Page 20 - ANAESTHESIA_ABSTRACT_BOOK
P. 20

    ΠΕΡΙΛΉΨΕΙΣ ΟΜΙΛΙΏΝ
ΣΥΝΕΔΡΙΑ 4
ΕΝΤΑΤΙΚΗ ΘΕΡΑΠΕΙΑ (ΣΕ ΣΥΝΕΡΓΑΣΙΑ ΜΕ ΤΗΝ ΕΑΕΙΒΕ)
Σύμφωνα με το όραμα του Ινστιτούτου της Ιατρικής για τον 21ο αιώνα, αυτό που χρειάζεται είναι: 1. ολοκληρωμένα δεδομένα σχετικά με τις συνθήκες και τη θεραπεία των ασθενών,
2. γνωστική υποστήριξη για να βοηθήσει στην ενσωμάτωση των δεδομένων των συγκεκριμένων ασθενών, συγκεκριμένες κατευθυντήριες γραμμές βάσει στοιχείων και αποτελέσματα της έρευνας στην καθημερινή πρακτική,
3. εργαλεία τα οποία να αναδεικνύουν τα προβλήματα που προκύπτουν
4. ταχεία ενσωμάτωση των νέων οργάνων μέτρησης, βιολογικών γνώσεων και τρόπων θεραπείας σε ένα σύστημα υγείας που βασίζεται στη «μάθηση» και που είναι σε θέση να αναλύσει την εμπειρία των ασθενών ως πειραματικά δεδομένα.
Τα πεδία εφαρμογών και οι τεχνικές βιο-ιατρικής μηχανικής που θα πρέπει να αναπτυχθούν αφορούν: 1. αισθητήρες ταχείας ανταπόκρισης (biosensors)
2. τεχνικές επεξεργασίας ιατρικών σημάτων (καρδιο-αναπνευστικά, νευρολογικά κλπ)
3. ηλεκτρονικά συστήματα υποστήριξης αποφάσεων (decision support systems)
4. τηλε-ιατρική
5. ασύρματες τεχνολογίες πρώιμης ειδοποίησης και ‘ολοκλήρωσης’ της κλινο-εργαστηριακής πληροφορίας άμεσα και με ακρίβεια σε μία ενιαία πλατφόρμα ανά ασθενή (smart alarms) διευκολύνοντας τον στόχο για εξατομικευμένη ιατρική και μείωση των ιατρικών λαθών, που πλέον αποτελούν επίσημα την 3η αιτία θανάτου στις ΗΠΑ.
6. Ιστική και επανορθωτική αναγεννητική ιατρική (tissue engineering and regenerative medicine) 7. Τεχνολογίες ανάλυσης και επεξεργασίας ιατρικής εικόνας
8. Παρακολούθηση ταυτόχρονα πολλών φυσιολογικών παραμέτρων (πχ multimodal monitoring στη ΜΕΘ) με δυνατότητα ανίχνευσης ταυτόχρονων μεταβολών τόσο της φυσιολογίας όσο και της θεραπευτικής απάντησης των βαρέως πασχόντων ασθενών.
ΒΙΒΛΙΟΓΡΑΦΙΑ
1. Belle, A. et al. Big Data Analytics in Healthcare. BioMed Research International. 2015; 1-16.
2. Celi, L. A., Mark, R. G., Stone, D. J. & Montgomery, R. A., n.d. “Big Data” in the Intensive Care Unit. Closing the Data Loop. American Journal of Respiratory and Critical Care Medicine, 187(11): 1157–1160.
3. Herland, M., Khoshgoftaar, T. M. & Wald, Rχ. A review of data mining using big data in health informatics. Journal of Big Data. 2014 1(2): 1-35.
4. Luo, G. PredicT ML: a tool for automating machine learning model building with big clinical data. Health Information Science and Systems. 2016; 4(5): 1-16.
 20
    














































































   18   19   20   21   22