Ufafanuzi wa kinadharia wa informatics biomedical (BMI) ulikuwa haupo kwa muda mrefu. Ili kuleta mtazamo fulani kwenye uwanja huu wa kisayansi, Charles Friedman, Ph.D., alipendekeza somo la msingi la informatics biomedical. Inasema kwamba "mtu anayefanya kazi kwa ushirikiano na rasilimali ya habari ni 'bora' kuliko mtu huyo huyo asiyesimamiza." Theorem ya Friedman sio kweli theorem rasmi ya masomo (ambayo inategemea kupunguzwa na inakubalika kuwa kweli), lakini badala ya kutafishwa ya kiini cha BMI.
Theorem inamaanisha kuwa wataalam wa ujuzi wa biomedical wanahusika na jinsi rasilimali za habari zinaweza (au haziwezi) kusaidia watu. Akizungumzia 'mtu' katika theorem yake, Friedman anaonyesha kwamba hii inaweza kuwa mtu binafsi ( mgonjwa , daktari, mwanasayansi, msimamizi ), kundi la watu au hata shirika.
Zaidi ya hayo, theorem iliyopendekezwa ina corollaries tatu ambazo zinafafanua ufafanuzi bora wa habari:
- Kompyuta ni zaidi ya watu kuliko teknolojia. Hii ina maana kuwa rasilimali zinapaswa kujengwa kwa manufaa ya watu.
- Rasilimali ya habari lazima iwe na kitu ambacho mtu hajui tayari. Hii inaonyesha kuwa rasilimali inahitaji kuwa sahihi na yenye ujuzi.
- Ushirikiano kati ya mtu na rasilimali huamua ikiwa theorem inashikilia. Corollary hii inatambua kwamba kile tunachojua kuhusu mtu peke yake au rasilimali peke yake haiwezi kutabiri matokeo.
Mchango wa Friedman umetambuliwa kama kufafanua BMI kwa njia rahisi na rahisi kuelewa. Hata hivyo, waandishi wengine wamependekeza maoni ya mbadala na nyongeza kwenye theorem yake. Kwa mfano, Profesa Stuart Hunter wa Chuo Kikuu cha Princeton alisisitiza jukumu la njia ya kisayansi wakati wa kukabiliana na data .
Kundi la wanasayansi kutoka Chuo Kikuu cha Texas pia lilisisitiza kwamba ufafanuzi wa BMI unapaswa kuwa ni pamoja na wazo kwamba habari katika informatics ni 'data pamoja na maana'. Taasisi nyingine za kitaaluma zilizotolewa ufafanuzi wa ufafanuzi ambao ulitambua asili mbalimbali ya BMI na kuzingatia data, habari, na ujuzi katika mazingira ya biomedicine.
Maneno ya Theorem ya Friedman ya Msingi
Ni muhimu kuzingatia maneno ya theorem kwa suala la watu au mashirika ambayo yatatumia rasilimali za habari. Ikiwa theorem ina kweli katika hali fulani inaweza kupimwa kwa ujaribio na majaribio ya kudhibitiwa na randomized na masomo mengine.
Chini ni baadhi ya mifano ya jinsi theorem ya Friedman inaweza kutumika katika mazingira ya huduma za afya ya sasa kutoka kwa mtazamo wa watumiaji tofauti.
Watumiaji wa magonjwa
- Mgonjwa anayemtumia programu ya kukumbusha dawa atakuwa zaidi ya dawa ya dawa yake kuliko mgonjwa huo hata kutumia programu.
- Mgonjwa akijaribu kupoteza uzito ambaye anatafuta chakula na zoezi kwenye programu ya smartphone atapoteza uzito zaidi kuliko mgonjwa huo bila programu.
- Mgonjwa ambaye anatumia portal mgonjwa kuwasiliana na daktari wake atahisi zaidi kushiriki katika huduma yake kuliko mgonjwa huo bila portal.
- Mgonjwa ambaye anatumia portal mgonjwa kuangalia matokeo ya vipimo atasema kuridhika zaidi na huduma yake kuliko mgonjwa huo bila bandari.
- Mgonjwa ambaye anashiriki katika jukwaa la mtandao la arthritis ya rheumatoid atashughulika kwa ufanisi zaidi na ugonjwa wake kuliko mgonjwa huo bila jukwaa.
Watumiaji wa daktari
- Daktari wa watoto kutumia rekodi ya afya ya umeme (EHR) na vikumbusho vya chanjo watakuwa na uwezekano mkubwa wa kupanga chanjo ya wakati huo kuliko daktari huyo bila kuwakumbusha.
- Mtoa huduma ya dawa ya dharura na upatikanaji wa kubadilishana kubadilishana habari (HIE) ataagiza vipimo vidogo vya duplicate kuliko mtoa huduma sawa bila HIE.
- Muuguzi ambaye anatumia mfumo wa wireless kusambaza ishara muhimu kwa moja kwa moja kwenye EHR atafanya makosa ya nyaraka chache zaidi kuliko muuguzi mmoja bila mfumo wa wireless.
- Meneja wa kesi kutumia Msajili wa mgonjwa atatambua wagonjwa zaidi na shinikizo la damu isiyo na udhibiti kuliko meneja wa kesi hiyo bila usajili.
- Timu ya upasuaji kwa kutumia orodha ya usalama itakuwa na maambukizi ya chini ya upasuaji wa tovuti kuliko timu hiyo ya upasuaji bila orodha. ( Ona kwamba orodha ni mfano wa rasilimali ya habari ambayo haifai kuwa kompyuta.)
- Daktari kutumia chombo cha uamuzi wa kliniki (CDS) kwa dosing antibiotic ni uwezekano mkubwa zaidi wa kuagiza kipimo cha antibiotic sahihi kuliko daktari sawa bila chombo cha CDS.
Shirika la Huduma ya Afya Watumiaji
- Hospitali iliyo na programu ya tathmini ya uwezekano wa hatari ya VVS (DVT) katika EHR itakuwa na DVTs chache kuliko hospitali hiyo bila programu.
- Hospitali yenye jukwaa la kuingia kwa daktari ya simu ya mkononi (CPOE) litawa na maagizo ya simu chini kuliko hospitali hiyo bila CPOE ya simu.
- Hospitali inayotumia HIE kutuma muhtasari wa kutolewa kwa watoa huduma ya msingi itakuwa na maandishi ya chini zaidi kuliko hospitali hiyo bila HIE.
- Nyumba ya uuguzi kutumia teknolojia ya sensor itakuwa na kiwango cha chini cha maporomoko ya mgonjwa kuliko nyumba hiyo ya uuguzi bila sensorer.
- Kliniki ya afya ya mwanafunzi ambayo hutuma vikumbusho vya ujumbe wa maandishi itafikia kiwango cha juu cha chanjo kwa papillomavirus ya binadamu (HPV) kuliko kliniki bila mfumo wa ujumbe wa maandishi.
- Kliniki ya afya ya vijijini kwa kutumia telemedicine kwa mashauriano ya kawaida na wataalamu watatuma wagonjwa wachache kwenye chumba cha dharura, ikilinganishwa na kliniki hiyo bila telemedicine.
- Mazoezi ya matibabu na dashibodi ya uboreshaji wa ubora itatambua mapungufu katika utoaji wa huduma za afya kwa haraka zaidi kuliko mazoezi sawa bila dashibodi.
Hivi karibuni kwenye Kompyuta za Biomedical
Wakati mwingine maarifa ya biomedical hujifunza matatizo magumu ambayo inaweza kuwa vigumu kukamata. Shamba hii ni pamoja na wigo mpana wa utafiti, kuanzia tathmini ya mashirika kwa uchambuzi wa datasets za jedwali (kwa mfano utafiti wa kansa). Inaweza pia kutumiwa kuendeleza mifano ya utabiri wa kliniki, ambayo inashirikiwa na kumbukumbu za afya za elektroniki (EHR). Wasomi wawili kutoka Chuo Kikuu cha Pittsburgh, Gregory Cooper na Shyam Visweswaran, kwa sasa wanafanya kazi katika kubuni mifano ya utabiri wa kliniki kutoka kwa data kwa kutumia akili ya bandia (AI), mashine ya kujifunza (ML) na mfano wa Bayesian. Kazi yao inaweza kuchangia maendeleo ya mifano maalum ya mgonjwa. Mifano ambazo sasa zimekuwa muhimu katika dawa za kisasa.
> Vyanzo:
> Bernstam E, Smith J, Johnson T. Je, ni habari za habari za biomedical ?. J Biomed Taarifa . 2010; 43: 104-110.
> Friedman CP. "Theorem ya Msingi" ya Kompyuta za Biomedical . J Am Med Wajulishe Assoc. 2009; 16: 169-170.
> Hunter J. Kuimarisha Friedman ya "Theorem Msingi ya Kompyuta za Biomedical" . J Am Med Wajulishe Assoc . 2010; 17 (1): 112.
> Visweswaran S, Ushirikiano wa G. Cooper G. Mafunzo ya Utabiri maalum . J Mach Jifunze Res . 2010; 11: 3333-3369.