உயிரியளவிலான தகவலியல் (பிஎம்ஐ) பற்றிய தத்துவார்த்த ரீதியாக வரையறுக்கப்பட்ட வரையறை நீண்ட காலத்திற்கு குறைவாகவே இருந்தது. இந்த விஞ்ஞான துறையில் கவனம் செலுத்துவதற்கு, சார்லஸ் ஃப்ரீட்மேன், பி.எச்.டி, உயிரிமருத்துவ தகவல் தொடர்புத் தத்துவத்தை முன்மொழியப்பட்டது. "ஒரு தகவல் ஆதாரத்துடன் கூட்டு சேர்ந்து செயல்படும் ஒரு நபர் '' அதே நபரை விட வேறொன்றும் இல்லை '' என்று குறிப்பிடுகிறார். ஃப்ரீட்மேன் தேற்றம் உண்மையில் ஒரு முறையான கணித தேற்றம் அல்ல (துப்பறியும் அடிப்படையில் இது ஏற்றுக்கொள்ளப்பட்டது), ஆனால் ஒரு வடிகட்டுதல் BMI இன் சாராம்சம்.
தகவல் தேவைகள் எவ்வாறு (அல்லது) மக்களுக்கு எவ்வாறு உதவுகிறது என்பதைப் பற்றி உயிரிமருத்துவ தகவல் தொடர்பு வல்லுநர்கள் கருதுகின்றனர். அவரது தேற்றத்தில் ஒரு 'நபர்' என்பதைக் குறிப்பிடும்போது, இது ஒரு நபராக இருக்கலாம் (ஒரு நோயாளி , ஒரு மருத்துவர், ஒரு விஞ்ஞானி, ஒரு நிர்வாகி ), ஒரு குழு அல்லது ஒரு அமைப்பு.
மேலும், முன்மொழியப்பட்ட கோட்பாடு தகவல் தொடர்புக்கு சிறந்ததை வரையறுக்க உதவுகின்ற மூன்று மண்டலங்கள்:
- தொழில்நுட்பம் தொழில்நுட்ப விட மக்கள் பற்றி மேலும். மக்களின் நலனுக்காக வளங்கள் கட்டப்பட வேண்டும் என்று இது குறிக்கிறது.
- தகவல் ஆதாரமானது நபர் ஏற்கெனவே தெரியாத ஒன்று சேர்க்க வேண்டும். வள ஆதாரமானது சரியாகவும் தகவல் கொடுக்கும்தாகவும் இருக்க வேண்டும் என்று இது அறிவுறுத்துகிறது.
- கோட்பாடு இருந்தால் ஒரு நபருக்கும் ஒரு வளத்திற்கும் இடையிலான இடைவெளி தீர்மானிக்கப்படுகிறது. தனியாக அல்லது தனியாக இருப்பதைப் பற்றி நாம் அறிந்திருப்பது, விளைவை முன்னறிவிப்பதற்கில்லை என்பதை இந்த முரண்பாடு அங்கீகரிக்கிறது.
ஃப்ரீட்மேனின் பங்களிப்பு பிஎம்ஐஐ எளிய மற்றும் எளிதான புரிந்துணர்வு வழியில் வரையறுக்கும் வகையில் அங்கீகரிக்கப்பட்டுள்ளது. இருப்பினும், மற்ற எழுத்தாளர்கள் அவரது கோட்பாட்டிற்கு மாற்று கருத்துக் கோணங்களையும் சேர்த்தல்களையும் பரிந்துரைத்துள்ளனர். உதாரணமாக, பிரின்ஸ்டன் பல்கலைக்கழகத்தின் பேராசிரியர் ஸ்டூவர்ட் ஹண்டர் தரவுகளை கையாளும் போது விஞ்ஞான முறையின் பங்கை வலியுறுத்தினார்.
டெக்சாஸ் பல்கலைக் கழகத்தின் விஞ்ஞானிகள், பி.எம்.ஐயின் வரையறை, தகவலியல் தகவல்களின் 'தரவு மற்றும் பொருள்' எனும் கருத்தை உள்ளடக்கியதாக இருக்க வேண்டும் என்று வாதிடுகின்றனர். பிற கல்வி நிறுவனங்கள் பி.எம்.ஐயின் பல்சார்ந்த இயல்பை அங்கீகரித்த விரிவான வரையறைகள் மற்றும் உயிரி மருத்துவத்தின் சூழலில் தரவு, தகவல் மற்றும் அறிவு ஆகியவற்றில் கவனம் செலுத்தியது.
ஃபிரட்மேனின் அடிப்படை தேற்றம் வெளிப்பாடுகள்
தகவல் வளங்களைப் பயன்படுத்தும் மக்களிடமோ அல்லது அமைப்புகளிலோ கோட்பாட்டின் வெளிப்பாடுகளை கருத்தில் கொள்வது பயனுள்ளதாக இருக்கும். ஒரு கோட்பாட்டில் தேற்றம் உண்மையானதா இல்லையா என்பது சீரற்ற கட்டுப்பாட்டு சோதனை மற்றும் பிற ஆய்வுகள் மூலம் அனுபவபூர்வமாக சோதிக்கப்பட முடியும்.
ப்ரைட்மேன் தேற்றம் வெவ்வேறு பயனர்களின் கண்ணோட்டத்தில் தற்போதைய சுகாதாரப் பாதுகாப்பு சூழலில் எவ்வாறு பயன்படுத்தப்படலாம் என்பதற்கான சில எடுத்துக்காட்டுகள் கீழே கொடுக்கப்பட்டுள்ளன.
நோயாளி பயனர்கள்
- ஒரு மருந்து நினைவூட்டல் பயன்பாட்டைப் பயன்படுத்தி நோயாளியின் பயன்பாட்டைப் பயன்படுத்தாத அதே நோயாளியை விட அவரது மருந்து ஒழுங்குமுறைக்கு மிகவும் ஒத்துப்போகும்.
- ஒரு நோயாளி ஒரு ஸ்மார்ட்போன் பயன்பாட்டில் உணவு மற்றும் உடற்பயிற்சி கண்காணிக்க யார் எடை இழக்க முயற்சி பயன்பாட்டை இல்லாமல் அதே நோயாளி விட எடை இழக்க நேரிடும்.
- நோயாளியின் போதைப் பொருளைப் பயன்படுத்தும் நோயாளி ஒரு மருத்துவர் நோயாளியைப் போன்று அதே நோயாளியைக் காட்டிலும் அதிக கவனம் செலுத்துகிறார்.
- சோதனையின் முடிவுகளைப் பார்வையிட நோயாளி போர்ட்டைப் பயன்படுத்தும் ஒரு நோயாளி, போர்டல் இல்லாமலேயே அதே நோயாளியைக் காட்டிலும் அதிகமான திருப்தியை வெளிப்படுத்துவார்.
- முடக்கு வாதம் ஒரு ஆன்லைன் மன்றத்தில் பங்கேற்பாளரை நோயாளி இல்லாமல் அதே நோயாளி விட அவரது நோய் இன்னும் திறம்பட சமாளிக்க முடியும்.
மருத்துவ பயனர்கள்
- தடுப்பூசி நினைவூட்டல்களுடன் மின்னணு சுகாதார பதிவு (EHR) பயன்படுத்தி ஒரு குழந்தை மருத்துவர் ஒருவர் நினைவூட்டல்கள் இல்லாமல் அதே மருத்துவர் விட சரியான நேரத்தில் தடுப்பூசிகள் உத்தரவிட அதிகமாக இருக்கும்.
- ஒரு உள்ளூர் சுகாதார தகவல் பரிமாற்றம் (HIE) அணுகல் அவசர மருத்துவ வழங்குநர் HIE இல்லாமல் அதே வழங்குநரை விட குறைவான போலி சோதனைகள் ஆர்டர் செய்யும்.
- EHR இல் நேரடியாக முக்கிய அறிகுறிகளை அனுப்ப ஒரு வயர்லெஸ் அமைப்பு பயன்படுத்தும் ஒரு செவிலியர் வயர்லெஸ் அமைப்பு இல்லாமல் அதே நர்ஸ் விட குறைவான ஆவண பிழைகளை செய்யும்.
- நோயாளியின் பதிவைப் பயன்படுத்தி ஒரு வழக்கு மேலாளர் பதிவேட்டில் இல்லாமல் அதே வழக்கு மேலாளரை விட கட்டுப்பாடற்ற உயர் இரத்த அழுத்தம் கொண்ட நோயாளிகளை அடையாளம் காண்பார்.
- ஒரு பாதுகாப்புப் பட்டியலைப் பயன்படுத்தி அறுவைசிகிச்சை குழு ஒரு சோதனைப் பட்டியலைக் காட்டிலும் குறைவான அறுவை சிகிச்சைக்குரிய நோய்த்தாக்கங்களைக் கொண்டிருக்கும். ( காசோலைக்கு கணினி தகவல் தேவையில்லை என்று ஒரு தகவல் வளத்தின் ஒரு உதாரணம் என்பதை கவனத்தில் கொள்க.)
- நுண்ணுயிர் எதிர்ப்பி மருந்துக்கான ஒரு மருத்துவ முடிவை ஆதரிக்கும் ஒரு மருத்துவர் (CDS) கருவி மூலம் CDS கருவி இல்லாமல் அதே மருத்துவரைவிட பொருத்தமான ஆண்டிபயாடிக் மருந்துகளை பரிந்துரைக்கலாம்.
சுகாதார பராமரிப்பு அமைப்பு பயனர்கள்
- EHR இன் கணினிமயமாக்கப்பட்ட ஆழ்ந்த சிரை இரத்தக் குழாயின் (DVT) இடர் மதிப்பீட்டுத் திட்டத்துடன் கூடிய ஒரு மருத்துவமகம், நிரல் இல்லாமல் அதே மருத்துவமனையை விட குறைவான DVT களைக் கொண்டிருக்கும்.
- மொபைல் கணினி சிஸ்டம் ஆர்டர் நுழைவு (CPOE) மேடையில் உள்ள ஒரு மருத்துவமனையானது, மொபைல் CPOE இல்லாமல் அதே மருத்துவமனைக்கு குறைவான தொலைபேசி உத்தரவுகளைக் கொண்டிருக்கும்.
- முதன்மை கவனிப்பு வழங்குநர்களுக்கு டிஸ்சார்ஜ் சுருக்கங்களை அனுப்புவதற்கு HIE ஐ பயன்படுத்தும் ஒரு மருத்துவமனை HIE இல்லாமல் ஒரே மருத்துவமனைக்கு குறைவான வாசிப்புக்களைக் கொண்டிருக்கும்.
- சென்சார் தொழில்நுட்பங்களைப் பயன்படுத்தி ஒரு மருத்துவ இல்லம் நோயாளிகள் இல்லாமல் அதே நர்சிங் ஹோம் விட நோயாளி நீர்வீழ்ச்சி குறைந்த விகிதம் வேண்டும்.
- உரை செய்தி நினைவூட்டல்களை அனுப்பும் ஒரு மாணவர் சுகாதார மருத்துவமனை, உரை செய்தி அமைப்பு இல்லாமல் ஒரு மருத்துவமனையை விட மனித பாப்பிலோமாவைரஸ் (HPV) க்கான அதிக தடுப்பூசி விகிதங்களை அடைய முடியும்.
- டெலிமெடிசின் இல்லாமல் ஒரு மருத்துவ கிராமத்தில், மருத்துவ நிபுணர்களுடன் மெய்நிகர் ஆலோசனைகளுக்கு குறைந்த அளவிலான நோயாளிகள் அவசர அறைக்கு அனுப்பப்படுவார்கள்.
- தர மேம்பாட்டு டேஷ்போர்டு கொண்ட ஒரு மருத்துவ நடைமுறை டேஷ்போர்டு இல்லாமல் அதே நடைமுறையை விட விரைவாக சுகாதார வசதிகளை அளிக்கும்.
உயிர் மருத்துவ தகவல் பற்றிய சமீபத்திய
சில நேரங்களில் உயிரிமருத்துவ தகவலியல் சிக்கல்களை சிக்கலாக்கும் கடினமான சிக்கல்களை ஆராய்கிறது. இந்தத் துறையானது, நிறுவனங்களின் மதிப்பீடுகளிலிருந்து மரபணு தரவுத்தள பகுப்பாய்வுகளை (எ.கா. புற்றுநோய் ஆராய்ச்சி) வரை ஆராய்ச்சியின் ஒரு பரந்த அளவிலான ஆராய்ச்சியை உள்ளடக்கியுள்ளது. இது மின்னணு கணிப்பு பதிவுகள் (EHR) ஆதரிக்கும் மருத்துவ கணிப்பு மாதிரிகள் உருவாக்க பயன்படும். பிட்ஸ்பர்க், கிரிகோரி கூப்பர் மற்றும் ஷ்யாம் விஸ்வேஸ்வரன் பல்கலைக்கழகத்திலிருந்து இரண்டு அறிஞர்கள் தற்போது செயற்கை நுண்ணறிவு (AI), இயந்திர கற்றல் (எம்.எல்) மற்றும் பேய்சியன் மாடலிங் ஆகியவற்றைப் பயன்படுத்தி தரவுகளிலிருந்து மருத்துவ கணிப்பு மாதிரிகள் வடிவமைப்பதில் வேலை செய்கின்றனர். அவற்றின் வேலை நோயாளி சார்ந்த மாதிரிகளின் வளர்ச்சிக்கு பங்களிக்க முடியும். நவீன மருத்துவத்தில் இப்போது முக்கியத்துவம் வாய்ந்த மாதிரிகள்.
> ஆதாரங்கள்:
> பெர்ன்ஸ்டாம் ஈ, ஸ்மித் ஜே, ஜான்சன் டி. உயிர்மியல் தகவல் என்ன? ஜே பயோமெட் இன்பார்ம் . 2010; 43: 104-110.
> ஃப்ரீட்மன் CP. உயிர் மருத்துவ தகவல் ஒரு "அடிப்படை தேற்றம்" . ஜே ஆம் மெட் இன்பார்ம் அசோகே. 2009; 16: 169-170.
> ஹண்டர் ஜே. என்ஹேன்சிங் ஃப்ரைட்மேன் "அடிப்படை கோட்பாடு ஆஃப் பயோமெடிக்கல் இன்டர்மேடிக்ஸ்" . ஜே ஆம் மெட் இன்பார்ம் அசோகே . 2010; 17 (1): 112.
> விஸ்வேஸ்வரன் எஸ், கூப்பர் ஜி. கன்ஸ்யூட்டிங் இண்டெர்ன்ஸ்-குறிப்பிட்ட கணிப்பு மாதிரிகள் . ஜே மேக்ஸ் ரெஸ் . 2010; 11: 3333-3369.