Teorema Informatika Biomedis

Definisi yang didasarkan pada teori informatika biomedis (BMI) kurang untuk waktu yang lama. Untuk membawa beberapa fokus ke bidang ilmiah ini, Charles Friedman, Ph.D., mengusulkan teorema dasar informatika biomedis.Ini menyatakan bahwa "seseorang yang bekerja dalam kemitraan dengan sumber daya informasi 'lebih baik' daripada orang yang sama tanpa bantuan." Teorema Friedman sebenarnya bukan teorema matematika formal (yang didasarkan pada deduksi dan diterima sebagai benar), melainkan distilasi dari esensi BMI.

Teorema ini menyiratkan bahwa informatika biomedis prihatin dengan bagaimana sumber daya informasi dapat (atau tidak dapat) membantu orang. Ketika merujuk pada 'seseorang' dalam teorema, Friedman menyarankan bahwa ini bisa berupa seorang individu (pasien, dokter, ilmuwan, administrator), sekelompok orang atau bahkan organisasi.

Selanjutnya, teorema yang diusulkan memiliki tiga konsekuensi wajar yang membantu mendefinisikan informatika dengan lebih baik:

1. Informatika lebih tentang manusia daripada teknologi. Ini menyiratkan bahwa sumber daya harus dibangun untuk kepentingan masyarakat.
2. Sumber informasi harus mencakup sesuatu yang belum diketahui orang tersebut. Ini menunjukkan bahwa sumber daya harus benar dan informatif.
3. Interaksi antara seseorang dan sumber daya menentukan apakah teorema itu berlaku. Akibat wajar ini mengakui bahwa apa yang kita ketahui tentang orang itu sendiri atau sumber daya saja tidak dapat memprediksi hasilnya.

Kontribusi Friedman telah diakui sebagai mendefinisikan BMI dengan cara yang sederhana dan mudah dipahami. Namun, penulis lain telah menyarankan sudut pandang alternatif dan tambahan pada teorinya. Sebagai contoh, Profesor Stuart Hunter dari Universitas Princeton menekankan peran metode ilmiah ketika berhadapan dengan data. Sekelompok ilmuwan dari University of Texas juga menganjurkan bahwa definisi BMI harus mencakup gagasan bahwa informasi dalam informatika adalah 'data plus makna'. Lembaga akademis lain memberikan definisi yang rumit yang mengakui sifat multidisiplin BMI dan berfokus pada data, informasi, dan pengetahuan dalam konteks biomedis.

Ekspresi Teorema Dasar Friedman

Berguna untuk mempertimbangkan ungkapan teorema dalam hal orang atau organisasi yang akan menggunakan sumber daya informasi. Apakah teorema itu berlaku dalam skenario yang diberikan dapat diuji secara empiris dengan uji coba terkontrol secara acak dan studi lainnya.

Di bawah ini adalah beberapa contoh bagaimana teorema Friedman dapat diterapkan dalam konteks perawatan kesehatan saat ini dari perspektif pengguna yang berbeda.

Pengguna Pasien

• Seorang pasien yang menggunakan aplikasi pengingat obat akan lebih patuh terhadap rejimen pengobatannya daripada pasien yang sama yang tidak menggunakan aplikasi tersebut.
• Seorang pasien yang mencoba menurunkan berat badan yang melacak diet dan berolahraga pada aplikasi smartphone akan kehilangan lebih banyak berat daripada pasien yang sama tanpa aplikasi.
• Seorang pasien yang menggunakan portal pasien untuk berkomunikasi dengan dokternya akan merasa lebih terlibat dalam perawatannya daripada pasien yang sama tanpa portal.
• Seorang pasien yang menggunakan portal pasien untuk melihat hasil tes akan mengungkapkan kepuasan yang lebih tinggi dengan perawatannya daripada pasien yang sama tanpa portal.
• Seorang pasien yang berpartisipasi dalam forum online untuk rheumatoid arthritis akan mengatasi penyakitnya lebih efektif daripada pasien yang sama tanpa forum.

Pengguna Klinik

• Seorang dokter anak yang menggunakan catatan kesehatan elektronik (EHR) dengan pengingat vaksinasi akan lebih mungkin untuk memesan vaksinasi tepat waktu daripada dokter yang sama tanpa pengingat.
• Penyedia obat darurat dengan akses ke pertukaran informasi kesehatan lokal (HIE) akan memesan tes duplikat lebih sedikit daripada penyedia yang sama tanpa HIE.
• Seorang perawat yang menggunakan sistem nirkabel untuk mengirimkan tanda-tanda vital langsung ke EHR akan membuat kesalahan dokumentasi lebih sedikit daripada perawat yang sama tanpa sistem nirkabel.
• Manajer kasus yang menggunakan registri pasien akan mengidentifikasi lebih banyak pasien dengan hipertensi yang tidak terkontrol daripada manajer kasus yang sama tanpa registri.
• Tim bedah yang menggunakan daftar periksa keselamatan akan memiliki lebih sedikit infeksi situs bedah daripada tim bedah yang sama tanpa daftar periksa. (Perhatikan bahwa daftar periksa adalah contoh sumber informasi yang tidak perlu dikomputerisasi.)
• Seorang dokter yang menggunakan alat penunjang keputusan klinis (CDS) untuk dosis antibiotik lebih mungkin meresepkan dosis antibiotik yang sesuai daripada dokter yang sama tanpa alat CDS.

Pengguna Organisasi Perawatan Kesehatan

• Sebuah rumah sakit dengan program penilaian risiko deep venous thrombosis (DVT) dalam EHR akan memiliki lebih sedikit DVT daripada rumah sakit yang sama tanpa program tersebut.
• Rumah sakit dengan platform entri pesanan dokter terkomputerisasi seluler (CPOE) akan memiliki pesanan telepon lebih sedikit daripada rumah sakit yang sama tanpa CPOE seluler.
• Rumah sakit yang menggunakan HIE untuk mengirim ringkasan pemulangan ke penyedia perawatan primer akan memiliki lebih sedikit penerimaan kembali dibandingkan rumah sakit yang sama tanpa HIE.
• Rumah jompo yang menggunakan teknologi sensor akan memiliki tingkat jatuh pasien yang lebih rendah daripada rumah jompo yang sama tanpa sensor.
• Klinik kesehatan siswa yang mengirimkan pengingat pesan teks akan mencapai tingkat vaksinasi yang lebih tinggi untuk human papillomavirus (HPV) daripada klinik tanpa sistem pesan teks.
• Sebuah klinik kesehatan pedesaan yang menggunakan telemedicine untuk konsultasi virtual dengan spesialis akan mengirim lebih sedikit pasien ke ruang gawat darurat, dibandingkan dengan klinik yang sama tanpa telemedicine.
• Praktik medis dengan dashboard peningkatan kualitas akan mengidentifikasi kesenjangan dalam penyediaan layanan kesehatan lebih cepat daripada praktik yang sama tanpa dashboard.

Terbaru tentang Informatika Biomedis

Terkadang informatika biomedis mempelajari masalah-masalah kompleks yang sulit ditangkap. Bidang ini mencakup spektrum penelitian yang luas, mulai dari evaluasi organisasi hingga analisis kumpulan data genom (mis. Penelitian kanker).Ini juga dapat digunakan untuk mengembangkan model prediksi klinis, yang didukung oleh catatan kesehatan elektronik (EHR). Dua sarjana dari University of Pittsburgh, Gregory Cooper dan Shyam Visweswaran, saat ini sedang bekerja merancang model prediksi klinis dari data menggunakan kecerdasan buatan (AI), pembelajaran mesin (ML) dan pemodelan Bayesian. Pekerjaan mereka dapat berkontribusi pada pengembangan model khusus pasien. Model yang sekarang menjadi sangat penting dalam kedokteran modern.