ဇီဝဆေးပညာပညာပေး Theorem

ပြီးတော့ biomedical ပညာပေး (BMI) ၏တစ်ဦးကသီအိုရီအ-grounded ချက်နှင့်အဓိပ္ပါယ်အချိန်ကြာမြင့်စွာချို့တဲ့ခဲ့သည်။ ဒီသိပ္ပံနည်းကျလယ်အချို့အာရုံစိုက်ရောက်စေဖို့, ချားလ်စ် Friedman, Ph.D ဘွဲ့ကို, ပြီးတော့ biomedical ပညာပေး၏အခြေခံ theorem အဆိုပြုထား။ ဒါဟာ Friedman ရဲ့ theorem အမှန်တကယ် (နှုတ်ယူခြင်းအပေါ်အခြေခံသည်ဟုတ်မှန်အဖြစ်လက်ခံသော) တရားဝင်သင်္ချာ theorem မဟုတ်ပါဘူး "။ တစ်ခုသတင်းအချက်အလက်အရင်းအမြစ်နှင့်အတူပူးပေါင်းအလုပ်လုပ်ပုဂ္ဂိုလ်တစ်ဦး unassisted ထိုလူတစ်ဦးထက် '' ပိုကောင်း '' က" ဒီလိုဖော်ပြထားပေမယ့်အစားတစ်ဦးပေါင်းခံ BMI ၏အနှစ်သာရ၏။

အဆိုပါ theorem ပြီးတော့ biomedical informaticians ဘယ်လိုသတင်းအချက်အလက်အရင်းအမြစ်များကိုတတ်နိုင်သမျှ (သို့မဟုတ်မဟုတ်နိုင်) လူတွေကိုကူညီနှင့်အတူစိုးရိမ်ပူပန်ဖြစ်ကြောင်းဆိုလို။ မိမိအ theorem တစ်ဦး '' လူတစ်ဦး '' ကိုရည်ညွှန်းတဲ့အခါ, Friedman ကဒီတစ်ဦးချင်း (ကဖြစ်နိုင်ပါတယ်ဖြစ်စေကြောင်းအကြံပြု လူနာ တစ်ဦးဆရာတစ်ဦးသိပ္ပံပညာရှင်တစ်ဦး စီမံခန့်ခွဲသူ ), ကလူသို့မဟုတ်ပင်အဖွဲ့အစည်းတစ်ခု၏အုပ်စုတစု။

ထို့ပြင်အဆိုပြုထား theorem ပိုကောင်းပညာပေးသတ်မှတ်ကူညီသုံးခုစောဒနာရှိပါတယ်:

1. ပညာပေးနည်းပညာထက်ကလူအကြောင်းပိုမိုဖြစ်ပါတယ်။ ဒါဟာအရင်းအမြစ်တွေကိုလူမျိုး၏အကျိုးအတွက်အဘို့တည်သင့်ကြောင်းဆိုလို။
2. အဆိုပါသတင်းအချက်အလက်အရင်းအမြစ်ပုဂ္ဂိုလ်ပြီးသားမသိတစ်ခုခုပါဝင်ရမည်။ ဒါဟာအရင်းအမြစ်မှန်ကန်သောနှင့်သိကောင်းစရာများနှစ်ဦးစလုံးဖြစ်ရန်လိုအပ်သည်ကြောင်းအကြံပြုထားသည်။
3. အဆိုပါ theorem ရရှိထားသူလျှင်ပုဂ္ဂိုလ်တစ်ဦးနှင့်တစ်ဦးအရင်းမြစ်များအကြားအပြန်အလှန်ဆုံးဖြတ်သည်။ ဤသည်စောဒနာသောအရာကိုကျွန်တော်တစ်ဦးတည်းပုဂ္ဂိုလ်သို့မဟုတ်တစ်ဦးတည်းသယံဇာတတွေအကြောင်းကိုသိသေချာပေါက်ရလဒ်ခန့်မှန်းမရနိုင်သည်ကိုအသိအမှတ်ပြုသည်။

Friedman ရဲ့အလှူငွေတစ်ရိုးရှင်းပြီးလွယ်ကူပါတယ်-to-နားလည်လမ်းအတွက် BMI defining အဖြစ်အသိအမှတ်ပြုခဲ့တာဖြစ်ပါတယ်။ သို့သော်အခြားစာရေးဆရာများကသူ့ theorem မှအခြားရွေးချယ်စရာရှုထောငျ့နဲ့ဖြည့်စွက်အကြံပြုခဲ့ကြသည်။ လာသောအခါဥပမာ, Princeton တက္ကသိုလ်ပါမောက္ခ Stuart Hunter သိပ္ပံနည်းကျနည်းလမ်း၏အခန်းကဏ္ဍကိုအလေးပေးပြောကြားခဲ့သည် ဒေတာနှငျ့ဆကျဆံရာတှငျ ။

တက္ကဆက်တက္ကသိုလ်ကနေသိပ္ပံပညာရှင်တစ်ဦးကအုပ်စုတစ်စုလည်း BMI ၏အဓိပ္ပါယ်ပညာပေးအတွက်သတင်းအချက်အလက် '' ဒေတာများကိုပေါင်းအဓိပ္ပာယ်ကို '' သောအယူအဆတို့ပါဝင်သည်သင့်ကြောင်းထောက်ခံ။ သည်အခြားပညာရေးဆိုင်ရာအဖွဲ့အစည်းများ BMI ၏ multidisciplinary သဘောသဘာဝအသိအမှတ်ပြုခြင်းနှင့်ဒေတာများ, သတင်းအချက်အလက်နှင့်ဇီဝဆေးပညာ၏အခြေအနေတွင်အသိပညာအာရုံစိုက်ကြောင်းပီပီအဓိပ္ပာယ်ဖြစ်သည်။

Friedman ရဲ့အခြေခံ Theorem ၏အသုံးအနှုနျးမြား

ဒါဟာသတင်းအချက်အလက်အရင်းအမြစ်များကိုအသုံးပွုရလိမ့်မယ်လို့ကိုလူများသို့မဟုတ်အဖွဲ့အစည်းများ၏အသုံးအနှုန်းများအတွက် theorem ၏အသုံးအနှုနျးမြားစဉ်းစားရန်အသုံးဝင်သည်။ မရှိ theorem မျက်မြင်လက်တွေ့ randomized ထိန်းချုပ်ထားစမ်းသပ်မှုတွေနှင့်အခြားလေ့လာမှုများနှင့်အတူစုံစမ်းစေနိုင်ပါတယ်ပေးထားသောဇာတ်လမ်းအတွက်စစ်မှန်တဲ့ရရှိထားသူဖြစ်ပါသည်။

အောက်တွင် Friedman ရဲ့ theorem ကွဲပြားခြားနားသောအသုံးပြုသူများကို၏ရှုထောင့်ကနေလက်ရှိကျန်းမာရေးစောင့်ရှောက်မှု၏အခြေအနေတွင်လျှောက်ထားနိုင်ပုံကိုနမူနာတခြို့ဖြစ်ကြသည်။

လူနာအသုံးပြုသူများ

• တစ်ဦးဆေးဝါးသတိပေးချက် app ကို အသုံးပြု. တစ်ဦးကလူနာ app ကိုအသုံးမပြုအတူတူပင်လူနာထက်သူမ၏ဆေး regimen ဖို့ပိုမကိုက်ညီနိုင်ပါလိမ့်မယ်။
• စမတ်ဖုန်း app ကိုအပေါ်အစားအသောက်နှင့်လေ့ကျင့်ခန်းခြေရာခံတဲ့သူအလေးချိန်ဆုံးရှုံးဖို့ကြိုးစားနေတစ်ဦးကလူနာ app ကိုမပါဘဲအတူတူပင်လူနာထက်ပိုကိုယ်အလေးချိန်ပါလိမ့်မယ်။
• မိမိအဆရာဝန်နှငျ့ဆကျသှယျဖို့လူနာပေါ်တယ်ကိုအသုံးပြုတဲ့သူတစ်ဦးကလူနာပေါ်တယ်မရှိဘဲတူညီသောလူနာထက်ကသူ့ပြုစုစောင့်ရှောက်မှုပိုမိုဆောင်ရွက်နေခံစားရပါလိမ့်မယ်။

• စမ်းသပ်မှုရလဒ်တွေကိုမြင်နိုင်ရန်စိတ်ရှည်ပေါ်တယ်ကိုအသုံးပြုတဲ့သူတစ်ဦးကလူနာပေါ်တယ်မရှိဘဲတူညီသောလူနာထက်သူမ၏စောင့်ရှောက်မှုနှင့်အတူပိုမိုမြင့်မားကျေနပ်မှုဖော်ပြမည်ဖြစ်သည်။
• တစ်ခုအွန်လိုင်းဖိုရမ်တစ်ခုအတွက်ပါဝင်တဲ့သူတစ်ဦးကလူနာ အဆစ်အဆစ် ဖိုရမ်မရှိဘဲတူညီသောလူနာထက်သူမ၏ရောဂါပိုမိုထိရောက်စွာရင်ဆိုင်ဖြေရှင်းနိုင်ပါလိမ့်မယ်။

ဆရာအသုံးပြုသူများ

• ကာကွယ်ဆေးထိုးသတိပေးချက်များနှင့်အတူတစ်အီလက်ထရောနစ်ကျန်းမာရေးစံချိန် (EHR) ကို အသုံးပြု. တစ်ဦးကကလေးအထူးကုအဆိုပါသတိပေးချက်များမရှိဘဲတူညီသောသမားထက်အချိန်မီကာကွယ်ဆေးထိုးဖို့ကပိုဖွယ်ရှိပါလိမ့်မည်။
• ဒေသခံတစ်ဦးမှလက်လှမ်းမီနှင့်အတူအရေးပေါ်ဆေးဝါးပံ့ပိုးပေး ကျန်းမာရေးသတင်းအချက်အလက်ဖလှယ်မှု (HIE) ကို HIE မရှိဘဲတူညီသော provider ကထက်နည်းပါးလာပုံတူစမ်းသပ်မှုအမိန့်ပါလိမ့်မယ်။

• တိုက်ရိုက် EHR သို့အရေးကြီးတဲ့လက္ခဏာ transmit လုပ်ဖို့ကိုကြိုးမဲ့စနစ်အားအသုံးပြုသည်သူတစ်သူနာပြုကြိုးမဲ့စနစ်အားမရှိဘဲတူညီသောသူနာပြုထက်နည်းပါးလာစာရွက်စာတမ်းများအမှားအယွင်းများစေမည်။
• လူနာ registry ကိုသုံးပြီးတစ်ဦးကအမှုမန်နေဂျာက registry ကိုမရှိဘဲတူညီသောအမှုမန်နေဂျာထက်ထိန်းအကွပ်မဲ့သွေးတိုးရောဂါပိုမိုလူနာခွဲခြားသတ်မှတ်ပါလိမ့်မယ်။
• လုံခြုံရေးစစ်ဆေးရမည့်စာရင်းသုံးပြီးတစ်ဦးကခွဲစိတ်အဖွဲ့သည်တစ်ဦးစစ်ဆေးရမည့်စာရင်းမရှိဘဲတူညီသောခွဲစိတ်အဖွဲ့ကထက်နည်းပါးလာခွဲစိတ် site ကိုရောဂါကူးစက်မှုရပါလိမ့်မယ်။ (အစစ်ဆေးရမည့်စာရင်း computerized ခံရဖို့မလိုအပ်ပါဘူးတဲ့သတင်းအချက်အလက်အရင်းအမြစ်တစ်ခုဥပမာကြောင်းသတိပြုပါ။ )
• ပဋိဇီဝဆေးထိုးဘို့တစ်ဦးကတစ်ဦးလက်တွေ့ဆုံးဖြတ်ချက်ထောက်ခံမှုသုံးပြီးသမား (CDS) tool ကစီဒီ tool ကိုမရှိဘဲတူညီသောသမားထက်သင့်လျော်သောပဋိဇီဝဆေးထိုးသတ်မှတ်ဖို့ပိုဖွယ်ရှိသည်။

ကနျြးမာရေးစောင့်ရှောက်မှုအဖွဲ့အသုံးပြုသူများ

• အဆိုပါ EHR အတွက်ကွန်ပျူတာနက်ရှိုင်းသောသွေးပြန်ကြော thrombosis (DVT) အန္တရာယ်အကဲဖြတ် program နဲ့တစ်ဦးဆေးရုံအစီအစဉ်ကိုမပါဘဲအတူတူဆေးရုံထက်နည်းပါးလာ DVTs ရပါလိမ့်မယ်။
• မိုဘိုင်းကွန်ပျူတာသမားအမိန့် entry ကို (CPOE) နဲ့တစ်ဦးဆေးရုံပလက်ဖောင်းမိုဘိုင်း CPOE မရှိဘဲတူညီသောဆေးရုံထက်နည်းပါးလာတယ်လီဖုန်းအမိန့်ရှိပါလိမ့်မယ်။
• မူလတန်းစောင့်ရှောက်မှုပေးသူမှဥတုအနှစ်ချုပ်များပေးပို့ဖို့ HIE တစ်ခုကိုတစ်ဦးကဆေးရုံအတွက် HIE မရှိဘဲတူညီသောဆေးရုံထက်နည်းပါးလာ readmissions ရပါလိမ့်မယ်။
• အာရုံခံကိရိယာနည်းပညာများ အသုံးပြု. တစ်ဦးကသူနာပြုအိမ်မှာလူနာတစ်ဦးအောက်ပိုင်းနှုန်းအာရုံခံကိရိယာမပါဘဲအတူတူဘိုးဘွားရိပ်သာထက်ကျရောက်ရပါလိမ့်မယ်။
• စာသားမက်ဆေ့ခ်ျသတိပေးချက်များပေးပို့ကြောင်းကျောင်းသားတစ်ဦးကျန်းမာရေးဆေးခန်းစာသားမက်ဆေ့ခ်ျပို့မှုစနစ်မရှိဘဲဆေးခန်းထက်လူ့သားအိမ်ခေါင်းကင်ဆာ (HPV ပိုး) အတွက်မြင့်မားတဲ့ကာကွယ်ဆေးထိုးနှုန်းထားများအောင်မြင်ရန်ပါလိမ့်မယ်။
• အထူးကုနှင့်အတူကို virtual တိုင်ပင်ဘို့ telemedicine သုံးပြီးတစ်ဦးကကျေးလက်ကျန်းမာရေးဆေးခန်း telemedicine မရှိဘဲတူညီသောဆေးခန်းမှနှိုင်းယှဉ်လျှင်အရေးပေါ်အခန်းနည်းပါးလာလူနာပေးပို့ပါလိမ့်မယ်။
• အရည်အသွေးတိုးတက်မှုဒိုင်ခွက်နှင့်အတူတစ်ဦးကဆေးဘက်ဆိုင်ရာအလေ့အကျင့်ကိုပိုမိုလျင်မြန်စွာဒိုင်ခွက်မပါဘဲအတူတူပင်အလေ့အကျင့်ထက်ကျန်းမာရေးစောင့်ရှောက်မှုပြဋ္ဌာန်းချက်များတွင်ကွာဟချက်ကိုခွဲခြားသတ်မှတ်ပါလိမ့်မယ်။

ဇီဝဆေးပညာပညာပေးပေါ်မှနောက်ဆုံးရ

တခါတရံမှာပြီးတော့ biomedical ပညာပေးဖမ်းဆီးဖို့ရန်ခက်ခဲစေနိုင်ပါတယ်ကြောင့်ရှုပ်ထွေးတဲ့ပြဿနာတွေလေ့လာတယျ။ ဤကွက်လပ်အဖွဲ့အစည်းများ၏အကဲဖြတ်ထံမှ Genomics အချက်အလက်စာရင်းများအတွက်ဆန်းစစ်ခြင်းများပြုလုပ်ထားခြင်း (ဥပမာကင်ဆာသုတေသန) အထိ, သုတေသနတစ်ခုကျယ်ပြန့်ရောင်စဉ်တို့ပါဝင်သည်။ ဒါဟာအစအီလက်ထရောနစ်ကျန်းမာရေးမှတ်တမ်းများ (EHR) ကထောက်ပံ့နေပါသည်ပေးသောလက်တွေ့ခန့်မှန်းမော်ဒယ်များ, ဖွံ့ဖြိုးဖို့အသုံးပြုနိုင်ပါသည်။ ရှိကြောင်း Pittsburgh တက္ကသိုလ်မှနှစ်ဦးကပညာရှင်များ, ဂရက်ဂိုရီ Cooper ကနှင့် Shyam Visweswaran လက်ရှိအတုထောက်လှမ်းရေး (AI အ), စက်သင်ယူမှု (ML) နှင့် Bayesian မော်ဒယ်သုံးပြီး data ကိုကနေလက်တွေ့ခန့်မှန်းမော်ဒယ်များဒီဇိုင်းပေါ်အလုပ်လုပ်နေကြသည်။ ၎င်းတို့၏အလုပ်လူနာ-တိကျတဲ့မော်ဒယ်များများ၏ဖွံ့ဖြိုးတိုးတက်ရေးကိုအထောက်အကူဖြစ်စေနိုင်ပါတယ်။ ယခုခေတ်သစ်ဆေးပညာအတွက်အရေးကြီးဖြစ်လာထားတဲ့မော်ဒယ်တွေ။

> Sources:

> Bernstam အီး, စမစ်ဂျေ, ဂျွန်ဆင် T. ပြီးတော့ biomedical ပညာပေးဘာလဲ ?. J ကို Biomed အသိပေးပါ။ 2010; 43: 104-110 ။

> Friedman က CP ။ ဇီဝဆေးပညာပညာပေး၏တစ်ဦးက "အခြေခံ Theorem" ။ J ကို Am Med Assoc အသိပေးပါ။ 2009; 16: 169-170 ။

> Hunter ဂျေ Enhancer Friedman ရဲ့ "ဇီဝဆေးပညာပညာပေး၏အခြေခံ Theorem" ။ J ကို Am Med Assoc အသိပေးပါ။ 2010; 17 (1): 112 ။

> Visweswaran S က, Cooper က G. အ သင်ယူခြင်း * Instance-Specific ခန့်မှန်း & Models ။ J ကို Mach Res လေ့လာပါ။ 2010; 11: 3333-3369 ။