Teorema de la Informática Biomédica

Durante mucho tiempo faltó una definición teóricamente fundamentada de la informática biomédica (IMC). Para enfocar este campo científico, Charles Friedman, Ph.D., propuso el teorema fundamental de la informática biomédica. Afirma que "una persona que trabaja en asociación con un recurso de información es 'mejor' que la misma persona sin ayuda". El teorema de Friedman no es en realidad un teorema matemático formal (que se basa en la deducción y se acepta como verdadero), sino más bien una destilación de la esencia del IMC.
El teorema implica que los informáticos biomédicos están preocupados por cómo los recursos de información pueden (o no pueden) ayudar a las personas. Cuando se refiere a una "persona" en su teorema, Friedman sugiere que esto podría ser un individuo (un paciente, un clínico, un científico, un administrador), un grupo de personas o incluso una organización..
Además, el teorema propuesto tiene tres corolarios que ayudan a definir mejor la informática:

La informática es más sobre las personas que la tecnología. Esto implica que los recursos deben ser construidos para el beneficio de las personas..
El recurso de información debe incluir algo que la persona aún no sepa. Esto sugiere que el recurso debe ser correcto e informativo..
La interacción entre una persona y un recurso determina si el teorema se sostiene. Este corolario reconoce que lo que sabemos sobre la persona sola o el recurso solo no puede necesariamente predecir el resultado.

La contribución de Friedman ha sido reconocida por definir el IMC de una manera simple y fácil de entender. Sin embargo, otros autores han sugerido puntos de vista alternativos y adiciones a su teorema. Por ejemplo, el profesor Stuart Hunter de la Universidad de Princeton enfatizó el papel del método científico cuando se trata de datos. Un grupo de científicos de la Universidad de Texas también abogó por que la definición de IMC incluya la noción de que la información en informática es "datos más significado". Otras instituciones académicas proporcionaron definiciones elaboradas que reconocieron la naturaleza multidisciplinaria del IMC y se centraron en los datos, la información y el conocimiento en el contexto de la biomedicina..

Expresiones del teorema fundamental de Friedman

Es útil considerar las expresiones del teorema en términos de las personas u organizaciones que usarían los recursos de información. Si el teorema es cierto en un escenario determinado se puede probar empíricamente con ensayos controlados aleatorios y otros estudios.
A continuación se muestran algunos ejemplos de cómo se podría aplicar el teorema de Friedman en el contexto de la atención médica actual desde la perspectiva de diferentes usuarios..

Usuarios Pacientes

Un paciente que use una aplicación de recordatorio de medicamentos se adherirá más a su régimen de medicamentos que el mismo paciente que no usa la aplicación.
Un paciente que intenta perder peso y hace un seguimiento de la dieta y el ejercicio en una aplicación de teléfono inteligente perderá más peso que el mismo paciente sin la aplicación.
Un paciente que utiliza un portal de pacientes para comunicarse con su médico se sentirá más involucrado en su cuidado que el mismo paciente sin el portal.
Un paciente que usa un portal de pacientes para ver los resultados de las pruebas expresará una mayor satisfacción con su atención que el mismo paciente sin el portal.
Un paciente que participa en un foro en línea para la artritis reumatoide enfrentará su enfermedad de manera más efectiva que el mismo paciente sin el foro..

Usuarios clínicos

Un pediatra que utilice un registro de salud electrónico (EHR) con recordatorios de vacunación tendrá más probabilidades de ordenar las vacunas oportunas que el mismo médico sin los recordatorios..
Un proveedor de medicamentos de emergencia con acceso a un intercambio de información de salud local (HIE) ordenará menos pruebas duplicadas que el mismo proveedor sin el HIE.

Una enfermera que usa un sistema inalámbrico para transmitir signos vitales directamente en el EHR cometerá menos errores de documentación que la misma enfermera sin el sistema inalámbrico.
Un administrador de casos que utiliza un registro de pacientes identificará más pacientes con hipertensión no controlada que el mismo administrador de casos sin el registro.
Un equipo quirúrgico que utilice una lista de verificación de seguridad tendrá menos infecciones en el sitio quirúrgico que el mismo equipo quirúrgico sin una lista de verificación. (Tenga en cuenta que la lista de verificación es un ejemplo de un recurso de información que no necesita ser computarizado.)
Es más probable que un médico que utilice una herramienta de apoyo a la decisión clínica (CDS) para la administración de antibióticos recete la dosis de antibiótico adecuada que el mismo médico sin la herramienta CDS..

Usuarios de la Organización del Cuidado de la Salud

Un hospital con un programa computarizado de evaluación de riesgo de trombosis venosa profunda (TVP) en la HCE tendrá menos TVP que el mismo hospital sin el programa.
Un hospital con una plataforma de entrada de pedidos de médicos computarizados (CPOE) tendrá menos pedidos por teléfono que el mismo hospital sin CPOE móvil.
Un hospital que utiliza un HIE para enviar resúmenes de alta a los proveedores de atención primaria tendrá menos reingresos que el mismo hospital sin el HIE.
Un asilo que use tecnologías de sensores tendrá una tasa de caídas de pacientes más baja que el mismo asilo sin los sensores.
Una clínica de salud para estudiantes que envía recordatorios de mensajes de texto logrará tasas de vacunación más altas para el virus del papiloma humano (VPH) que una clínica sin el sistema de mensajes de texto.
Una clínica de salud rural que utiliza la telemedicina para consultas virtuales con especialistas enviará menos pacientes a la sala de emergencias, en comparación con la misma clínica sin telemedicina.
Una práctica médica con un panel de control de mejora de la calidad identificará las brechas en la provisión de atención médica más rápidamente que la misma práctica sin el panel de control.

Lo último en informática biomédica

A veces, la informática biomédica estudia problemas complejos que pueden ser difíciles de captar. Este campo incluye un amplio espectro de investigación, desde evaluaciones de organizaciones hasta análisis de conjuntos de datos genómicos (por ejemplo, investigación de cáncer). También se puede utilizar para desarrollar modelos de predicción clínica, que están respaldados por registros médicos electrónicos (EHR). Dos académicos de la Universidad de Pittsburgh, Gregory Cooper y Shyam Visweswaran, están trabajando actualmente en el diseño de modelos de predicción clínica a partir de datos que utilizan inteligencia artificial (IA), aprendizaje automático (ML) y modelado bayesiano. Su trabajo podría contribuir al desarrollo de modelos específicos para cada paciente. Modelos que ahora se están volviendo cruciales en la medicina moderna..