A falta de definición teórica de información biomédica (IMC) estivo por moito tempo. Para achegarse a este campo científico, Charles Friedman, Ph.D., propuxo o teorema fundamental da informática biomédica. Afirma que "unha persoa que traballa en colaboración con un recurso de información é" mellor "que a mesma persoa sen asistencia." O teorema de Friedman non é en realidade un teorema formal matemático (baseado na dedución e aceptado como verdadeiro), senón unha destilación da esencia do IMC.
O teorema implica que os informáticos biomédicos están preocupados pola forma en que os recursos de información poden (ou non poden) axudar ás persoas. Ao referirse a unha "persoa" no seu teorema, Friedman suxire que isto podería ser un individuo (un paciente , un clínico, un científico, un administrador ), un grupo de persoas ou incluso unha organización.
Ademais, o teorema proposto ten tres corolarios que axudan a mellorar a informática:
- A informática trata máis de persoas que de tecnoloxía. Isto implica que os recursos deben ser construídos para o beneficio das persoas.
- O recurso de información debe incluír algo que a persoa xa non coñece. Isto suxire que o recurso debe ser correcto e informativo.
- A interacción entre unha persoa e un recurso determina se o teorema mantense. Este corolario recoñece que o que sabemos sobre a persoa ou o recurso por si só non pode prever necesariamente o resultado.
A contribución de Friedman foi recoñecida como unha definición do IMC dunha forma sinxela e fácil de entender. Non obstante, outros autores suxeriron puntos de vista alternativos e adicións ao seu teorema. Por exemplo, o profesor Stuart Hunter da Universidade de Princeton enfatizou o papel do método científico ao tratar os datos .
Un grupo de científicos da Universidade de Texas tamén defendeu que a definición de IMC debería incluír a noción de que a información en informática é "datos máis significados". Outras institucións académicas proporcionaron definicións elaboradas que recoñeceron o carácter multidisciplinar do IMC e centráronse en datos, información e coñecemento no contexto da biomedicina.
Expresións do teorema fundamental de Friedman
É útil considerar as expresións do teorema en función das persoas ou organizacións que utilizan os recursos de información. Se o teorema é verdadeiro nun escenario determinado pode ser probado empíricamente con ensaios controlados aleatorios e outros estudos.
A continuación móstranse algúns exemplos de como o teorema de Friedman podería ser aplicado no contexto da asistencia sanitaria actual desde a perspectiva de diferentes usuarios.
Usuarios do paciente
- Un paciente que use unha aplicación de recordatorio de medicamentos será máis adherente ao seu réxime de medicamentos que o mesmo paciente que non está a usar a aplicación.
- Un paciente que intenta perder peso que rastrexa dieta e exercicio nunha aplicación de smartphones perderá máis peso que o mesmo paciente sen a aplicación.
- Un paciente que usa un portal de pacientes para comunicarse co seu médico sentarase máis comprometido co seu coidado que o mesmo paciente sen o portal.
- Un paciente que usa un portal de pacientes para ver os resultados das probas expresará maior satisfacción co seu coidado que o mesmo paciente sen o portal.
- Un paciente que participa nun foro en liña para a artrite reumatoide tratará máis eficazmente coa súa enfermidade que o mesmo paciente sen o foro.
Usuarios do clínico
- Un pediatra que use un rexistro de saúde electrónico (EHR) con recordatorios de vacinación terá máis probabilidades de solicitar vacinas oportunas que o mesmo médico sen recordatorios.
- Un proveedor de medicamentos de emerxencia con acceso a un intercambio de información local de saúde (HIE) pedirá menos probas duplicadas que o mesmo proveedor sen o HIE.
- Unha enfermeira que usa un sistema sen fíos para transmitir letreros vitais directamente no EHR fará menos erros de documentación que a mesma enfermeira sen o sistema sen fíos.
- Un xestor de casos que use un rexistro de paciente identificará máis pacientes con hipertensión descontrolada que o mesmo xestor de casos sen o rexistro.
- Un equipo cirúrxico que use unha lista de verificación de seguridade terá menos infeccións de sitios cirúrxicos que o mesmo equipo cirúrxico sen unha lista de verificación. ( Ten en conta que a lista de comprobación é un exemplo dun recurso de información que non necesita ser informatizado).
- Un médico que usa unha ferramenta de apoio á decisión clínica (CDS) para a dosificación de antibióticos é máis probable que prescribe a dose de antibióticos adecuada que o mesmo médico sen a ferramenta de CDS.
Usuarios da organización de atención sanitaria
- Un hospital cun programa de avaliación de risco computarizado da trombosis venosa profunda (DVT) no EHR terá menos DVT que o mesmo hospital sen o programa.
- Un hospital con plataforma de acceso a pedidos médicos informatizados (CPOE) terá menos pedidos telefónicos que o mesmo hospital sen CPOE móbil.
- Un hospital que utilice un HIE para enviar resumos de alta aos proveedores de atención primaria terá menos readmisións que o mesmo hospital sen o HIE.
- Un centro de enfermería que utilice tecnoloxías de sensores terá unha menor taxa de caídas de pacientes que a mesma casa de anciáns sen os sensores.
- Unha clínica de saúde para estudantes que envía recordatorios de mensaxes de texto conseguirá taxas de vacinación máis altas para o papiloma humano (HPV) que unha clínica sen o sistema de mensaxes de texto.
- Unha clínica de saúde rural que usa a telemedicina para consultas virtuales con especialistas enviará menos pacientes á sala de urxencias, en comparación coa mesma clínica sen telemedicina.
- Unha práctica médica cun taboleiro de mellora de calidade identificará as lagoas na prestación de asistencia sanitaria máis rápido que a mesma práctica sen o panel de control.
O último en Informática Biomédica
Ás veces a informática biomédica estudia problemas complexos que poden ser difíciles de capturar. Este campo inclúe un amplo espectro de investigación, que abarca desde avaliacións de organizacións ata análises de datasets xenómicos (por exemplo, a investigación sobre o cancro). Tamén pode usarse para desenvolver modelos de predición clínica, que están sendo apoiados por rexistros electrónicos de saúde (EHR). Dous investigadores da University of Pittsburgh, Gregory Cooper e Shyam Visweswaran están traballando actualmente no deseño de modelos de predición clínica a partir de datos utilizando intelixencia artificial (AI), aprendizaxe automática (ML) e modelización bayesiana. O seu traballo podería contribuír ao desenvolvemento de modelos específicos para o paciente. Modelos que agora se tornan cruciales na medicina moderna.
> Fontes:
> Bernstam E, Smith J, Johnson T. ¿Que é a informática biomédica ?. J Biomed Inform . 2010; 43: 104-110.
> Friedman CP. Un "Teorema fundamental" da informática biomédica . J Am Med Inform Assoc. 2009; 16: 169-170.
> Hunter J. Enhancing Friedman "Teorema Fundamental da Informática Biomédica" . J Am Med Inform Assoc . 2010; 17 (1): 112.
> Visweswaran S, Cooper G. Modelo de predición específica para instrucións de aprendizaxe . J Mach Learn Res . 2010; 11: 3333-3369.