Definisi teoritis informatika biomedis (BMI) tidak memiliki dasar yang kuat untuk waktu yang lama. Untuk membawa beberapa fokus ke bidang ilmiah ini, Charles Friedman, Ph.D., mengusulkan teorema fundamental informatika biomedis. Ini menyatakan bahwa "seseorang yang bekerja dalam kemitraan dengan sumber informasi adalah '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 menyiratkan bahwa informatika biomedis prihatin dengan bagaimana sumber informasi dapat (atau tidak dapat) membantu orang. Ketika mengacu pada 'orang' dalam teorinya, Friedman menunjukkan bahwa ini bisa menjadi individu ( pasien , dokter, ilmuwan, administrator ), sekelompok orang atau bahkan sebuah organisasi.
Selanjutnya, teorema yang diusulkan memiliki tiga corollary yang membantu mendefinisikan informatika lebih baik:
- Informatika lebih banyak tentang orang daripada teknologi. Ini berarti bahwa sumber daya harus dibangun untuk kepentingan orang.
- Sumber informasi harus menyertakan sesuatu yang belum diketahui orang tersebut. Ini menunjukkan bahwa sumber daya harus benar dan informatif.
- Interaksi antara seseorang dan sumber daya menentukan apakah teorema itu berlaku. Konsekuensi ini mengakui bahwa apa yang kita ketahui tentang orang itu sendiri atau sumber daya saja tidak dapat selalu memprediksi hasilnya.
Kontribusi Friedman telah diakui sebagai mendefinisikan BMI dengan cara yang sederhana dan mudah dimengerti. Namun, penulis lain menyarankan sudut pandang alternatif dan penambahan teorema. Misalnya, 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 meaning'. Lembaga akademis lainnya memberikan definisi yang rumit yang mengakui sifat multidisiplin dari BMI dan berfokus pada data, informasi, dan pengetahuan dalam konteks biomedis.
Ekspresi Teorema Dasar Friedman
Ini berguna untuk mempertimbangkan ekspresi teorema dalam hal orang atau organisasi yang akan menggunakan sumber daya informasi. Apakah teorema berlaku dalam skenario tertentu dapat diuji secara empiris dengan uji coba terkontrol secara acak dan penelitian lain.
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 pada rejimen pengobatannya daripada pasien yang sama yang tidak menggunakan aplikasi.
- Seorang pasien yang mencoba menurunkan berat badan yang melacak diet dan olahraga pada aplikasi smartphone akan kehilangan berat badan lebih banyak 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 menyatakan kepuasan yang lebih tinggi dengan perawatannya daripada pasien yang sama tanpa portal.
- Seorang pasien yang berpartisipasi dalam forum online untuk rheumatoid arthritis akan mengatasi lebih efektif dengan penyakitnya daripada pasien yang sama tanpa forum.
Pengguna Klinik
- 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 setempat (HIE) akan memesan lebih sedikit tes duplikat 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 registrasi pasien akan mengidentifikasi lebih banyak pasien dengan hipertensi yang tidak terkontrol dibandingkan 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 dari sumber informasi yang tidak perlu dikomputerisasi.)
- Seorang dokter yang menggunakan alat pendukung keputusan klinis (CDS) untuk dosis antibiotik lebih mungkin meresepkan dosis antibiotik yang tepat daripada dokter yang sama tanpa alat CDS.
Pengguna Organisasi Perawatan Kesehatan
- Sebuah rumah sakit dengan program penilaian risiko vena dalam vena dalam (DVT) yang terkomputerisasi di EHR akan memiliki lebih sedikit DVT daripada rumah sakit yang sama tanpa program.
- Sebuah rumah sakit dengan platform entri perintah komputerisasi komputer genggam (CPOE) akan memiliki lebih sedikit pesanan telepon daripada rumah sakit yang sama tanpa CPOE seluler.
- Sebuah rumah sakit yang menggunakan HIE untuk mengirim ringkasan debit ke penyedia perawatan primer akan memiliki lebih sedikit readmissions daripada rumah sakit yang sama tanpa HIE.
- Sebuah panti jompo yang menggunakan teknologi sensor akan memiliki tingkat penurunan pasien yang lebih rendah daripada panti jompo yang sama tanpa sensor.
- Sebuah klinik kesehatan mahasiswa 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 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 dasbor.
Yang Terbaru di Informatika Biomedis
Terkadang informatika biomedis mempelajari masalah kompleks yang sulit untuk ditangkap. Bidang ini mencakup spektrum penelitian yang luas, mulai dari evaluasi organisasi hingga analisis data genom (misalnya 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 mengerjakan merancang model prediksi klinis dari data menggunakan kecerdasan buatan (AI), pembelajaran mesin (ML) dan pemodelan Bayesian. Pekerjaan mereka dapat berkontribusi pada pengembangan model spesifik pasien. Model yang sekarang menjadi krusial dalam kedokteran modern.
> Sumber:
> Bernstam E, Smith J, Johnson T. Apa itu informatika biomedis ?. J Biomed Inform . 2010; 43: 104-110.
> Friedman CP. “Teorema Fundamental” dari Informatika Biomedik . J Am Med Menginformasikan Assoc. 2009; 16: 169–170.
> Hunter J. Meningkatkan "Teorema Dasar Informatika Biomedis" dari Friedman . J Am Med Menginformasikan Assoc . 2010; 17 (1): 112.
> Visweswaran S, Cooper G. Pembelajaran Instan-Spesifik Model Prediktif . J Mach Belajar Res . 2010; 11: 3333-3369.