erőforrásokat az emberek javára kell felépíteni.
2. Az információforrásnak tartalmaznia kell valamit, amit a személy még nem tud. Ez arra utal, hogy az erőforrásnak helyesnek és informatívnak kell lennie.
3. Az egy személy és egy erőforrás közötti kölcsönhatás határozza meg, hogy a tétel megmarad-e. Ez a következmény felismeri, hogy amit egyedül vagy az erőforrásról tudunk, önmagában nem feltétlenül tudja megjósolni az eredményt.

Friedman hozzájárulását a BMI meghatározása egyszerű és könnyen érthető módon ismerte el. Más szerzők azonban alternatív szempontokat és kiegészítéseket javasoltak a tételéhez. Például Stuart Hunter professzor a Princetoni Egyetemen hangsúlyozta a tudományos módszer szerepét az adatok kezelésében. A Texas Egyetem kutatói egy csoportja azt is javasolta, hogy a BMI meghatározása magában foglalja azt az elképzelést, hogy az informatikai információ „adat plusz jelentés”. Más akadémiai intézmények kidolgozták a BMI multidiszciplináris jellegét, és a biomedicinával kapcsolatos adatokra, információkra és ismeretekre összpontosítottak.

Friedman alapvető elméletének kifejezése

Hasznos megvizsgálni az elmélet kifejezéseit azoknak az embereknek vagy szervezeteknek a szempontjából, amelyek az információforrásokat használnák. Az, hogy a tétel egy adott forgatókönyvben igaz-e, empirikusan tesztelhető randomizált, ellenőrzött vizsgálatokkal és más vizsgálatokkal.

Az alábbiakban néhány példa arra, hogy Friedman tétele hogyan alkalmazható a jelenlegi egészségügyi ellátás összefüggésében a különböző felhasználók szempontjából.

Beteg felhasználók

• A gyógyszeres emlékeztető alkalmazást alkalmazó beteg jobban fog megfelelni a gyógyszeres kezelési rendjének, mint az ugyanazon páciensnek, aki nem használja az alkalmazást.
• Az a beteg, aki fogyni akar, aki az okostelefon alkalmazásánál étrendet és edzést követ, több súlyt veszít, mint az alkalmazás nélkül.
• Az a páciens, aki a páciensportált használja az orvosával való kommunikációhoz, jobban fog részt venni az ő gondozásában, mint ugyanaz a beteg a portál nélkül.
• A páciensportál segítségével a tesztek eredményeinek megtekintéséhez nagyobb elégedettséget fog kifejezni a gondozásával szemben, mint a páciens nélkül.
• Az a beteg, aki részt vesz a rheumatoid arthritis online fórumán, hatékonyabban fog megbirkózni a betegségével, mint az azonos páciens a fórum nélkül.

Klinikus felhasználók

• Az elektronikus egészségügyi nyilvántartást (EHR) használó gyermekorvos vakcinázási emlékeztetővel valószínűleg időszerűbb védőoltásokat fog rendelni, mint az azonos orvos az emlékeztető nélkül.
• A helyi egészségügyi információcserére (HIE) belépő sürgősségi orvosi szolgáltató kevesebb, mint kétszeres tesztet fog rendelni, mint a HIE nélkül.
• A nővér, aki vezeték nélküli rendszert használ a létfontosságú jelek közvetítésére közvetlenül az EHR-be, kevesebb dokumentációs hibát fog eredményezni, mint a vezeték nélküli rendszer nélküli nővér.
• A páciensnyilvántartást használó esettanulmányozó több, kontrollálatlan hipertóniával rendelkező pácienset azonosít, mint a rendszerleíró nélküli azonos esetkezelő.
• A biztonsági ellenőrzőlistát használó sebészeti csapatnak kevesebb sebészeti helyszíni fertőzése lesz, mint egy ugyanazon sebészeti csapatnál, ellenőrző lista nélkül. (Ne feledje, hogy az ellenőrzőlista egy olyan információforrás példája, amelyet nem kell számítógépesíteni.)
• A klinikai döntést támogató (CDS) eszközt használó orvos az antibiotikum adagolására nagyobb valószínűséggel írja elő a megfelelő antibiotikum-adagot, mint az azonos orvos nélkül, a CDS-eszköz nélkül.

Egészségügyi szervezet felhasználói

• A számítógépes mélyvénás trombózis (DVT) kockázatértékelési programmal rendelkező kórházban kevesebb DVT lesz, mint a program nélküli kórház.
• A mobil számítógépes orvosi rendelő belépési (CPOE) platformtal rendelkező kórház kevesebb telefonos rendelést kap, mint a mobil CPOE nélküli kórház.
• Egy kórház, amely a HIE-t használja az elszámolási összefoglalók elsődleges ellátási szolgáltatóknak történő elküldésére, kevesebb visszafogadást kap, mint az azonos kórházban a HIE nélkül.
• Az érzékelőtechnológiát használó ápolási otthonok alacsonyabb arányban lesznek a betegeknél, mint az azonos szülői otthon nélkül az érzékelők nélkül.
• A hallgatói egészségügyi klinika, amely szöveges üzenetek emlékeztetőit küldi el, magasabb vakcinázási arányt fog elérni a humán papillomavírus (HPV) esetében, mint a klinika a szöveges üzenetküldő rendszer nélkül.
• A távorvoslást használó vidéki egészségügyi klinika a szakemberekkel folytatott virtuális konzultációkra kevesebb beteget küld a sürgősségi helyiségbe, ugyanazzal a klinikával, mint a távorvoslás.
• A minőségjavító irányítópult orvosi gyakorlatának köszönhetően a műszerfal nélkül gyorsabban fog azonosítani az egészségügyi ellátás hiányosságait.

A legújabb biomedicinális informatika

Néha az orvosbiológiai informatika olyan összetett problémákat vizsgál, amelyek nehezen rögzíthetők. Ez a mező a kutatás széles spektrumát foglalja magában, a szervezetek értékelésétől a genomikus adathalmaz-elemzésekig (pl. Rákkutatás).Alkalmazható olyan klinikai predikciós modellek kifejlesztésére is, amelyeket elektronikus egészségügyi nyilvántartások (EHR) támogatnak. A Pittsburghi Egyetem két tudósa, Gregory Cooper és Shyam Visweswaran jelenleg a mesterséges intelligencia (AI), a gépi tanulás (ML) és a bayesi modellezés adataiból származó klinikai előrejelzési modellek kialakításán dolgozik. Munkájuk hozzájárulhat a betegspecifikus modellek kialakításához. Azok a modellek, amelyek a modern orvostudományban most döntő fontosságúak.