Een theoretisch gefundeerde definitie van biomedische informatica (BMI) ontbrak lange tijd. Om enige aandacht te vestigen op dit wetenschappelijke veld, stelde Charles Friedman, Ph.D., de fundamentele stelling voor van de biomedische informatica. Het stelt dat "een persoon die in samenwerking met een informatiebron werkt" beter "is dan diezelfde persoon zonder hulp." De stelling van Friedman is eigenlijk geen formele wiskundige stelling (die gebaseerd is op deductie en wordt aanvaard als waar), maar eerder een distillatie van de essentie van BMI.
De stelling houdt in dat biomedische informatici zich bezighouden met hoe informatiebronnen mensen kunnen (of kunnen) helpen. Wanneer Friedman in zijn stelling verwijst naar een ‘persoon’, suggereert Friedman dat dit een individu (een patiënt, een arts, een wetenschapper, een beheerder), een groep mensen of zelfs een organisatie kan zijn.
Verder heeft de voorgestelde stelling drie logische gevolgtrekkingen die helpen de informatica beter te definiëren:
- Informatica gaat meer over mensen dan over technologie. Dit houdt in dat middelen moeten worden gebouwd ten behoeve van mensen.
- De informatiebron moet iets bevatten dat de persoon nog niet kent. Dit suggereert dat de bron zowel correct als informatief moet zijn.
- De interactie tussen een persoon en een resource bepaalt of de stelling geldig is. Deze consequentie erkent dat wat we alleen over de persoon of de bron weten, niet noodzakelijk het resultaat kan voorspellen.
De bijdrage van Friedman is erkend als bepalende BMI op een eenvoudige en gemakkelijk te begrijpen manier. Andere auteurs hebben echter alternatieve standpunten en aanvullingen op zijn stelling voorgesteld. Professor Stuart Hunter van Princeton University benadrukte bijvoorbeeld de rol van de wetenschappelijke methode bij het omgaan met gegevens.
Een groep wetenschappers van de Universiteit van Texas bepleitte ook dat de definitie van BMI de notie zou moeten bevatten dat informatie in de informatica ‘data plus betekenis’ is. Andere academische instellingen verstrekten uitgebreide definities die de multidisciplinaire aard van BMI erkenden en die zich richtten op gegevens, informatie en kennis in de context van de biogeneeskunde.
Uitingen van Friedman’s fundamentele stelling
Het is nuttig om uitdrukkingen van de stelling te overwegen in termen van de mensen of organisaties die de informatiebronnen zouden gebruiken. Of de stelling waar is in een bepaald scenario, kan empirisch worden getest met gerandomiseerde gecontroleerde studies en andere onderzoeken.
Hieronder staan enkele voorbeelden van hoe Friedmans stelling zou kunnen worden toegepast in de context van de huidige gezondheidszorg vanuit het perspectief van verschillende gebruikers.
Patiëntengebruikers
- Een patiënt die een app voor medicatieherinnering gebruikt, zal zich beter aan haar medicatieregime houden dan dezelfde patiënt die de app niet gebruikt.
- Een patiënt die probeert af te vallen en die een dieet volgt en oefent in een smartphone-app, verliest meer gewicht dan dezelfde patiënt zonder de app.
- Een patiënt die een patiëntenportaal gebruikt om met zijn arts te communiceren, voelt zich meer betrokken bij zijn zorg dan dezelfde patiënt zonder het portaal.
- Een patiënt die een patiëntenportaal gebruikt om de testresultaten te bekijken, zal een grotere tevredenheid over haar zorg uiten dan dezelfde patiënt zonder de portal.
- Een patiënt die deelneemt aan een online forum voor reumatoïde artritis zal effectiever omgaan met haar ziekte dan dezelfde patiënt zonder het forum.
Clinician-gebruikers
- Een kinderarts die een elektronisch medisch dossier (EPD) gebruikt met herinneringen voor vaccinatie, zal eerder geneigd zijn tijdig inentingen te bestellen dan dezelfde arts zonder herinneringen.
- Een spoedeisende hulpverlener met toegang tot een lokale gezondheidsinformatie-uitwisseling (HIE) bestelt minder duplicaattests dan dezelfde aanbieder zonder de HIE.
- Een verpleegkundige die een draadloos systeem gebruikt om vitale functies rechtstreeks in het EPD door te geven, zal minder documentatiefouten maken dan dezelfde verpleegkundige zonder het draadloze systeem.
- Een casemanager die een patiëntregister gebruikt, identificeert meer patiënten met ongecontroleerde hypertensie dan dezelfde casemanager zonder het register.
- Een chirurgisch team dat een veiligheidscontrolelijst gebruikt, zal minder chirurgische plaatsinfecties hebben dan hetzelfde chirurgische team zonder een checklist. (Merk op dat de checklist een voorbeeld is van een informatiebron die niet hoeft te worden gecomputeriseerd.)
- Een arts die een klinische beslissingsondersteunende (CDS) -tool gebruikt voor het doseren van antibiotica, zal waarschijnlijk de juiste antibioticadosis voorschrijven dan dezelfde arts. zonder de CDS-tool.
Gebruikers van de gezondheidszorgorganisatie
- Een ziekenhuis met een gecomputeriseerd diep veneuze trombose (DVT) risicobeoordelingsprogramma in het EPD heeft minder DVT’s dan hetzelfde ziekenhuis zonder het programma.
- Een ziekenhuis met een mobiel gecomputeriseerd arts order entry (CPOE) platform zal minder telefoonbestellingen hebben dan hetzelfde ziekenhuis zonder mobiele CPOE.
- Een ziekenhuis dat een HIE gebruikt om afgiftesamenvattingen naar eerstelijnszorgaanbieders te sturen, zal minder heropnames hebben dan hetzelfde ziekenhuis zonder de HIE.
- Een verpleeghuis met behulp van sensortechnologieën zal minder patiëntenvallen hebben dan hetzelfde verpleeghuis zonder de sensoren.
- Een studentenkliniek die herinneringen per sms verstuurt, behaalt hogere vaccinatiesnelheden voor humaan papillomavirus (HPV) dan een kliniek zonder sms-systeem.
- Een landelijke gezondheidskliniek die telegeneeskunde gebruikt voor virtueel overleg met specialisten, zal minder patiënten naar de eerste hulpafdeling sturen, in vergelijking met dezelfde kliniek zonder telegeneeskunde.
- Een medische praktijk met een kwaliteitsverbeteringsdashboard zal hiaten in de zorgaanbod sneller identificeren dan dezelfde praktijk zonder het dashboard.
Het nieuwste op biomedische informatica
Soms bestudeert de biomedische informatica complexe problemen die moeilijk te vangen zijn. Dit veld omvat een breed spectrum van onderzoek, variërend van evaluaties van organisaties tot analyses van genomische datasets (bijvoorbeeld kankeronderzoek). Het kan ook worden gebruikt om klinische voorspellingsmodellen te ontwikkelen, die worden ondersteund door elektronische medische dossiers (EPD). Twee wetenschappers van de Universiteit van Pittsburgh, Gregory Cooper en Shyam Visweswaran, werken momenteel aan het ontwerpen van klinische voorspellingsmodellen uit gegevens met behulp van kunstmatige intelligentie (AI), machine learning (ML) en Bayesiaanse modellering. Hun werk zou kunnen bijdragen aan de ontwikkeling van patiëntspecifieke modellen. Modellen die nu cruciaal worden in de moderne geneeskunde.
