Biyomedikal Bilişim Teoremi

Biyomedikal bilişimin (BMI) teorik olarak temelli bir tanımı uzun süredir eksikti. Bu bilimsel alana biraz odaklanmak için, Charles Friedman, doktora, biyomedikal bilişimin temel teoremini önerdi. “Bilgi kaynağı ile ortaklaşa çalışan bir kişi aynı kişi tarafından yardım edilmediğinden daha iyi” olduğunu belirtiyor. ”Friedman'ın teoremi aslında (matematiksel bir teorem değildir, bu da kesintiye dayalıdır ve doğru olarak kabul edilir), aksine bir damıtmadır. VKİ'nin özünün

Teorem, biyomedikal bilişimcilerin bilgi kaynaklarının insanlara nasıl yardım edebileceği (ya da yapamayacağı) ile ilgili olduğunu ima eder. Teoreminde bir 'kişiyi' kastederken, Friedman bunun bir birey ( hasta , bir klinisyen, bir bilim adamı, bir yönetici ), bir grup insan ya da bir organizasyon olabileceğini öne sürmektedir.

Dahası, önerilen teorem, bilişimi daha iyi tanımlamaya yardımcı olan üç ortaklığa sahiptir:

1. Bilişim, teknolojiden çok insanlarla ilgilidir. Bu, kaynakların insanların yararına inşa edilmesi gerektiğini ima eder.
2. Bilgi kaynağı, kişinin bilmediği bir şeyi içermelidir. Bu, kaynağın hem doğru hem de bilgilendirici olması gerektiğini göstermektedir.
3. Bir kişi ile kaynak arasındaki etkileşim, teoremin tutup tutmadığını belirler. Bu sonuç, tek başına ya da tek başına kaynak hakkında bildiklerimizin sonucu mutlaka tahmin edemeyeceğini kabul eder.

Friedman'ın katkısı, basit ve kolay anlaşılır bir şekilde BMI tanımlamak olarak kabul edilmiştir. Bununla birlikte, diğer yazarlar teoremine alternatif bakış açıları ve eklemeler önermişlerdir. Örneğin Princeton Üniversitesi'nden Profesör Stuart Hunter, veri ile uğraşırken bilimsel yöntemin rolünü vurguladı.

Texas Üniversitesi'nden bir grup bilim insanı da BMI tanımının, bilişimdeki bilginin 'veri artı anlamı' olduğu fikrini içermesi gerektiğini savundu. Diğer akademik kurumlar, BMI'nin multidisipliner doğasını tanıyan ve biyomedikal bağlamında veri, bilgi ve bilgiye odaklanan ayrıntılı tanımlar sağlamıştır.

Friedman'ın Temel Teoreminin İfadeleri

Bilgi kaynaklarını kullanacak kişi veya kuruluşlar açısından teorem ifadelerini dikkate almak yararlıdır. Teorinin belirli bir senaryoda doğru olup olmadığı, randomize kontrollü çalışmalar ve diğer çalışmalarla ampirik olarak test edilebilir.

Aşağıda, Friedman teoreminin mevcut sağlık hizmetleri bağlamında farklı kullanıcı perspektifinden nasıl uygulanabileceğine dair bazı örnekler verilmiştir.

Hasta Kullanıcılar

• Bir ilaç hatırlatma uygulaması kullanan bir hasta, ilaç rejimine, uygulamayı kullanmayan aynı hastaya göre daha yapışır.
• Bir akıllı telefon uygulamasında diyet ve egzersiz yapan kilo vermeyi deneyen bir hasta, uygulama olmadan aynı hastadan daha fazla kilo kaybedecektir.
• Hekimiyle iletişim kurmak için bir hasta portalı kullanan bir hasta, portalı olmadan aynı hastaya daha fazla ilgi gösterecektir.

• Test sonuçlarını görmek için hasta portalı kullanan bir hasta, portalı olmadan aynı hastaya göre daha yüksek bir memnuniyetini ifade edecektir.
• Romatoid artrit için çevrimiçi bir foruma katılan bir hasta, hastalığı olmadan aynı hastaya göre daha etkin bir şekilde başa çıkacaktır.

Klinisyen Kullanıcıları

• Aşı hatırlatıcıları ile bir elektronik sağlık kaydı (EHR) kullanan bir çocuk doktoru hatırlatmalar olmadan aynı hekime göre vaktinden önce aşılama siparişi verme olasılığı daha yüksektir.
• Yerel sağlık bilgi değişimine (HIE) erişimi olan bir acil tıp sağlayıcısı, HIE olmadan aynı sağlayıcıdan daha az tekrarlı test isteyecektir.

• Yaşamsal bulguları doğrudan EHR'ye iletmek için kablosuz bir sistem kullanan bir hemşire, kablosuz sistem olmadan aynı hemşireden daha az dokümantasyon hatası yapar.
• Hasta sicilini kullanan bir vaka yöneticisi, kontrolsüz hipertansiyonlu hastaları kayıt olmadan aynı vaka yöneticisine göre daha fazla tanımlayacaktır.
• Bir güvenlik kontrol listesi kullanan bir cerrahi ekibin, kontrol listesi olmayan aynı cerrahi ekipten daha az cerrahi alan enfeksiyonu olacaktır. ( Kontrol listesinin bilgisayarlaştırılması gerekmeyen bir bilgi kaynağının bir örneği olduğunu unutmayın.)
• Antibiyotik dozlaması için bir klinik karar desteği (CDS) aracını kullanan bir doktorun, CDS aracı olmadan aynı hekime göre uygun antibiyotik dozunu reçete etmesi daha olasıdır.

Sağlık Organizasyonu Kullanıcıları

• EHR'de bilgisayarlı bir derin ven trombozu (DVT) risk değerlendirme programına sahip bir hastane, program olmadan aynı hastaneden daha az DVT'ye sahip olacaktır.
• Mobil bilgisayarlı doktor sipariş girişi (CPOE) platformu olan bir hastanenin, mobil CPOE'siz aynı hastaneden daha az telefon siparişi olacaktır.
• HIE'yi birinci basamak sağlık hizmeti verenlerine deşarj özetleri göndermek için kullanan bir hastane, HİE olmaksızın aynı hastaneden daha az sayıda başvuruya sahip olacaktır.
• Sensör teknolojilerini kullanan bir bakım evi, sensörler olmadan aynı bakımevinden daha düşük hasta düşme oranına sahip olacaktır.
• Metin mesajı hatırlatıcıları gönderen bir öğrenci sağlık kliniği, insan papilloma virüsü (HPV) için, metin mesajlaşma sistemi olmayan bir klinikten daha yüksek aşılama oranlarına ulaşacaktır.
• Teletıp kullanan uzmanlar ile sanal konsültasyon için bir kırsal sağlık kliniği, acil serviste daha az sayıda hastaya teletıpsız aynı kliniğe gönderecektir.
• Kalite iyileştirme panosuna sahip bir tıbbi uygulama, sağlık hizmeti sunumundaki boşlukları, gösterge panosu olmadan aynı uygulamadan daha hızlı bir şekilde tanımlayacaktır.

Biyomedikal Bilişimde Son

Bazen biyomedikal bilişim, yakalanması zor olabilecek karmaşık problemleri inceler. Bu alan, kuruluşların değerlendirmelerinden genomik veri analizlerine (örneğin kanser araştırmaları) kadar geniş bir araştırma yelpazesi içerir. Elektronik sağlık kayıtları (EHR) tarafından desteklenen klinik tahmin modelleri geliştirmek için de kullanılabilir. Pittsburgh Üniversitesi, Gregory Cooper ve Shyam Visweswaran'dan iki bilim adamı, yapay zeka (AI), makine öğrenimi (ML) ve Bayesian modelleme kullanarak verilerden klinik tahmin modelleri tasarlamaya çalışıyor. Çalışmaları, hastaya özgü modellerin gelişimine katkıda bulunabilir. Günümüz tıbbında artık çok önemli hale gelen modeller.

> Kaynaklar:

> Bernstam E, Smith J, Johnson T. Biyomedikal bilişim nedir? J Biomed . 2010; 43: 104-110.

> Friedman CP. Biyomedikal Bilişimin “Temel Teoremi” . J Am Med Inform Doç. Dr. 2009; 16: 169-170.

> Hunter J. Friedman'ın "Biyomedikal Bilişimin Temel Teoremi" ni Geliştiriyor . J Am Med Inform Doç . Dr. 2010; 17 (1): 112.

> Visweswaran S, Cooper G. Örneklere Özgü Belirleyici Modellerin Öğrenilmesi . J Mach Öğrenin Res . 2010; 11: 3333-3369.