هنگامی که فناوری سلامت ما را نابود می کند

خط بین آگاهی و تبدیل شدن به Cyberchondriac

طبق گزارش مرکز تحقیقات Pew، بیش از یک سوم آمریکایی ها از اینترنت استفاده می کنند، زمانی که آنها معتقدند که یک مشکل بهداشتی دارند. با این حال، نتایج جستجوی آنها همیشه با بازدید از یک دکتر دنبال نمی شود. تشخیص آنلاین خود به طور معمول برای کاربران اینترنت است که به طور فزاینده ای از حجم وسیع منابع درمانی آنلاین آنلاین آگاه هستند و می خواهند در کنترل بدن و رفاه خود احساس کنند.

به جای انتظار برای قرار ملاقات، مجبور به بحث در مورد علائم آنها با یک پزشک و گاهی اوقات از تست های تشخیصی اضافی درخواست می کنند، بیماران بالقوه در حال حاضر جستجوی گسترده ای از وب را انجام می دهند و تشخیص های مختلف با علائم آنها را کنار می گذارند تا کشف کنند که به نظر می رسد بهترین است.

اینترنت اطلاعات مربوط به سلامت را تقریبا به طور جهانی قابل دسترسی می سازد. این کمک می کند تا مردم را در مورد سلامت خود آموزش دهند و آنها را قادر به تصمیم گیری های آگاهانه در مورد گزینه های درمان خود می کند. نمونه هایی از افرادی هستند که پس از سال ها تشخیص اشتباه خود را به درستی تشخیص می دهند. مثال اخیر داستان متاسفانه برونت دان است. دکتر Bronte توسط پزشکان خود برای متوقف کردن خود تشخیص و در نهایت از وضعیتی که او شناسایی کرده بود، متوقف شد، اما وضعیتی که پزشکان به او توجه نکردند تا اینکه خیلی دیر شده بود.

از سوی دیگر، گوگلینگ علائم پزشکی خود را لزوما در یک قطعنامه پایان نمی دهد و در بسیاری موارد می تواند اضطراب های غیر ضروری، تبدیل هیپوخاندریای سابق به Cyberchondriacs امروز.

بعضی ها حتی می توانند معتاد شوند که به طور مداوم در جستجوی اطلاعات بهداشتی آنلاین، خودشان را بررسی کنند و به دنبال اطمینان، و همچنین درخواست های آزمایش ها و نمایش هایی که ممکن است مناسب نباشد.

تشدید علائم بی ضرر

نشانه شناسی رایج می تواند برخی از کاربران را مجبور به شروع تحقیق در مورد شرایط نادر و جدی که در طول جستجوهای آنلاین آنها رخ داد.

نظرسنجی در مقیاس وسیع در سال 2008 نشان داد که موتورهای جستوجوی وب توانایی افزایش نگرانی های پزشکی افرادی را دارند که آموزش های پزشکی زیادی دارند یا نه. این مطالعه نشان داد که افزایش و افزایش میزان و توزیع محتوای پزشکی که توسط کاربران بازدید شده است، استفاده از اصطلاحات هشدار دهنده در سایت هایی که بازدید کرده اند و تمایلات فرد برای ایجاد اضطراب، تحت تاثیر قرار گرفته است. در مقابل، برخی افراد وجود دارند که واقعا می توانند خود را به درستی تشخیص دهند، به ویژه اگر آنچه در حال تجربه هستند بسیار خاص و غیر معمول است. به عنوان مثال، در مواردی مانند برونته، گاهی اوقات غریبه می تواند نادیده گرفته شود یا نادیده گرفته شود و توسط تیم پزشکی به عنوان یک بیماری پزشکی معمولی مورد رسیدگی قرار گیرد، در حالی که آن نیست.

با این حال، اطلاعات بهداشتی موجود در اینترنت اغلب نادرست یا ناقص است. محققان دانشکده پزشکی هاروارد با بررسی 23 نشانگر علامت برای دقت تشخیصی و تریاژ، دچار نقص نگران کننده شدند. تنها یک سوم (34 درصد) توانستند اولین تشخیص را دریافت کنند و تقریبا بیش از نیمی از آنها (57 درصد) مشاوره درست تریاژ را ارائه دادند (به عنوان مثال مراقبت اورژانسی و یا غیر اضطراری توصیه می شود). همچنین، با توجه به Mathew Chung از دانشکده پزشکی دانشگاه کارولینای جنوبی، اینترنت اغلب توصیه هایی را ارائه می دهد که لزوما مطابق با توصیه های پزشکی جدید نیستند.

Chung توصیه های آنلاین برای خواب نوزاد ایمن را مورد بررسی قرار داد. او دریافت که از 1300 وب سایت، کمتر از نصف (43.5 درصد) اطلاعات دقیق درباره این موضوع بهداشتی ارائه می دهد.

چگونگی بهبود چهره های علامت آنلاین؟

هنگامی که میلیون ها کاربر به دنبال اطلاعات سلامتی در اینترنت هستند، این یک پایگاه داده بزرگ را ایجاد می کند. محققان در حال حاضر با استفاده از این مجموعه داده ها برای تست الگوریتم های پیش بینی شده می توانند بهتر از آنکه بتوانند علامت های آنلاین را کنترل کنند. آخرین تحولات در یادگیری ماشین کمک به تلاش های خود برای پیدا کردن الگوها در جستجوهای آنلاین و تشخیص زودهنگام است. دانشجوی دکترا جان پاپاریسوس با اریک هوریتیز و رین ویت، نویسندگان گزارش سال 2008 cyberchondria، برای طراحی یک الگوریتمی که می تواند افرادی را که اخیرا با سرطان لوزالمعده تشخیص داده شده است با جستجوی جستجوی آنلاین خود در اینترنت، شناسایی کنند.

مطالعه آنها نشان داد که با بررسی یک پرس و جو آنلاین آنلاین، تشخیص جدی می تواند به طور بالقوه پیش بینی شود. با یک سیستم بهبود یافته از ابزارهای آنلاین، ممکن است بیماران قبل از اینکه دچار بیماری شوند دیر می شوند شناسایی می شوند.

جلوگیری از اشتباهات تشخیصی

سیستم های حمایت از تصمیم گیری بالینی (CDSS) برنامه های تعاملی هستند که اکنون می توانند به کارکنان مراقبت های بهداشتی تصمیمات مبتنی بر شواهد کمک کنند و حتی می توانند نتایج درمان را پیش بینی کنند. تقریبا یک پاسخ به انتقاد که پزشکان غالبا خطا، بیش از حد یا تحت درمان و / یا نتوانستند به سایر تخصص های پزشکی مراجعه کنند، CDSS ها یک شکل عمده هوش مصنوعی در پزشکی محسوب می شوند و انتظار می رود که حتی کارآمدتر و قابل قبول باشند ما به انقلاب دیجیتال در مراقبت های بهداشتی کامل وارد می شویم.

CDSS ها به طور فزاینده ای در تریاژ، غربالگری، ارزیابی ریسک، تشخیص، ارزیابی درمان و نظارت استفاده می شود. CDSS ها همچنین می توانند به داده های بیمار از پرونده های سلامت الکترونیکی مرتبط شوند.

مدل های پیشنهادی CDSS بر منابع مختلفی از داده ها نظیر اطلاعات ژنتیکی، بالینی و اجتماعی و جمعیت شناختی تکیه می کنند. CDSS ها بخشی از جنبش به اصطلاح "پزشکی شخصی" است که مبتنی بر جمعیت نیست، بلکه به عواملی متمرکز بر فارماکولوژی و مداخلات مربوط به یک فرد اختصاص دارد. مطالعه ای که به رهبری دکتر پیتر الکین که مرکز اطلاعات پزشکی بیومدیک کوه سینا را هدایت می کند، پیشنهاد کرده است که CDSS ها می توانند دامنه تشخیص افتراقی را گسترش دهند که احتمال تشخیص صحیح تر را کاهش می دهد، مدت اقامت در بیمارستان را کاهش می دهد، زندگی را نجات می دهد و ارزش اقتصادی را برای هر دو فراهم می کند. به بیمار و ارائه دهنده.

پذیرش گسترده CDSS ها هنوز در عمل معمول صورت نگرفته است، اما بسیاری از کارشناسان معتقدند که چنین ابزارهایی می توانند به غلبه بر تنوع در مراقبت های بهداشتی امروز کمک کنند. همچنین، ارزش CDSS به طور فزاینده ای در ترکیب با پرونده های سلامت الکترونیکی ( EHR ) شناخته شده است. این نوع از تکنولوژی بهداشتی می تواند شکاف بین تئوری و عمل را که اغلب بر روند فرآیند تشخیصی تأثیر می گذارد و بیماران را ناراحت می کند، برطرف کند. بیماران و پزشکان به طور یکسان باید با فن آوری های به دست آمده از فناوری اطلاعات آشنا شوند، در حالی که از چالش های ذاتی ناشی از اختلال تکنولوژیکی کاسته نمی شود. همانطور که این ابزار در حال تکامل است، امید این است که کاربران بتوانند تصمیمات سالمتر و آگاهانهتری نسبت به گزینههای مراقبت و درمان خود داشته باشند.

> منابع

Chung، M.، Oden، RP، Joyner، BL، Sims، A.، & Moon، RY (2012). مقاله اصلی: توصیه های ایمن خواب نوزاد در اینترنت: اجازه دهید گوگل آن را داشته باشد. مجله كودكان ، 161 : 1080-1084

Elkin P، Liebow M، Barnet G، et al. معرفی یک سیستم پشتیبانی از تصمیم گیری تشخیصی (DXplain ™) به جریان کار یک سرویس بیمارستان آموزشی می تواند هزینه خدمات را برای گروه های مرتبط تشخیصی (DRG) تشخیصی کاهش دهد. مجله بین المللی علوم پزشکی ، 2010؛ 79 (11): 772-777

Paparrizos J، White R، Horvitz E. غربالگری برای آدنوکارسینوما پانکراس با استفاده از سیگنال های سیاهههای مربوط به جستجو در وب: مطالعه امکان سنجی و نتایج. مجله عمومى انکولوژی ، 2016؛ 12 (8): 737-744

White R، Horvitz E. Cyberchondria مطالعات در مورد افزایش نگرانی های پزشکی در جستجوی وب. معاملات ACM در سیستم های اطلاعاتی ، 2009؛ (4): 23

Semigran H، Mehrotra A، Linder J، Gidengil C. بررسی چاکراهای علامت برای تشخیص خود و ترجیح: مطالعه حسابرسی، 2015، 351