Biomedizinische Informatik Theorem

Eine theoretisch fundierte Definition der biomedizinischen Informatik (BMI) fehlte lange. Charles Friedman, Ph.D., schlug den grundlegenden Satz der biomedizinischen Informatik vor. Es besagt, dass "eine Person, die in Partnerschaft mit einer Informationsquelle arbeitet," besser "ist als die gleiche Person ohne Unterstützung." Friedmans Theorem ist nicht wirklich ein formales mathematisches Theorem (das auf Deduktion basiert und als wahr akzeptiert wird), sondern eine Destillation von der Essenz des BMI.

Der Satz besagt, dass biomedizinische Informatiker sich damit befassen, wie Informationsressourcen den Menschen helfen können (oder nicht). Wenn Friedman in seinem Theorem auf eine "Person" Bezug nimmt, legt er nahe, dass dies entweder ein Individuum (ein Patient, ein Kliniker, ein Wissenschaftler, ein Administrator), eine Gruppe von Menschen oder sogar eine Organisation sein könnte.

Darüber hinaus hat das vorgeschlagene Theorem drei Folgerungen, die dazu beitragen, die Informatik besser zu definieren:

1. In der Informatik geht es mehr um Menschen als um Technologie. Dies bedeutet, dass Ressourcen zum Wohle der Menschen gebaut werden sollten.
2. Die Informationsquelle muss etwas enthalten, das die Person noch nicht kennt. Dies legt nahe, dass die Ressource sowohl korrekt als auch informativ sein muss.
3. Die Interaktion zwischen einer Person und einer Ressource bestimmt, ob das Theorem gilt. Diese logische Folge erkennt, dass das, was wir über die Person allein oder die Ressource allein wissen, das Ergebnis nicht unbedingt vorhersagen kann.

Friedmans Beitrag wurde als einfach und verständlich für die Definition des BMI anerkannt. Andere Autoren haben jedoch alternative Standpunkte und Ergänzungen zu seinem Theorem vorgeschlagen. Zum Beispiel betonte Professor Stuart Hunter von der Princeton University die Rolle der wissenschaftlichen Methode im Umgang mit Daten.

Eine Gruppe von Wissenschaftlern der Universität von Texas plädierte auch dafür, dass die Definition von BMI die Vorstellung beinhalten sollte, dass Informationen in der Informatik "Daten plus Bedeutung" sind. Andere akademische Institutionen lieferten ausführliche Definitionen, die den multidisziplinären Charakter des BMI anerkennen und sich auf Daten, Informationen und Wissen im Kontext der Biomedizin konzentrieren.

Ausdrücke des Friedmanschen Fundamentalsatzes

Es ist nützlich, Ausdrücke des Theorems in Bezug auf die Personen oder Organisationen zu betrachten, die die Informationsressourcen verwenden würden. Ob der Satz in einem gegebenen Szenario zutrifft, kann empirisch mit randomisierten kontrollierten Studien und anderen Studien getestet werden.

Im Folgenden finden Sie einige Beispiele, wie das Friedmans Theorem im Kontext der aktuellen Gesundheitsversorgung aus der Sicht verschiedener Nutzer angewendet werden könnte.

Patientenbenutzer

• Ein Patient, der eine Medikamentenerinnerungs-App verwendet, ist stärker an seine Medikation gebunden als derselbe Patient, der die App nicht verwendet.
• Ein Patient, der versucht, Gewicht zu verlieren, wer Ernährung und Bewegung auf einer Smartphone-App verfolgt, verliert mehr Gewicht als derselbe Patient ohne die App.
• Ein Patient, der ein Patientenportal verwendet, um mit seinem Arzt zu kommunizieren, wird sich in seiner Pflege stärker engagieren als derselbe Patient ohne das Portal.

• Ein Patient, der ein Patientenportal zum Anzeigen der Testergebnisse verwendet, wird eine höhere Zufriedenheit mit seiner Behandlung erfahren als derselbe Patient ohne das Portal.
• Eine Patientin, die an einem Online-Forum für rheumatoide Arthritis teilnimmt, wird besser mit ihrer Krankheit zurechtkommen als derselbe Patient ohne das Forum.

Kliniker-Benutzer

• Ein Kinderarzt, der eine elektronische Gesundheitsakte (EHR) mit Impfserinnerungen verwendet, wird mit höherer Wahrscheinlichkeit rechtzeitige Impfungen bestellen als derselbe Arzt ohne die Mahnungen.
• Ein Notfallmediziner mit Zugang zu einer lokalen Gesundheitsinformationsstelle (HIE) wird weniger Doppeluntersuchungen anordnen als derselbe Anbieter ohne HIE.

• Eine Krankenschwester, die ein drahtloses System verwendet, um Lebenszeichen direkt in das EHR zu übertragen, wird weniger Dokumentationsfehler als dieselbe Krankenschwester ohne das drahtlose System machen.
• Ein Fallmanager, der ein Patientenregister verwendet, wird mehr Patienten mit unkontrolliertem Bluthochdruck identifizieren als derselbe Fallmanager ohne das Register.
• Ein chirurgisches Team, das eine Sicherheitscheckliste verwendet, hat weniger Infektionen am Operationsort als das gleiche Operationsteam ohne Checkliste. (Beachten Sie, dass die Checkliste ein Beispiel für eine Informationsressource ist, die nicht computerisiert werden muss.)
• Ein Arzt, der ein CDS-Tool (Clinical Decision Support) für die Antibiotikatherapie verwendet, verschreibt eher die entsprechende Antibiotikadosis als derselbe Arzt ohne das CDS-Tool.

Benutzer der Gesundheitsfürsorge-Organisation

• Ein Krankenhaus mit einem computergestützten Risikoanalyseprogramm für tiefe Venenthrombosen (DVT) im EHR wird weniger DVTs haben als das gleiche Krankenhaus ohne das Programm.
• Ein Krankenhaus mit einer CPOE-Plattform (Mobile Computerized Article Order Entry) wird weniger telefonische Bestellungen haben als das gleiche Krankenhaus ohne mobile CPOE.
• Ein Krankenhaus, das ein HIE verwendet, um Entlassungszusammenfassungen an Erstversorgungsanbieter zu senden, hat weniger Rückmeldungen als das gleiche Krankenhaus ohne HIE.
• Ein Pflegeheim mit Sensortechnologien hat eine geringere Sturzrate als das gleiche Pflegeheim ohne die Sensoren.
• Eine Kurklinik, die SMS-Erinnerungen sendet, wird höhere Impfraten für das humane Papillomavirus (HPV) erreichen als eine Klinik ohne SMS-System.
• Eine ländliche Gesundheitsklinik, die Telemedizin für virtuelle Konsultationen mit Spezialisten verwendet, wird im Vergleich zur gleichen Klinik ohne Telemedizin weniger Patienten in die Notaufnahme schicken.
• Eine medizinische Praxis mit einem Qualitätsverbesserungs-Dashboard wird Lücken in der Gesundheitsversorgung schneller erkennen als die gleiche Praxis ohne das Dashboard.

Das Neueste über biomedizinische Informatik

Manchmal befasst sich die biomedizinische Informatik mit komplexen Problemen, die schwierig zu erfassen sind. Dieses Feld umfasst ein breites Spektrum an Forschung, die von Bewertungen von Organisationen bis hin zu genomischen Datenanalysen (z. B. Krebsforschung) reicht. Es kann auch verwendet werden, um klinische Vorhersagemodelle zu entwickeln, die durch elektronische Gesundheitsakten (Electronic Health Records – EHR) unterstützt werden. Zwei Wissenschaftler der Universität von Pittsburgh, Gregory Cooper und Shyam Visweswaran, arbeiten derzeit an der Entwicklung klinischer Vorhersagemodelle aus Daten mithilfe von künstlicher Intelligenz (AI), maschinellem Lernen (ML) und Bayes-Modellierung. Ihre Arbeit könnte zur Entwicklung patientenspezifischer Modelle beitragen. Modelle, die heute in der modernen Medizin von entscheidender Bedeutung sind.