Mangler i en lang tid en teoretisk grundforklaring af biomedicinsk informatik (BMI). For at bringe noget fokus på dette videnskabelige område, foreslog Charles Friedman, Ph.D., den grundlæggende sætning af biomedicinsk informatik. Det hedder, at "en person, der arbejder i partnerskab med en informationsressource, er" bedre "end den samme person uden hjælp." Friedmans sætning er ikke en formel matematisk sætning (som er baseret på fradrag og accepteres som sandt), men snarere en destillation af essensen af BMI.
Stillingen indebærer, at biomedicinske informatører er bekymrede over, hvordan informationsressourcer kan (eller ikke kan) hjælpe mennesker. Når han henviser til en ‘person’ i sin sætning, foreslår Friedman, at dette enten kan være individ (patient, kliniker, videnskabsmand, administrator), en gruppe mennesker eller endda en organisation.
Desuden har den foreslåede sætning tre konsekvenser, der hjælper med at definere informatik bedre:
- Informatik handler mere om mennesker end teknologi. Dette indebærer, at ressourcer skal bygges til gavn for mennesker.
- Informationsressourcerne skal indeholde noget, som personen ikke allerede kender. Dette tyder på, at ressourcen skal være både korrekt og informativ.
- Samspillet mellem en person og en ressource afgør, om sætningen besidder. Denne konsekvens anerkender, at det, vi kun ved om personen alene eller ressourcen alene, ikke nødvendigvis forudsiger resultatet.
Friedmans bidrag er blevet anerkendt som definerer BMI på en enkel og let forståelig måde. Andre forfattere har dog foreslået alternative synspunkter og tilføjelser til hans sætning. Professor Stuart Hunter fra Princeton University understregede for eksempel rollen som den videnskabelige metode, når man behandler data.
En gruppe forskere fra University of Texas foreslog også, at definitionen af BMI skulle indeholde begrebet, at information i informatik er ‘data plus mening’. Andre akademiske institutioner gav udførlige definitioner, der anerkendte BMI’s tværfaglige karakter og fokuserede på data, information og viden inden for biomedicin.
Udtryk af Friedmans grundlæggende sætning
Det er nyttigt at overveje udtryk for sætningen med hensyn til de mennesker eller organisationer, der vil bruge informationsressourcerne. Hvorvidt sætningen er sand i et givet scenario, kan testes empirisk med randomiserede kontrollerede forsøg og andre undersøgelser.
Nedenfor er nogle eksempler på hvordan Friedmans sætning kunne anvendes i sammenhæng med den nuværende sundhedspleje ud fra forskellige brugeres perspektiv.
Patientbrugere
- En patient, der bruger en medicinpåmindelsesapp, vil være mere vedhængende over hendes medicinregime end den samme patient, der ikke bruger appen.
- En patient, der forsøger at tabe sig, der sporer kost og motion på en smartphone-app, vil miste mere vægt end den samme patient uden appen.
- En patient, der bruger en patientportal til at kommunikere med sin læge, vil føle sig mere engageret i sin omsorg end den samme patient uden portalen.
- En patient, der bruger en patientportal til at se testresultater, vil udtrykke højere tilfredshed med hendes pleje end den samme patient uden portalen.
- En patient, der deltager i et onlineforum for reumatoid arthritis, vil klare sig mere effektivt med sin sygdom end den samme patient uden forummet.
Klinikbrugere
- En børnelæge, der bruger en elektronisk sundhedspost (EHR) med vaccinationspåmindelser, vil være mere tilbøjelige til at bestille rettidige vaccinationer end den samme læge uden påmindelserne.
- En nødmedicinsk udbyder med adgang til en lokal sundhedsinformationsudveksling (HIE) vil bestille færre duplikatestninger end den samme udbyder uden HIE.
- En sygeplejerske, der bruger et trådløst system til at overføre vitale tegn direkte til EHR, vil medføre færre dokumentationsfejl end den samme sygeplejerske uden det trådløse system.
- En sagsbehandling ved brug af et patientregister registrerer flere patienter med ukontrolleret hypertension end den samme sagsbehandler uden registreringsdatabasen.
- Et kirurgisk hold, der bruger en sikkerhedstjekliste, vil have færre kirurgiske infektioner end det samme kirurgiske hold uden en tjekliste. (Bemærk at tjeklisten er et eksempel på en informationsressource, der ikke behøver at blive computeriseret.)
- En læge, der bruger et værktøj til klinisk beslutningstøtte (CDS) til antibiotikadosering, er mere tilbøjelig til at ordinere den passende antibiotikadosis end den samme læge uden CDS værktøjet.
Sundhedsvæsen Organisation Brugere
- Et hospital med et computerbaseret risikovurderingsprogram for dyb venetrombose (DVT) i EHR vil have færre DVT’er end det samme hospital uden programmet.
- Et hospital med en mobil computeropgave (CPOE) platform vil have færre telefonbestillinger end det samme hospital uden mobil CPOE.
- Et hospital, der bruger en HIE til at sende udslagsoversigter til primærplejeleverandører, vil have færre gentagelser end det samme hospital uden HIE.
- Et plejehjem, der bruger sensorteknologier, vil have en lavere grad af patientfald end det samme plejehjem uden sensorer.
- En elevhelseklinik, der sender SMS-påmindelser, opnår højere vaccinationshastigheder for human papillomavirus (HPV) end en klinik uden SMS-systemet.
- En landsdækkende sundhedsklinik, der bruger telemedicin til virtuelle konsultationer med specialister, vil sende færre patienter til beredskabsrummet sammenlignet med samme klinik uden telemedicin.
- En medicinsk praksis med et kvalitetsforbedringsdashboard vil identificere huller i sundhedsydelser hurtigere end den samme praksis uden instrumentbrættet.
Den seneste om biomedicinsk informatik
Ibland studerer biomedicinsk informatik komplekse problemer, der kan være vanskelige at fange. Dette felt omfatter et bredt spektrum af forskning, der spænder fra evalueringer af organisationer til genomiske datasætanalyser (for eksempel kræftforskning). Det kan også bruges til at udvikle kliniske forudsigelsesmodeller, som understøttes af elektroniske patientjournaler (EHR). To forskere fra University of Pittsburgh, Gregory Cooper og Shyam Visweswaran arbejder for tiden på at designe kliniske forudsigelsesmodeller fra data ved hjælp af kunstig intelligens (AI), maskinindlæring (ML) og Bayesian modellering. Deres arbejde kan bidrage til udviklingen af patientspecifikke modeller. Modeller, der nu bliver afgørende for moderne medicin.
