Teoretski utemeljena definicija biomedicinske informatike (BMI) dugo nedostaje. Da bi usredsredio pažnju na ovo naučno polje, Charles Friedman je predložio temeljnu teoremu biomedicinske informatike. Ona navodi da "osoba koja radi u partnerstvu sa informacijskim resursom je" bolja "od iste osobe koja nije postojala." Friedmanova teorema zapravo nije formalna matematička teorema (koja se zasniva na odbitku i prihvaća se kao istinita), već na destilaciju suštine BMI.
Teorema podrazumijeva da su biomedicinski informatičari briga o tome kako izvori informacija mogu (ili ne mogu) pomoći ljudima. Kada se govori o "osobi" u njegovoj teoremi, Friedman predlaže da to može biti i pojedinac ( pacijent , kliničar, naučnik, administrator ), grupa ljudi ili čak organizacija.
Štaviše, predložena teorema ima tri uticaja koji bolje definišu informatiku:
- Informatika je više o ljudima od tehnologije. To podrazumijeva da se resursi trebaju graditi u korist ljudi.
- Informativni resurs mora uključiti nešto što osoba ne zna. Ovo ukazuje na to da resurs mora biti tačan i informativan.
- Interakcija između osobe i resursa određuje da li teorema drži. Ovaj prijelaz prepoznaje da ono što znamo o samoj osobi ili samom resursu ne može nužno predvidjeti rezultat.
Fridmanov doprinos je prepoznat kao definisanje BMI-a na jednostavan i jednostavan način razumevanja. Međutim, drugi autori su predložili alternativne stavove i dodatke njegovoj teoremi. Na primer, profesor Stuart Hunter sa Univerziteta Princeton naglasio je ulogu naučnog metoda prilikom rada sa podacima .
Grupa naučnika sa Univerziteta u Teksasu takođe zagovara da definicija BMI treba da sadrži pojam da su informacije u informatici "podaci plus značenje". Druge akademske institucije dale su elaborirane definicije koje su prepoznale multidisciplinarnost pri BMI i fokusirale se na podatke, informacije i znanje u kontekstu biomedicine.
Izrazi Friedmanove fundamentalne teoreme
Korisno je uzeti u obzir izraze teorema u smislu ljudi ili organizacija koje bi koristile informativne resurse. Da li teorema važi u datom scenariju, može se empirijski testirati sa randomiziranim kontrolisanim studijama i drugim studijama.
U nastavku su prikazani primeri kako se Friedmanova teorema mogla primijeniti u kontekstu trenutne zdravstvene zaštite iz perspektive različitih korisnika.
Korisnici pacijenta
- Pacijent koji koristi aplikaciju podsjetnika za liječenje će se više pridržavati režima liječenja nego isti pacijent koji ne koristi aplikaciju.
- Pacijent koji pokuša da izgubi težinu koji prati dijetu i vežbanje u aplikaciji za smartphone izgubiće više težine nego isti pacijent bez aplikacije.
- Pacijent koji koristi portal o pacijentu da komunicira sa svojim lekarom, osećaće se više angažovan u njegovoj brigi nego isti pacijent bez portala.
- Pacijent koji koristi portal pacijenta da pregleda rezultate testova izražavaće više zadovoljstvo njenom brigom nego istom pacijentu bez portala.
- Pacijent koji učestvuje na online forumu za reumatoidni artritis , efikasno se nosi sa svojom bolestom od istog pacijenta bez foruma.
Korisnici kliničara
- Pedijatar koji koristi elektronski zdravstveni karton (EHR) sa podsetnicima o vakcinaciji biće verovatnije da naredi pravovremene vakcinacije od istog lekara bez podsjetnika.
- Dobavljač medicinske pomoći koja ima pristup lokalnoj razmjeni zdravstvene informacije (HIE) naručit će manje duplih testova od istog provajdera bez HIE-a.
- Medicinska sestra koja koristi bežični sistem za prenošenje vitalnih znakova direktno u EHR će smanjiti greške u dokumentaciji od iste medicinske sestre bez bežičnog sistema.
- Menadžer slučaja koji koristi registar pacijenata identifikuje više pacijenata sa nekontrolisanom hipertenzijom od istog menadžera slučaja bez registra.
- Hirurški tim koji koristi listu za bezbednost imaće manje hirurških infekcija na mestu od istog hirurškog tima bez kontrolne liste. ( Imajte na umu da je kontrolna lista primjer informacionog resursa koji ne mora biti kompjuterizovan.)
- Lekar koji koristi alat za podršku kliničke odluke (CDS) za doziranje antibiotika verovatnije će propisati odgovarajuću doza antibiotika od istog lekara bez alata CDS-a.
Korisnici organizacije zdravstvene zaštite
- Bolnica sa kompjuterizovanim programom za procenu rizika od dubokih venskih tromboza (DVT) u EHR-u imaće manje DVT-a nego iste bolnice bez programa.
- Bolnica sa mobilnim kompjuterizovanim lekarskim nalogom (CPOE) platformom će imati manje telefonskih nalozaka nego iste bolnice bez mobilnog CPOE-a.
- Bolnica koja koristi HIE da šalje izveštaje o ispuštanju pacijenata kod primarnih zdravstvenih ustanova imaće manje pratećih dozvola od iste bolnice bez HIE-a.
- Dom za njegu koji koristi senzorske tehnologije imaće nižu stopu pacijenta pada nego isti dom za njegu bez senzora.
- Studijska zdravstvena ambulanta koja šalje SMS podsetnike postižeće veće stope vakcinacije za ljudski papiloma virus (HPV) nego klinika bez sistema razmene tekstualnih poruka.
- Ruralna klinika za zdravstvenu zaštitu koja koristi telemedicinu za virtuelne konsultacije sa specijalistima će poslati manje pacijenata u hitnu pomoć, u poređenju sa istom klinikom bez telemedicine.
- Medicinska praksa sa kontrolnim panelom za poboljšanje kvaliteta će identifikovati praznine u pružanju zdravstvene zaštite brže od iste prakse bez kontrolne table.
Poslednji na biomedicinskoj informatici
Ponekad biomedicinska informatika ispituje složene probleme koje može biti teško zarobiti. Ovo polje obuhvata širok spektar istraživanja, od evaluacija organizacija do analize genomskih podataka (npr. Istraživanje raka). Takođe se može koristiti za razvijanje modela kliničke prognoze, koje podržavaju elektronske zdravstvene evidencije (EHR). Dva naučnika sa Univerziteta u Pittsburghu, Gregory Cooper i Shyam Visweswaran, trenutno rade na projektovanju modela kliničkih predviđanja iz podataka pomoću veštačke inteligencije (AI), mašinskog učenja (ML) i Bayezijskog modeliranja. Njihov rad mogao bi doprinijeti razvoju modela specifičnih za pacijente. Modeli koji sada postaju ključni u modernoj medicini.
> Izvori:
> Bernstam E, Smith J, Johnson T. Šta je biomedicinska informatika? J Biomed Inform . 2010; 43: 104-110.
> Friedman CP. "Osnovna teorema" biomedicinske informatike . J Am Med Inform Assoc. 2009; 16: 169-170.
> Hunter J. Jačanje Friedmanove "Fundamentalne teoreme biomedicinske informatike" . J Am Med Inform Assoc . 2010; 17 (1): 112.
> Visweswaran S, Cooper G. Učenje prediktivnih modela specifičnih za slučaj . J Mach Learn Res . 2010; 11: 3333-3369.