Theorem der biomedizinischen Informatik

Eine theoretisch fundierte Definition der biomedizinischen Informatik (BMI) fehlte lange. Um diesen wissenschaftlichen Bereich in den Mittelpunkt zu rücken, schlug Dr. Charles Friedman den Grundsatz der biomedizinischen Informatik vor. Sie besagt, dass "eine Person, die in Partnerschaft mit einer Informationsquelle arbeitet," besser "ist als dieselbe Person ohne Unterstützung." Friedmans Satz ist eigentlich kein formaler mathematischer Satz (der auf Ableitung beruht und als wahr akzeptiert wird), sondern eine Destillation vom Wesen des BMI.
Das Theorem impliziert, dass sich biomedizinische Informatiker mit der Frage befassen, wie Informationsressourcen Menschen helfen können (oder nicht). Wenn Friedman in seinem Theorem von einer "Person" spricht, dann geht er davon aus, dass dies entweder eine Person (ein Patient, ein Kliniker, ein Wissenschaftler, ein Administrator), eine Personengruppe oder sogar eine Organisation sein könnte.
Darüber hinaus enthält der vorgeschlagene Satz drei Folgerungen, die dazu beitragen, die Informatik besser zu definieren:

In der Informatik geht es mehr um Menschen als um Technologie. Dies impliziert, dass Ressourcen zum Wohle der Menschen aufgebaut werden sollten.
Die Informationsquelle muss etwas enthalten, das die Person noch nicht kennt. Dies legt nahe, dass die Ressource korrekt und informativ sein muss.
Die Interaktion zwischen einer Person und einer Ressource bestimmt, ob der Satz gilt. Diese Folgerung erkennt an, dass das, was wir über die Person allein oder die Ressource allein wissen, das Ergebnis nicht unbedingt vorhersagen kann.

Friedmans Beitrag wurde als einfache und verständliche Definition des BMI anerkannt. Andere Autoren haben jedoch alternative Standpunkte und Ergänzungen zu seinem Theorem vorgeschlagen. Beispielsweise betonte Professor Stuart Hunter von der Princeton University die Rolle der wissenschaftlichen Methode beim Umgang mit Daten. Eine Gruppe von Wissenschaftlern der University of Texas plädierte auch dafür, dass die Definition des BMI den Gedanken beinhalten sollte, dass Informationen in der Informatik „Daten plus Bedeutung“ sind. Andere akademische Institutionen lieferten ausführliche Definitionen, die den multidisziplinären Charakter des BMI anerkannten und sich auf Daten, Informationen und Wissen im Kontext der Biomedizin konzentrierten.

Ausdrücke des Fundamentalsatzes von Friedman

Es ist nützlich, Ausdrücke des Satzes in Bezug auf die Personen oder Organisationen zu betrachten, die die Informationsressourcen verwenden würden. Ob der Satz in einem bestimmten Szenario zutrifft, kann anhand randomisierter kontrollierter Studien und anderer Studien empirisch überprüft werden.
Nachfolgend sind einige Beispiele aufgeführt, wie der Satz von Friedman im Kontext der aktuellen Gesundheitsversorgung aus der Sicht verschiedener Benutzer angewendet werden könnte.

Geduldige Benutzer

Ein Patient, der eine App zur Medikamentenerinnerung verwendet, hält sich stärker an sein Medikamentenschema als derselbe Patient, der die App nicht verwendet.
Ein Patient, der versucht, Gewicht zu verlieren und auf einer Smartphone-App Ernährung und Bewegung nachverfolgt, verliert mehr Gewicht als derselbe Patient ohne die App.
Ein Patient, der ein Patientenportal verwendet, um mit seinem Arzt zu kommunizieren, fühlt sich in seiner Obhut engagierter als derselbe Patient ohne das Portal.
Eine Patientin, die ein Patientenportal zur Anzeige der Testergebnisse verwendet, ist mit ihrer Pflege zufriedener als dieselbe Patientin ohne das Portal.
Eine Patientin, die an einem Online-Forum für rheumatoide Arthritis teilnimmt, wird mit ihrer Krankheit besser fertig als dieselbe Patientin ohne Forum.

Anwender des Klinikers

Ein Kinderarzt, der eine elektronische Patientenakte (EHR) mit Impferinnerungen verwendet, wird mit größerer Wahrscheinlichkeit rechtzeitig Impfungen anordnen als derselbe Arzt ohne Erinnerungen.
Ein Notfallmediziner mit Zugang zu einem lokalen Gesundheitsinformationsaustausch (HIE) bestellt weniger Doppeltests als derselbe Anbieter ohne HIE.

Eine Krankenschwester, die ein drahtloses System verwendet, um Vitaldaten direkt in die EHR zu übertragen, macht weniger Dokumentationsfehler als dieselbe Krankenschwester ohne das drahtlose System.
Ein Fallmanager, der ein Patientenregister verwendet, identifiziert mehr Patienten mit unkontrollierter Hypertonie als derselbe Fallmanager ohne das Register.
Ein Operationsteam, das eine Sicherheits-Checkliste verwendet, hat weniger Infektionen an der Operationsstelle als dasselbe Operationsteam ohne Checkliste. (Beachten Sie, dass die Checkliste ein Beispiel für eine Informationsressource ist, die nicht computerisiert werden muss.)
Ein Arzt, der ein CDS-Tool (Clinical Decision Support) für die Antibiotikadosierung verwendet, verschreibt mit größerer Wahrscheinlichkeit die geeignete Antibiotikadosis als derselbe Arzt ohne das CDS-Tool.

Benutzer der Gesundheitsorganisation

Ein Krankenhaus mit einem Risikobewertungsprogramm für computergestützte tiefe Venenthrombosen (DVT) in der EHR verfügt über weniger DVTs als dasselbe Krankenhaus ohne das Programm.
Ein Krankenhaus mit einer mobilen CPOE-Plattform (Computerized Physician Order Entry) hat weniger telefonische Bestellungen als dasselbe Krankenhaus ohne mobile CPOE.
Ein Krankenhaus, das einen HIE verwendet, um Entlassungsübersichten an Erstversorger zu senden, hat weniger Wiederaufnahmen als dasselbe Krankenhaus ohne den HIE.
Ein Pflegeheim, das Sensortechnologien einsetzt, weist eine geringere Sturzrate auf als dasselbe Pflegeheim ohne Sensoren.
Eine Studentenklinik, die SMS-Erinnerungen sendet, erzielt höhere Impfraten für das humane Papillomavirus (HPV) als eine Klinik ohne SMS-System.
Eine ländliche Gesundheitsklinik, die Telemedizin für virtuelle Konsultationen mit Spezialisten einsetzt, wird weniger Patienten in die Notaufnahme bringen als dieselbe Klinik ohne Telemedizin.
Eine Arztpraxis mit einem Dashboard zur Qualitätsverbesserung erkennt Lücken in der Gesundheitsversorgung schneller als dieselbe Praxis ohne das Dashboard.

Das Neueste zur biomedizinischen Informatik

Manchmal untersucht die biomedizinische Informatik komplexe Probleme, die sich nur schwer erfassen lassen. Dieses Gebiet umfasst ein breites Forschungsspektrum, das von Bewertungen von Organisationen bis zu Analysen von Genomdatensätzen (z. B. Krebsforschung) reicht. Es kann auch verwendet werden, um klinische Vorhersagemodelle zu entwickeln, die durch elektronische Patientenakten (EHR) unterstützt werden. Zwei Wissenschaftler der Universität Pittsburgh, Gregory Cooper und Shyam Visweswaran, arbeiten derzeit an der Entwicklung klinischer Vorhersagemodelle aus Daten unter Verwendung von künstlicher Intelligenz (KI), maschinellem Lernen (ML) und Bayes'scher Modellierung. Ihre Arbeit könnte zur Entwicklung patientenspezifischer Modelle beitragen. Modelle, die in der modernen Medizin immer wichtiger werden.