Teorema de Informática Biomédica

Una definición teóricamente fundamentada de la informática biomédica (IMC) estuvo ausente durante mucho tiempo. Para traer un poco de atención a 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 esa 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 una destilación de la esencia de BMI.

El teorema implica que los informáticos biomédicos están preocupados por cómo los recursos de información pueden (o no) ayudar a las personas. Al referirse 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:

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

La contribución de Friedman ha sido reconocida como la definición de 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 hizo hincapié en el papel del método científico cuando se trata de datos .

Un grupo de científicos de la Universidad de Texas también defendió que la definición de BMI debería incluir 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 expresiones del teorema en términos de las personas u organizaciones que usarían los recursos de información. Si el teorema es verdadero en un escenario dado se puede probar empíricamente con ensayos controlados aleatorios y otros estudios.

A continuación hay 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 de pacientes

Usuarios clínicos

Usuarios de organizaciones de atención médica

Lo último en informática biomédica

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

> Fuentes:

> Bernstam E, Smith J, Johnson T. ¿Qué es la informática biomédica ?. J Biomed Inform . 2010; 43: 104-110.

> Friedman CP. Un "Teorema Fundamental" de Informática Biomédica . J Am Med Inform Assoc. 2009; 16: 169-170.

> Hunter J. Mejorando el "Teorema Fundamental de Informática Biomédica" de Friedman . J Am Med Inform Assoc . 2010; 17 (1): 112.

> Visweswaran S, Cooper G. Modelos predictivos específicos de instancias de aprendizaje . J Mach Learn Res . 2010; 11: 3333-3369.