Teorema dell'informatica biomedica

Una definizione teoricamente fondata di informatica biomedica (BMI) mancava da molto tempo. Per focalizzare l'attenzione su questo campo scientifico, Charles Friedman, Ph.D., propose il teorema fondamentale dell'informatica biomedica. Afferma che "una persona che lavora in partnership con una risorsa informativa è" migliore "di quella stessa persona non assistita." Il teorema di Friedman non è in realtà un teorema matematico formale (basato sulla deduzione e accettato come vero), ma piuttosto una distillazione dell'essenza di BMI.
Il teorema implica che gli informatici biomedici sono interessati a come le risorse informative possono (o non possono) aiutare le persone. Quando si riferisce a una "persona" nel suo teorema, Friedman suggerisce che questo potrebbe essere un individuo (un paziente, un clinico, uno scienziato, un amministratore), un gruppo di persone o persino un'organizzazione.
Inoltre, il teorema proposto ha tre corollari che aiutano a definire meglio l'informatica:

1. L'informatica è più sulle persone che sulla tecnologia. Ciò implica che le risorse dovrebbero essere costruite a beneficio delle persone.
2. La risorsa di informazione deve includere qualcosa che la persona non conosce già. Questo suggerisce che la risorsa deve essere sia corretta che informativa.
3. L'interazione tra una persona e una risorsa determina se il teorema è valido. Questo corollario riconosce che ciò che sappiamo sulla sola persona o sulla sola risorsa non può necessariamente prevedere il risultato.

Il contributo di Friedman è stato riconosciuto come la definizione di BMI in un modo semplice e facile da capire. Tuttavia, altri autori hanno suggerito punti di vista alternativi e aggiunte al suo teorema. Ad esempio, il professor Stuart Hunter della Princeton University ha sottolineato il ruolo del metodo scientifico nel trattare i dati. Un gruppo di scienziati dell'Università del Texas sosteneva anche che la definizione di BMI dovrebbe includere la nozione che le informazioni in informatica sono "dati più significato". Altre istituzioni accademiche hanno fornito definizioni elaborate che hanno riconosciuto la natura multidisciplinare del BMI e si sono concentrate su dati, informazioni e conoscenze nel contesto della biomedicina.

Espressioni di Friedman & # x2019; s Teorema fondamentale  

È utile considerare le espressioni del teorema in termini di persone o organizzazioni che utilizzerebbero le risorse informative. Se il teorema è vero in un dato scenario può essere empiricamente testato con studi randomizzati e controllati e altri studi.
Di seguito sono riportati alcuni esempi di come il teorema di Friedman potrebbe essere applicato nel contesto dell'assistenza sanitaria corrente dal punto di vista dei diversi utenti.

Utenti pazienti

• Un paziente che usa un'app per la medicazione del farmaco sarà più aderente al suo regime di farmaci rispetto allo stesso paziente che non usa l'app.
• Un paziente che cerca di perdere peso e che segue la dieta e l'esercizio con un'app per smartphone perderà più peso dello stesso paziente senza l'app.
• Un paziente che utilizza un portale paziente per comunicare con il proprio medico si sentirà più coinvolto nella sua cura rispetto allo stesso paziente senza il portale.
• Un paziente che utilizza un portale paziente per visualizzare i risultati dei test esprimerà maggiore soddisfazione per la sua cura rispetto allo stesso paziente senza il portale.
• Un paziente che partecipa a un forum online per l'artrite reumatoide farà fronte più efficacemente alla sua malattia rispetto allo stesso paziente senza il forum.

Utenti del medico

• Un pediatra che utilizza una cartella clinica elettronica (EHR) con promemoria di vaccinazione sarà più propenso a richiedere vaccinazioni tempestive rispetto allo stesso medico senza i promemoria.
• Un fornitore di farmaci di emergenza con accesso a uno scambio di informazioni sanitarie locali (HIE) ordinerà meno test in duplicato rispetto allo stesso provider senza l'HIE.

• Un'infermiera che utilizza un sistema wireless per trasmettere i segni vitali direttamente nella CCE produrrà meno errori di documentazione rispetto alla stessa infermiera senza il sistema wireless.
• Un case manager che utilizza un registro pazienti identificherà più pazienti con ipertensione incontrollata rispetto allo stesso case manager senza il registro.
• Un team chirurgico che utilizza una checklist di sicurezza avrà meno infezioni del sito chirurgico rispetto alla stessa squadra chirurgica senza una checklist. (Si noti che la checklist è un esempio di una risorsa di informazione che non ha bisogno di essere informatizzata.)
• Un medico che utilizza uno strumento di supporto alla decisione clinica (CDS) per la somministrazione di antibiotici ha più probabilità di prescrivere la dose antibiotica appropriata rispetto allo stesso medico senza lo strumento CDS.

Utenti delle organizzazioni sanitarie

• Un ospedale con un programma di valutazione del rischio di trombosi venosa profonda computerizzata (DVT) nella CCE avrà meno DVT rispetto allo stesso ospedale senza il programma.
• Un ospedale con una piattaforma CPOE (computer orderised entry) per l'accesso al computer mobile avrà un numero inferiore di ordini telefonici rispetto allo stesso ospedale senza CPOE mobile.
• Un ospedale che utilizza un HIE per inviare sommari di dimissione ai fornitori di cure primarie avrà meno riammissioni rispetto allo stesso ospedale senza l'HIE.
• Una casa di cura che usa le tecnologie dei sensori avrà un tasso inferiore di cadute dei pazienti rispetto alla stessa casa di riposo senza i sensori.
• Una clinica sanitaria studentesca che invia promemoria di messaggi di testo otterrà tassi di vaccinazione più elevati per il papillomavirus umano (HPV) rispetto a una clinica senza il sistema di messaggistica di testo.
• Una clinica rurale che utilizza la telemedicina per consultazioni virtuali con specialisti invierà meno pazienti al pronto soccorso, rispetto alla stessa clinica senza telemedicina.
• Una pratica medica con un cruscotto di miglioramento della qualità identificherà le lacune nella fornitura di assistenza sanitaria più rapidamente rispetto alla stessa pratica senza il cruscotto.

The Latest on Biomedical Informatics

A volte l'informatica biomedica studia problemi complessi che possono essere difficili da catturare. Questo campo comprende un ampio spettro di ricerca, che va dalle valutazioni delle organizzazioni alle analisi di set di dati genomici (ad esempio la ricerca sul cancro). Può anche essere utilizzato per sviluppare modelli di previsione clinica, supportati da cartelle cliniche elettroniche (EHR). Due studiosi dell'Università di Pittsburgh, Gregory Cooper e Shyam Visweswaran, stanno attualmente lavorando alla progettazione di modelli di previsione clinica da dati che utilizzano l'intelligenza artificiale (AI), l'apprendimento automatico (ML) e la modellazione bayesiana. Il loro lavoro potrebbe contribuire allo sviluppo di modelli specifici per il paziente. Modelli che stanno diventando cruciali nella medicina moderna.