Định lý tin học y sinh

Một định nghĩa dựa trên lý thuyết về tin học y sinh (BMI) đã thiếu trong một thời gian dài. Để tập trung vào lĩnh vực khoa học này, Charles Friedman, Tiến sĩ, đã đề xuất định lý cơ bản của tin học y sinh.Nó nói rằng, một người làm việc trong quan hệ đối tác với một nguồn thông tin là 'tốt hơn' so với người đó không được công nhận. Định lý của Fried Friedman không thực sự là một định lý toán học chính thức (dựa trên suy luận và được chấp nhận là đúng), mà là một sự chưng cất về bản chất của BMI.

Định lý ngụ ý rằng các nhà thông tin y sinh quan tâm đến việc làm thế nào tài nguyên thông tin có thể (hoặc không thể) giúp đỡ 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, bác sĩ lâm sàng, nhà khoa học, quản trị viên), một nhóm người hoặc thậm chí là một tổ chức.

Hơn nữa, định lý đề xuất có ba hệ quả giúp xác định tin học tốt hơn:

1. Tin học là về con người nhiều hơn là công nghệ. Điều này ngụ ý rằng các nguồn lực nên được xây dựng vì lợi ích của mọi người.
2. Tài nguyên thông tin phải bao gồm những thứ mà người đó chưa biết. Điều này cho thấy rằng tài nguyên cần phải chính xác và nhiều thông tin.
3. Sự tương tác giữa một người và một tài nguyên xác định nếu định lý giữ. Hệ quả này nhận ra rằng những gì chúng ta biết về một mình hoặc tài nguyên một mình không nhất thiết có thể dự đoán kết quả.

Đóng góp của Friedman sườn đã được công nhận là xác định BMI theo cách đơn giản và dễ hiểu. Tuy nhiên, các tác giả khác đã đề xuất quan điểm thay thế và bổ sung cho định lý của ông. Chẳng hạn, 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 công nhận tính chất đa ngành của BMI và tập trung vào dữ liệu, thông tin và kiến ​​thức trong bối cảnh y sinh.

Biểu thức của định lý cơ bản Friedman

Rất hữu ích khi xem xét các biểu thức của định lý dưới dạng những người hoặc tổ chức sẽ sử dụng các tài nguyên thông tin. Liệu định lý có đúng trong một kịch bản nhất định hay không có thể được kiểm tra bằng thực nghiệm với các thử nghiệm ngẫu nhiên có kiểm soát và các nghiên cứu khác.

Dưới đây là một số ví dụ về cách định lý Friedman lối đi có thể được áp dụng trong bối cảnh chăm sóc sức khỏe hiện tại theo quan điểm của những người dùng khác nhau.

Người dùng bệnh nhân

• Một bệnh nhân sử dụng ứng dụng nhắc nhở về thuốc sẽ tuân thủ chế độ dùng thuốc của mình hơn so với cùng một bệnh nhân không sử dụng ứng dụng.
• Một bệnh nhân cố gắng giảm cân theo dõi chế độ ăn kiêng 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 này.
• Một bệnh nhân sử dụng cổng thông tin bệnh nhân để liên lạc với bác sĩ của mình sẽ cảm thấy được chăm sóc nhiều hơn so với cùng một bệnh nhân không có cổng thông tin.
• Một bệnh nhân sử dụng cổng thông tin bệnh nhân để xem kết quả xét nghiệm sẽ thể hiện sự hài lòng cao hơn với sự chăm sóc của cô ấy so với cùng một bệnh nhân không có cổng thông tin.
• Một bệnh nhân tham gia một diễn đàn trực tuyến về bệnh viêm khớp dạng thấp sẽ đối phó với bệnh của cô ấy hiệu quả hơn so với cùng một bệnh nhân không có diễn đàn.

Người dùng lâm sàng

• Một bác sĩ nhi khoa sử dụng hồ sơ sức khỏe điện tử (EHR) với lời nhắc tiêm chủng sẽ có nhiều khả năng đặt hàng tiêm chủng kịp thời hơn so với cùng một bác sĩ mà không cần nhắc nhở.
• Nhà cung cấp thuốc cấp cứu có quyền truy cập vào trao đổi thông tin y tế địa phương (HIE) sẽ yêu cầu ít xét nghiệm trùng lặp hơn so với cùng nhà cung cấp mà không có HIE.
• Một y tá sử dụng hệ thống không dây để truyền các dấu hiệu quan trọng trực tiếp vào EHR sẽ gây ra ít lỗi tài liệu hơn so với cùng một y tá không có hệ thống không dây.
• Người quản lý trường hợp sử dụng sổ đăng ký bệnh nhân sẽ xác định nhiều bệnh nhân bị tăng huyết áp không kiểm soát hơn so với người quản lý trường hợp tương tự mà không có sổ đăng ký.
• Một nhóm phẫu thuật sử dụng danh sách kiểm tra an toàn sẽ có ít nhiễm trùng vị trí phẫu thuật hơn so với nhóm phẫu thuật 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 vi tính hóa.)
• Một bác sĩ sử dụng công cụ hỗ trợ quyết định lâm sàng (CDS) để định lượng kháng sinh có nhiều khả năng kê đơn liều kháng sinh phù hợp hơn so với cùng một bác sĩ không có công cụ CDS.

Người dùng tổ chức chăm sóc sức khỏe

• Một bệnh viện có chương trình đánh giá rủi ro huyết khối tĩnh mạch sâu (DVT) được vi tính hóa trong EHR sẽ có ít DVT hơn so với cùng một bệnh viện không có chương trình.
• Một bệnh viện có nền tảng nhập đơn đặt hàng bác sĩ trên máy vi tính (CPOE) sẽ có ít đơn đặt hàng điện thoại hơn so với cùng một bệnh viện không có CPOE di động.
• Một bệnh viện sử dụng HIE để gửi các bản tóm tắt xuất viện cho các nhà cung cấp dịch vụ chăm sóc chính sẽ có ít lần đọc hơn so với cùng một bệnh viện không có HIE.
• Một viện dưỡng lão sử dụng các công nghệ cảm biến sẽ có tỷ lệ ngã bệnh nhân thấp hơn so với cùng một viện dưỡng lão không có cảm biến.
• Một phòng khám sức khỏe sinh viên gửi tin nhắn nhắc nhở sẽ đạt được tỷ lệ tiêm chủng cao hơn đối với papillomavirus ở người (HPV) so với một phòng khám không có hệ thống nhắn tin văn bản.
• Một phòng khám y tế nông thôn sử dụng dịch vụ từ xa để tư vấn ảo với các chuyên gia sẽ đưa ít bệnh nhân đến phòng cấp cứu, so với cùng một phòng khám không có điều trị từ xa.
• Một thực hành y tế với bảng điều khiển cải tiến chất lượng sẽ xác định các lỗ hổng trong việc cung cấp dịch vụ chăm sóc sức khỏe nhanh hơn so với thực hành tương tự mà không có bảng điều khiển.

Tin tức mới nhất về tin học y sinh

Đôi khi tin học y sinh nghiên cứu các vấn đề phức tạp có thể khó nắm bắt. Lĩnh vực này bao gồm một phạm vi nghiên cứu rộng, từ các đánh giá của các tổ chức đến các 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 hồ sơ sức khỏe điện tử (EHR). Hai học giả từ Đại học Pittsburgh, Gregory Cooper và Shyam Visweswaran, hiện đang nghiên cứu thiết kế các mô hình dự đoán lâm sàng từ dữ liệu bằng trí tuệ nhân tạo (AI), học máy (ML) và mô hình Bayes. Công việc của họ có thể đóng góp cho sự phát triển của các mô hình dành riêng cho bệnh nhân. Các mô hình hiện đang trở nên quan trọng trong y học hiện đại.