Definisi biometrik biologi (BMI) yang berasas secara teoritis kurang lama. Untuk memberi tumpuan kepada bidang saintifik ini, Charles Friedman, Ph.D., mencadangkan teorem asas informatik bioperubatan. Ia menyatakan bahawa "orang yang bekerja dalam perkongsian dengan sumber maklumat adalah 'lebih baik' daripada orang yang sama tanpa bantuan." Teorem Friedman bukanlah sebenarnya teorem matematik formal (yang berdasarkan potongan dan diterima sebagai benar), tetapi sebaliknya intipati BMI.
Teorema ini membayangkan bahawa informatik biomedikal berkenaan dengan bagaimana sumber maklumat dapat (atau tidak boleh) membantu orang. Apabila merujuk kepada 'orang' dalam teoremnya, Friedman menyarankan bahawa ini boleh menjadi individu ( pesakit , doktor, ahli sains, pentadbir ), sekumpulan orang atau bahkan organisasi.
Selain itu, teorem yang dicadangkan mempunyai tiga corollaries yang membantu menentukan maklumat informatika dengan lebih baik:
- Informatika lebih mengenai orang daripada teknologi. Ini menunjukkan bahawa sumber harus dibina untuk faedah orang.
- Sumber maklumat mesti termasuk sesuatu yang orang tidak tahu. Ini menunjukkan bahawa sumber itu perlu menjadi betul dan bermaklumat.
- Interaksi antara seseorang dan sumber menentukan jika teorem memegang. Corollary ini mengakui bahawa apa yang kita tahu tentang orang itu sendiri atau sumbernya semata-mata tidak semestinya meramalkan hasilnya.
Sumbangan Friedman telah diiktiraf sebagai mendefinisikan BMI dengan cara yang mudah dan mudah difahami. Walau bagaimanapun, penulis lain telah mencadangkan pandangan dan penambahan alternatif kepada teoremnya. Sebagai contoh, Profesor Stuart Hunter dari Princeton University menekankan peranan kaedah saintifik ketika berurusan dengan data .
Sekumpulan saintis dari University of Texas juga menganjurkan bahawa definisi BMI harus memasukkan tanggapan bahawa maklumat dalam informatika adalah 'data ditambah makna'. Institusi akademik lain memberikan definisi rumit yang mengakui sifat multidisiplinasi BMI dan memberi tumpuan kepada data, maklumat, dan pengetahuan dalam konteks biomedine.
Ungkapan Teorem Fundamental Friedman
Ia berguna untuk mempertimbangkan ungkapan teorem dari segi orang atau organisasi yang akan menggunakan sumber maklumat. Sama ada teorem yang berlaku dalam senario yang diberikan boleh diuji secara empirik dengan ujian terkawal rawak dan kajian lain.
Berikut adalah beberapa contoh bagaimana teorem Friedman boleh digunakan dalam konteks penjagaan kesihatan semasa dari perspektif pengguna yang berbeza.
Pengguna Pesakit
- Pesakit menggunakan aplikasi peringatan ubat akan lebih berpegang kepada rejimen ubatnya daripada pesakit yang sama tidak menggunakan aplikasinya.
- Pesakit yang cuba menurunkan berat badan yang menjejaki diet dan senaman pada aplikasi telefon pintar akan kehilangan lebih banyak berat daripada pesakit yang sama tanpa aplikasinya.
- Seorang pesakit yang menggunakan portal pesakit untuk berkomunikasi dengan doktornya akan berasa lebih terlibat dalam rawatannya daripada pesakit yang sama tanpa portal.
- Pesakit yang menggunakan portal pesakit untuk melihat keputusan ujian akan menyatakan kepuasan yang lebih tinggi dengan penjagaannya daripada pesakit yang sama tanpa portal.
- Pesakit yang menyertai forum dalam talian untuk arthritis rheumatoid akan mengatasi penyakitnya dengan lebih berkesan daripada pesakit yang sama tanpa forum.
Pengguna Klinik
- Seorang pakar pediatrik menggunakan rekod kesihatan elektronik (EHR) dengan peringatan vaksin akan lebih cenderung untuk memerintahkan vaksinasi tepat pada masanya daripada doktor yang sama tanpa peringatan.
- Pembekal ubat kecemasan dengan akses kepada pertukaran maklumat kesihatan tempatan (HIE) akan menempah ujian pendua yang kurang daripada pembekal yang sama tanpa HIE.
- Seorang jururawat yang menggunakan sistem wayarles untuk menghantar tanda-tanda vital terus ke EHR akan membuat kesilapan dokumentasi yang lebih sedikit daripada jururawat yang sama tanpa sistem tanpa wayar.
- Seorang pengurus kes menggunakan pendaftar pesakit akan mengenal pasti lebih banyak pesakit dengan hipertensi yang tidak terkawal daripada pengurus kes yang sama tanpa pendaftaran.
- Pasukan pembedahan yang menggunakan senarai semak keselamatan akan mempunyai jangkitan tapak pembedahan yang lebih sedikit berbanding pasukan pembedaan yang sama tanpa senarai semak. ( Perhatikan bahawa senarai semak adalah contoh sumber maklumat yang tidak perlu dikomputerkan.)
- Seorang doktor menggunakan alat sokongan keputusan klinikal (CDS) untuk dos antibiotik lebih cenderung untuk menetapkan dos antibiotik yang sesuai daripada doktor yang sama tanpa alat CDS.
Pengguna Organisasi Penjagaan Kesihatan
- Sebuah hospital yang mempunyai program penilaian risiko trombosis vena tisu (DVT) dalam EHR akan mempunyai kurang DVT berbanding hospital yang sama tanpa program tersebut.
- Sebuah hospital dengan kemasukan kemasukan pesanan perubatan komputer berkomputer (CPOE) akan mempunyai pesanan telefon yang lebih sedikit daripada hospital yang sama tanpa CPOE mudah alih.
- Sebuah hospital yang menggunakan HIE untuk menghantar ringkasan pelepasan kepada pembekal penjagaan primer akan mempunyai pembacaan yang lebih sedikit daripada hospital yang sama tanpa HIE.
- Rumah penjagaan yang menggunakan teknologi sensor akan mempunyai kadar penurunan pesakit yang lebih rendah daripada rumah penjagaan yang sama tanpa sensor.
- Klinik kesihatan pelajar yang menghantar peringatan mesej teks akan mencapai kadar vaksin yang lebih tinggi untuk papillomavirus manusia (HPV) daripada klinik tanpa sistem pesanan teks.
- Klinik kesihatan luar bandar yang menggunakan telemedicine untuk perundingan maya dengan pakar akan menghantar lebih sedikit pesakit ke bilik kecemasan, berbanding klinik yang sama tanpa telemedicine.
- Amalan perubatan dengan pemilihan papan pemuka yang berkualiti akan mengenal pasti jurang dalam peruntukan penjagaan kesihatan dengan lebih cepat daripada amalan yang sama tanpa papan pemuka.
Terkini mengenai Informatik Biomedikal
Kadang-kadang informatika biomedikal mengkaji masalah kompleks yang sukar untuk ditangkap. Bidang ini merangkumi spektrum penyelidikan yang luas, dari penilaian organisasi ke analisis data genomik (misalnya penyelidikan kanser). Ia juga boleh digunakan untuk membangunkan model ramalan klinikal, yang disokong oleh rekod kesihatan elektronik (EHR). Dua sarjana dari University of Pittsburgh, Gregory Cooper dan Shyam Visweswaran, kini sedang membuat reka bentuk model ramalan klinikal dari data menggunakan kecerdasan buatan (AI), pembelajaran mesin (ML) dan pemodelan Bayesian. Kerja mereka boleh menyumbang kepada pembangunan model khusus pesakit. Model yang kini menjadi penting dalam perubatan moden.
> Sumber:
> Bernstam E, Smith J, Johnson T. Apakah maklumat informatik biomedikal ?. J Biomed memberitahu . 2010; 43: 104-110.
> Friedman CP. "Teorema asas" Informatik Biomedikal . J Am Med Inform Assoc. 2009; 16: 169-170.
> Hunter J. Meningkatkan "Teorema asas Informatik Biomedikal" Friedman . J Am Med Inform Assoc . 2010; 17 (1): 112.
> Visweswaran S, Cooper G. Model Predictive Learning Instance-Specific . J Mach Learn Res . 2010; 11: 3333-3369.