Một định nghĩa về mặt lý thuyết về tin học y sinh học (BMI) thiếu trong một thời gian dài. Để mang lại một số trọng tâm cho lĩnh vực khoa học này, Charles Friedman, Tiến sĩ, đã đề xuất định lý cơ bản về tin học y sinh học. Nó nói rằng "một người làm việc trong quan hệ đối tác với một nguồn thông tin là 'tốt hơn' so với cùng một người unassisted." Định lý Friedman không thực sự là một định lý toán học chính thức (được dựa trên khấu trừ và được chấp nhận là đúng), mà là một chưng cất về bản chất của BMI.
Định lý ngụ ý rằng các nhà thông tin y sinh học có liên quan với cách thức các nguồn thông tin có thể (hoặc không thể) giúp mọi người. Khi đề cập đến một 'người' trong định lý của mình, Friedman cho rằng đây có thể là một cá nhân ( bệnh nhân , một bác sĩ, một nhà khoa học, một quản trị viên ), một nhóm người hoặc thậm chí là một tổ chức.
Hơn nữa, định lý được đề xuất có ba hệ luỵ giúp xác định thông tin tốt hơn:
- Tin học là nhiều hơn về con người hơn là công nghệ. Điều này ngụ ý rằng các nguồn lực cần được xây dựng vì lợi ích của con người.
- Nguồn thông tin phải bao gồm một cái gì đó mà người đó chưa biết. Điều này cho thấy rằng tài nguyên cần phải vừa chính xác vừa mang tính thông tin.
- Sự tương tác giữa một người và một nguồn lực xác định nếu định lý nắm giữ. Hệ quả này nhận ra rằng những gì chúng ta biết về một mình hoặc một mình tài nguyên không nhất thiết phải dự đoán kết quả.
Đóng góp của Friedman đã được công nhận là xác định BMI một cách đơn giản và dễ hiểu. Tuy nhiên, các tác giả khác đã đề xuất các quan điểm thay thế và bổ sung cho định lý của mình. Ví dụ, Giáo sư Stuart Hunter của Đại học Princeton nhấn mạnh vai trò của phương pháp khoa học khi xử lý dữ liệu .
Một nhóm các nhà khoa học từ Đại học Texas cũng ủng hộ rằng định nghĩa về BMI nên bao gồm khái niệm rằng thông tin trong tin học là 'dữ liệu cộng với ý nghĩa'. Các tổ chức học thuật khác cung cấp các định nghĩa phức tạp đã công nhận bản chất đa ngành của BMI và tập trung vào dữ liệu, thông tin và kiến thức trong ngữ cảnh của biomedicine.
Biểu thức của Định lý cơ bản của Friedman
Nó rất hữu ích để xem xét các biểu thức của định lý về mặt người hoặc tổ chức có thể sử dụng các nguồn thông tin. Cho dù định lý đúng trong một kịch bản nhất định có thể được thử nghiệm theo kinh nghiệm với các thử nghiệm đối chứng ngẫu nhiên và các nghiên cứu khác.
Dưới đây là một số ví dụ về cách định lý Friedman có thể được áp dụng trong bối cảnh chăm sóc sức khỏe hiện tại từ quan điểm của những người dùng khác nhau.
Người dùng bệnh nhân
- Một bệnh nhân sử dụng một ứng dụng nhắc nhở thuốc sẽ được tuân thủ nhiều hơn với chế độ thuốc của mình so với cùng một bệnh nhân không sử dụng ứng dụng.
- Một bệnh nhân đang cố gắng giảm cân theo dõi chế độ ăn uống và tập thể dục trên ứng dụng điện thoại thông minh sẽ giảm cân nhiều hơn so với cùng một bệnh nhân không có ứng dụng.
- Một bệnh nhân sử dụng một cổng thông tin bệnh nhân để giao tiếp với bác sĩ của mình sẽ cảm thấy tham gia chăm sóc của mình nhiều hơn so với bệnh nhân tương tự mà không có cổng thông tin.
- Một bệnh nhân sử dụng một cổng thông tin bệnh nhân để xem kết quả xét nghiệm sẽ thể hiện sự hài lòng cao hơn với sự chăm sóc của mình so với cùng một bệnh nhân không có cổng thông tin.
- Một bệnh nhân tham gia vào một diễn đàn trực tuyến về viêm khớp dạng thấp sẽ đối phó hiệu quả hơn với căn bệnh của mình so với cùng một bệnh nhân không có diễn đàn.
Người dùng lâm sàng
- Một bác sĩ nhi khoa sử dụng một hồ sơ sức khỏe điện tử (EHR) với các nhắc nhở tiêm chủng sẽ có nhiều khả năng đặt hàng tiêm chủng kịp thời hơn so với cùng một bác sĩ mà không có nhắc nhở.
- Một nhà cung cấp thuốc cấp cứu có quyền truy cập vào một trao đổi thông tin y tế địa phương (HIE) sẽ yêu cầu xét nghiệm trùng lặp ít hơn so với cùng một nhà cung cấp không có HIE.
- Một y tá sử dụng một hệ thống không dây để truyền các dấu hiệu quan trọng trực tiếp vào EHR sẽ làm cho ít lỗi tài liệu hơn so với y tá y hệt mà không có hệ thống không dây.
- Một người quản lý trường hợp sử dụng một đăng ký bệnh nhân sẽ xác định nhiều bệnh nhân tăng huyết áp không kiểm soát được so với người quản lý trường hợp tương tự mà không cần đăng ký.
- Một nhóm phẫu thuật sử dụng danh sách kiểm tra an toàn sẽ có ít nhiễm trùng phẫu thuật hơn so với nhóm phẫu thuật tương tự mà không có danh sách kiểm tra. ( Lưu ý rằng danh sách kiểm tra là một ví dụ về tài nguyên thông tin không cần phải được vi tính hoá.)
- Một bác sĩ sử dụng một công cụ hỗ trợ quyết định lâm sàng (CDS) để dùng thuốc kháng sinh có nhiều khả năng kê toa liều kháng sinh thích hợp hơn so với cùng một bác sĩ mà không có công cụ CDS.
Người dùng tổ chức chăm sóc sức khỏe
- Một bệnh viện có chương trình đánh giá nguy cơ huyết khối tĩnh mạch (DVT) trên máy tính trong EHR sẽ có ít DVT hơn so với cùng một bệnh viện không có chương trình.
- Một bệnh viện có nền tảng đơn đặt hàng của bác sĩ máy tính di động (CPOE) sẽ có ít đơn đặt hàng qua điện thoại hơn cùng một bệnh viện không có CPOE di động.
- Một bệnh viện sử dụng một HIE để gửi bản tóm tắt xả thải cho các nhà cung cấp dịch vụ chăm sóc chính sẽ có ít lần đọc hơn so với cùng một bệnh viện mà không có HIE.
- Một nhà điều dưỡng sử dụng công nghệ cảm biến sẽ có tỷ lệ bệnh nhân thấp hơn so với cùng một nhà điều dưỡng không có cảm biến.
- Một phòng khám sức khỏe sinh viên gửi tin nhắn văn bản nhắc nhở sẽ đạt được tỷ lệ tiêm chủng cao hơn cho con người papillomavirus (HPV) hơn một phòng khám mà không có hệ thống nhắn tin văn bản.
- Một phòng khám y tế nông thôn sử dụng dịch vụ telemedicine để tham vấn ảo với các chuyên gia sẽ gửi ít bệnh nhân đến phòng cấp cứu, so với cùng một phòng khám mà không cần dùng thuốc.
- Một thực hành y tế với một bảng điều khiển cải thiện chất lượng sẽ xác định khoảng trống trong cung cấp chăm sóc sức khỏe nhanh hơn so với thực hành tương tự mà không có bảng điều khiển.
Tin mới nhất về tin học y sinh
Đôi khi các nghiên cứu tin học y sinh học phức tạp các vấn đề có thể khó nắm bắt. Lĩnh vực này bao gồm một phổ rộng các nghiên cứu, từ đánh giá của các tổ chức để phân tích bộ dữ liệu genom (ví dụ nghiên cứu ung thư). Nó cũng có thể được sử dụng để phát triển các mô hình dự đoán lâm sàng, được hỗ trợ bởi các hồ sơ y tế điện tử (EHR). Hai học giả từ Đại học Pittsburgh, Gregory Cooper và Shyam Visweswaran, hiện đang nghiên cứu thiết kế mô hình dự báo lâm sàng từ dữ liệu sử dụng trí tuệ nhân tạo (AI), học máy (ML) và mô hình Bayes. Công việc của họ có thể góp phần vào sự phát triển của các mô hình bệnh nhân cụ thể. Các mô hình hiện đang trở nên quan trọng trong y học hiện đại.
> Nguồn:
> Bernstam E, Smith J, Johnson T. Thông tin y sinh học là gì ?. J Biomed Thông báo . 2010, 43: 104-110.
> Friedman CP. Một "Định lý cơ bản" của tin học y sinh . J Am Med Thông báo PGS. 2009, 16: 169–170.
> Hunter J. Tăng cường "Định lý cơ bản về tin học y sinh" của Friedman . J Am Med Thông báo PGS . 2010, 17 (1): 112.
> Visweswaran S, Cooper G. Các mô hình dự đoán cụ thể về học tập . J Mach Tìm hiểu Res . 2010, 11: 3333-3369.