@article{ 
author = {Jalalian, Davoud and Ashoori, Safour},  
title = {Design an Optimized Deep Learning Model for Liver Disease Prediction}, 
abstract ={Introduction: The incidence of liver disease resulting from excessive alcohol consumption, inhalation of polluted gases, drug use, contaminated food, and food packaging is rapidly increasing. As this disease often presents no symptoms or complications in its early stages, timely diagnosis can be challenging. However, if diagnosed early, treatment can be administered more easily and at a lower cost. In more advanced stages, liver diseases can progress to cirrhosis and liver cancer, leading to significantly more difficult treatment options and, in some cases, resulting in the patient's death. Method: Considering the challenges involved, early diagnosis of liver disease is crucial for determining treatment solutions, duration of treatment, and recovery. With advancements in machine learning and deep learning technologies, which can analyze and learn from complex and large datasets, these tools can be employed for the early prediction of liver disease. In this study, we utilized a dataset of liver disease patients from India. After data preprocessing, a deep learning model optimized by the metaheuristic algorithm of the Lizard Search was proposed to enhance prediction accuracy by leveraging the advantages of metaheuristic algorithms and to assist in timely disease diagnosis. Results: Our proposed method employs a deep neural network optimized using the metaheuristic RSA algorithm. This model achieved promising results in diagnosing liver disease, with an approximate accuracy of 96.9%, a reliability of around 97.2%, and an F1 score close to 96.7%. This approach demonstrates high efficiency in the early and accurate detection of liver diseases, contributing to improved treatment processes. Conclusion: The results demonstrated that combining a feedforward neural network with metaheuristic algorithms significantly improved the accuracy and reliability of liver disease diagnosis. The proposed model enhanced prediction accuracy and diagnostic validity compared to previous methods. These advancements can effectively facilitate the early detection of liver diseases, leading to improved treatment processes and a reduction in complications associated with disease progression.},  
Keywords = {Liver disease, Machine learning, Deep learning, Metaheuristic algorithm, Deep neural network},
volume = {12},
Number = {1}, 
pages = {1-17}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {طراحی یک مدل یادگیری عمیق بهینه برای پیش‌بینی بیماری کبد},
abstract_fa ={مقدمه: ابتلا به بیماری کبد به دلیل نوشیدن بیش از حد الکل، استنشاق گازهای آلوده، داروها، مواد غذایی آلوده و بسته‌بندی غذا به سرعت در حال افزایش است. با توجه به این که این بیماری در مراحل اولیه عوارض و علائمی ندارد تشخیص به موقع آن کار دشواری می‌باشد. اگر این بیماری در مراحل اولیه تشخیص داده شود درمان آن به آسانی و با صرف هزینه کمتر امکان‌پذیر می‌باشد. بیماری‌های کبدی در مراحل پیشرفته‌تر تبدیل به سیروز و سرطان کبدی می‌گردد که به مراتب راه‌های درمانی بسیار دشوارتری را به دنبال دارند حتی در بعضی موارد منجر به مرگ بیمار می‌گردد.   روش کار: با توجه به چالش‌های مطرح شده تشخیص زود هنگام این بیماری در ارائه راهکارهای درمانی، طول درمان و بهبودی بسیار مهم است. با پیشرفت فناوری یادگیری ماشینی و یادگیری عمیق و توانایی آن در تحلیل و یادگیری ویژگی از مجموعه داده‌های پیچیده و حجیم می‌توان از این ابزار جهت پیش‌بینی زودهنگام بیماری کبد استفاده نمود، بدین منظور در پژوهش‌ حاضر، از مجموعه داده بیماران کبدی هند استفاده شد. پس از پیش پردازش داده‌ها، یک مدل یادگیری عمیق که به وسیله الگوریتم فراابتکاری جستجوی خزندگان بهینه شده مطرح گردید تا با استفاده از مزیت الگوریتم‌های فراابتکاری دقت پیش‌بینی را افزایش دهد و به تشخیص به موقع بیماری کمک کند. یافته‌ها‌: در مطالعه حاضر، روش پیشنهادی شامل شبکه عصبی عمیق بهینه‌شده با بهره‌گیری از الگوریتم فراابتکاری RSA است. این مدل توانست در تشخیص بیماری کبدی، با دقت تقریبی ۹۶/۹ درصد، صحت حدود ۹۷/۲ درصد و امتیاز F۱ نزدیک به ۹۶/۷ درصد، نتایج قابل قبولی را نشان دهد. این رویکرد نشان‌دهنده کارایی بالا در تشخیص زودهنگام و دقیق بیماری‌های کبدی است که می‌تواند به بهبود فرآیندهای درمانی کمک کند. نتیجه‌گیری‌: نتایج نشان داد که استفاده از شبکه عصبی پیشخور و الگوریتم‌های فراابتکاری، موجب بهبود قابل توجهی در دقت و صحت تشخیص بیماری کبدی شد. مدل پیشنهادی توانست به‌طور قابل ملاحظه‌ای دقت پیش‌بینی و صحت نتیجه‌گیری را نسبت به روش‌های پیشین افزایش دهد. این پیشرفت‌ها می‌تواند در تشخیص زودهنگام و به موقع بیماری‌های کبدی نقش مؤثری ایفا کند و به بهبود روند درمان و کاهش عوارض ناشی از پیشرفت بیماری کمک نماید.},
keywords_fa = {بیماری کبد, یادگیری ماشین, یادگیری عمیق, الگوریتم فراابتکاری, شبکه عصبی عمیق},

doi = {10.34172/jhbmi.2025.23},
url = {http://jhbmi.ir/article-1-882-en.html},  
eprint = {http://jhbmi.ir/article-1-882-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2025}  
}

@article{ 
author = {Alidadi, Rezvan and SadeghiNaeini, Has},  
title = {Equipment Design for Telemedicine Examinations: An Approach to Enhancing Primary Healthcare}, 
abstract ={Introduction: In many developing countries, particularly Iran, providing medical services in rural areas faces numerous challenges, including shortages of healthcare professionals, dispersed populations, limited infrastructure, and high travel costs. In this context, telemedicine emerges as an innovative solution that can enhance both access to and efficiency of healthcare services. However, there is still limited evidence regarding the feasibility of replacing in-person examinations with remote alternatives. This study aims to offer a comprehensive framework to guide designers in understanding contextual challenges and effectively navigating the early stages of designing telemedicine examination equipment before defining specific technical solutions. Method: This descriptive-analytical study was conducted in two phases. First, needs were identified through field observations and semi-structured interviews with 25 residents of the rural village of Zamenjan. In the second phase, a multidisciplinary team comprising physicians, local health workers, and residents collaboratively developed a checklist for designing remote medical examination tools, ensuring alignment with both community needs and professional medical standards. Results: Qualitative data were analyzed using thematic analysis. Key themes included resource limitations, technological access barriers, and implementation challenges. These insights were directly utilized to develop the final design checklist, highlighting essential features such as a modular structure, a user-friendly interface, a sustainable power supply, data security, and the incorporation of advanced technologies like augmented reality and haptic feedback. Conclusion: The findings indicate that developing remote examination equipment through a comprehensive and multidisciplinary approach can significantly enhance access to and the quality of medical services in rural and underserved areas. By utilizing the provided checklist, designers can create efficient, sustainable, and user-friendly tools that address local limitations and specific needs, ultimately improving access to medical services and the quality of primary healthcare in these regions.},  
Keywords = {Examination Equipment, General Examinations, Product Design, Telemedicine, Rural Areas},
volume = {12},
Number = {1}, 
pages = {18-29}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {طراحی تجهیزات معاینه پزشکی از راه دور: رویکردی بر بهبود مراقبت‌های بهداشتی اولیه},
abstract_fa ={مقدمه: در بسیاری از کشورهای در حال توسعه، به‌ویژه ایران، ارائه خدمات پزشکی در مناطق روستایی با چالش‌های متعددی مواجه است. کمبود نیروی متخصص پزشکی، پراکندگی جمعیت، زیرساخت‌های محدود و هزینه‌های بالای جابجایی، از جمله عواملی هستند که دسترسی به مراقبت‌های بهداشتی را دشوار می‌سازند. در این زمینه، پزشکی از راه دور (تله‌مدیسین) به عنوان راهکاری نوین، می‌تواند دسترسی به خدمات و کارایی ارائه آن‌ها را افزایش دهد. با این حال، هنوز شواهد کافی در زمینه قابلیت جایگزینی معاینات حضوری با فناوری‌های دورپزشکی وجود ندارد. این پژوهش با هدف توسعه چارچوبی جامع برای طراحی تجهیزات معاینه از راه دور، به طراحان کمک می‌کند تا پیش از ورود به مرحله تعیین راه‌حل‌های فنی، شناخت عمیق‌تری از چالش‌ها و نیازهای زمینه‌ای به‌دست آورند و فرایند طراحی را به‌صورت مؤثر هدایت کنند. روش کار: این مطالعه به روش توصیفی-تحلیلی و در دو فاز انجام شده است. در فاز اول، از طریق مشاهده میدانی و انجام مصاحبه‌های نیمه‌ساختاریافته با ۲۵ نفر از ساکنان روستای ضامنجان، نیازهای کلیدی استخراج شد. در فاز دوم، با مشارکت فعال تیمی چندرشته‌ای متشکل از پزشکان، بهورزان و ساکنان محلی، یک چک‌لیست طراحی تجهیزات معاینه دورپزشکی تدوین گردید که با دیدگاه‌های بومی و حرفه‌ای هم‌راستا بود. یافته‌ها: تحلیل کیفی داده‌ها با رویکرد تحلیل مضمون صورت گرفت. نتایج به مضامینی چون کمبود منابع، محدودیت‌های دسترسی به فناوری، و چالش‌های اجرایی اشاره داشت. چک‌لیست طراحی نهایی، شامل مؤلفه‌هایی همچون طراحی ماژولار، رابط کاربری ساده، تأمین انرژی پایدار، امنیت داده و استفاده از فناوری‌های نوینی چون واقعیت افزوده و بازخورد لمسی (Haptic) بود. نتیجه‌گیری: یافته‌های این پژوهش نشان می‌دهد که توسعه تجهیزات معاینه از راه دور با رویکردی جامع و چندجانبه، می‌تواند تأثیر قابل توجهی بر بهبود دسترسی و کیفیت خدمات پزشکی در مناطق روستایی و محروم داشته باشد. استفاده از چک‌لیست ارائه شده، به طراحان امکان می‌دهد تا ضمن توجه به محدودیت‌ها و نیازهای خاص بومی، ابزارهایی کارآمد، پایدار و کاربرپسند خلق کنند که می‌تواند به ارتقای دسترسی به خدمات پزشکی و بهبود کیفیت مراقبت‌های بهداشتی اولیه در مناطق محروم کمک کند.},
keywords_fa = {پزشکی از راه دور, معاینات عمومی, تجهیزات معاینه, مناطق روستایی, طراحی محصول},

doi = {10.34172/jhbmi.2025.08},
url = {http://jhbmi.ir/article-1-905-en.html},  
eprint = {http://jhbmi.ir/article-1-905-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2025}  
}

@article{ 
author = {Taghizadeh, Fatemeh and Mohammadi, Alireza and Rahmati, Mansour and Moghabeli, Roy},  
title = {Spatial Distribution Analysis of Hypertension Patients: A Case Study}, 
abstract ={Introduction: Hypertension is a major global public health challenge, closely linked to serious complications such as stroke and heart attack. Spatial analysis, as a modern tool in health geography, provides insights into disease distribution and its relationship with environmental and demographic factors. This study aimed to investigate the spatial distribution of hypertension patients in the Abotaleb neighborhood of Ardabil city and to offer spatially informed recommendations for improving access to healthcare services. Method: This descriptive-analytical study utilized secondary data from medical records of 600 patients diagnosed with hypertension, aged 36 to 87, between 2018 and 2022. Patients’ addresses were geocoded using Google Maps and OpenStreetMap and analyzed in ArcGIS. Analytical techniques included Kernel Density Estimation, Hot Spot Analysis, Shortest Distance to Facilities, Average Nearest Neighbor Index, Global and Local Moran’s I, Buffer Analysis, Service Area Network, and the Operational Radius Method. To reduce geolocation errors, ambiguous or incomplete records were reviewed and removed. A consistent coordinate system was maintained throughout the analysis. Results: The findings revealed that the spatial pattern of hypertension was clustered. Initially, clusters were concentrated in the central and northern parts of the neighborhood but later spread to the southern and western areas. Higher densities were linked to proximity to healthcare centers and population concentration. The disease was more prevalent among women (62.7%), with most cases occurring in the 56–65 age group. Additionally, 68% of patients had at least one comorbid condition, such as diabetes or obesity. The highest number of cases was recorded in 2021, possibly due to enhanced screening and lifestyle changes during the COVID-19 pandemic. These findings align with global reports, including those from the World Health Organization. Conclusion: This study highlights the need for optimized healthcare facility locations, targeted screening for high-risk groups, and integrated interventions in vulnerable areas. Despite limitations related to clinical data and geographic scope, the results provide a valuable foundation for localized health planning and reducing inequalities in healthcare access.  },  
Keywords = {Hypertension, Geographic Information Systems (GIS), Spatial Analysis},
volume = {12},
Number = {1}, 
pages = {30-51}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {تحلیل فضایی پراکندگی مبتلایان به بیماری فشار‌خون بالا: مطالعه موردی},
abstract_fa ={مقدمه:  بیماری فشارخون بالا یکی از چالش‌های مهم نظام سلامت عمومی است که با عوارض جدی نظیر سکته‌های قلبی و مغزی همراه بوده و نیازمند پایش و مداخله به‌موقع است. تحلیل فضایی به‌عنوان یکی از ابزارهای نوین در حوزه سلامت، امکان شناسایی الگوهای مکانی بیماری و عوامل مؤثر بر آن را فراهم می‌کند و می‌تواند در بهینه‌سازی خدمات درمانی نقش مؤثری ایفا نماید. این پژوهش با هدف تحلیل توزیع فضایی مبتلایان به فشار خون بالا در محله ابوطالب شهر اردبیل و ارائه پیشنهاداتی جهت بهبود دسترسی به خدمات درمانی انجام شده است. روش کار: این مطالعه از نوع توصیفی-تحلیلی است و داده‌های آن از پرونده بهداشتی 600 نفر از مبتلایان به بیماری فشار خون بالا، در محدوده سنی 36 تا 87 سال، طی سال‌های 1397 تا 1401 استخراج شده است. داده‌ها با استفاده از روش Geocoding مکان‌مند و در محیط نرم‌افزار ArcGIS مدل‌سازی و تحلیل شدند. برای بررسی الگوهای مکانی بیماری از تحلیل Kernel Density، Hot Spot، فاصله‌ کوتاه‌ترین مسیر، شاخص میانگین نزدیک‌ترین همسایگی، شاخص موران جهانی و محلی، تحلیل شعاع عملکردی و شبکه محدوده خدمات استفاده شد. یافته‌ها: یافته‌ها حاکی از آن است که توزیع بیماری در محله مورد مطالعه از الگوی خوشه‌ای پیروی می‌کند. در سال‌های ابتدایی تمرکز بیماران بیشتر در نواحی مرکزی و شمالی بود؛ اما به مرور زمان خوشه‌های بیماری به سمت مناطق جنوبی و غربی گسترش یافته‌اند. تراکم بالای بیماری در نواحی خاص، با فاصله کمتر از مراکز بهداشتی و تراکم جمعیت بالا همبستگی دارد. همچنین، فشار خون بالا در زنان شیوع بیشتری داشته (62/7%) و گروه سنی 56 تا 65 سال بیشترین میزان ابتلا را داشته‌اند. افزون بر این، 68% از بیماران حداقل یک عامل خطر دیگر مانند دیابت، چاقی یا کلسترول بالا داشته‌اند. سال 1400 بیشترین موارد ابتلا ثبت شده که احتمالاً با بهبود غربالگری و تغییر سبک زندگی ناشی از همه‌گیری کرونا مرتبط بوده است. نتیجه‌گیری: این مطالعه نشان می‌دهد که مکان‌یابی بهینه مراکز سلامت و طراحی برنامه‌های غربالگری هدفمند بر اساس تحلیل‌های فضایی می‌تواند به کاهش نابرابری‌های سلامت و ارتقای سطح بهداشت عمومی کمک کند. یافته‌ها می‌توانند مبنایی برای سیاست‌گذاری سلامت محلی در مناطق پرخطر قرار گیرند.},
keywords_fa = {تحلیل فضایی, فشار خون بالا, سامانه اطلاعات جغرافیایی (GIS)},

doi = {10.34172/jhbmi.2025.09},
url = {http://jhbmi.ir/article-1-906-en.html},  
eprint = {http://jhbmi.ir/article-1-906-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2025}  
}

@article{ 
author = {SedaghatPourHaghighi, Mohammad Mehdi and Kazemi, Farangis and Saeidmanesh, Mohsen and Dolatabadi, Shiva and Demehri, Farangis},  
title = {Evaluating the Effectiveness of Virtual EMDR Therapy Platform on Reducing PTSD Symptoms}, 
abstract ={Introduction: Post-Traumatic Stress Disorder (PTSD) has profound adverse effects on mental health. Eye Movement Desensitization and Reprocessing (EMDR) therapy has been endorsed as an effective intervention for PTSD; however, limited access to this method remains a significant challenge. Given the potential of digital therapeutic innovations to address such barriers, further research is warranted to evaluate the efficacy of online EMDR and its viability as a substitute for in-person treatment. Method: This study employed a sequential exploratory design and a quasi-experimental randomized controlled trial with pre-test, post-test, and three-month follow-up. Forty PTSD patients in Shiraz were screened using structured clinical interviews and randomly assigned to intervention and control groups. The intervention group received eight individual EMDR sessions (60–90 minutes) through a virtual EMDR platform. Data were collected via standardized questionnaires and analyzed in Python using mixed ANOVA, Bonferroni post-hoc tests, and effect size calculations. Results: The findings indicated that participants in the treatment group experienced a statistically significant reduction in PTSD symptom severity compared to the control group. Bonferroni post hoc tests confirmed that the difference between pretest and posttest scores in the treatment group was statistically significant, while no significant difference was observed between posttest and three-month follow-up scores—suggesting the stability of therapeutic outcomes. Moreover, participants in the treatment group reported high levels of satisfaction regarding the quality and usability of the virtual platform. Conclusion: The EMDR-based virtual therapy platform developed in this study demonstrated high efficacy in the treatment of PTSD and offers a promising, innovative alternative to conventional face-to-face therapy. This approach also presents advantages such as cost reduction, enhanced accessibility, and improved therapeutic experience. The results align with similar international findings. Furthermore, theoretical models such as the Adaptive Information Processing (AIP) model and Cognitive Load Theory offer explanatory frameworks for the effectiveness of digital EMDR interventions. Future studies are encouraged to explore the long-term effects of this intervention and its application to other psychological disorders.},  
Keywords = {Internet-Based Intervention, Eye Movement Desensitization and Reprocessing Therapy, Post-Traumatic Stress Disorder, Randomized Controlled Trial},
volume = {12},
Number = {1}, 
pages = {52-63}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {سنجش اثربخشی پلتفرم درمانی مجازی حساسیت‌زدایی‌ با حرکـات چشـم‌ و بازپردازش برکاهش علائم اختلال استرس پس از آسیب},
abstract_fa ={مقدمه: اختلال استرس پس از آسیب (PTSD) تأثیرات منفی بر سلامت روان دارد. روش درمانی حساسیت‌زدایی از طریق حرکات چشم و بازپردازش (EMDR) به‌عنوان یک درمان مؤثر برای PTSD توصیه شده است، اما محدودیت در دسترسی به این روش همچنان یک چالش مهم محسوب می‌شود. با توجه به پتانسیل پیشرفت‌های درمانی با فن‌آوری‌های دیجیتالی در رفع این موانع، پژوهش‌های بیشتری برای ارزیابی اثربخشی  EMDR آنلاین و امکان جایگزینی آن با درمان حضوری مورد نیاز است. روش کار: پژوهش بر اساس یک طرح اکتشافی متوالی و کارآزمایی بالینی نیمه‌آزمایشی با پیش‌آزمون-پس‌آزمون-پیگیری سه‌ماهه و گروه کنترل انجام شد. جامعه آماری شامل بیماران مبتلا به PTSD در شیراز بود که پس از غربالگری بالینی و اعمال ملاک‌های ورود و خروج، 40 نفر به‌طور تصادفی در دو گروه درمان و کنترل قرار گرفتند. گروه درمان طی هشت جلسه فردی 60 تا 90 دقیقه‌ای در بستر پلتفرم درمانی مجازی EMDR مداخله دریافت کرد. داده‌ها با پرسشنامه‌های استاندارد جمع‌آوری و در پایتون با آزمون واریانس آمیخته، آزمون بونفرونی و اندازه اثر تحلیل شدند. یافته‌ها: نتایج نشان داد که گروه درمان نسبت به گروه کنترل کاهش معناداری در شدت علائم PTSD تجربه کرده است. آزمون تعقیبی بونفرونی تأیید کرد که تفاوت بین پیش‌آزمون و پس‌آزمون در گروه درمان از نظر آماری معنادار است؛ اما تفاوت معناداری بین پس‌آزمون و پیگیری مشاهده نشد که نشان‌دهنده پایداری اثرات درمانی است. شرکت‌کنندگان گروه درمان کیفیت و کارایی پلتفرم مجازی را رضایت‌بخش ارزیابی کردند. نتیجه‌گیری: درمان PTSD با پلتفرم مجازی درمان EMDR طراحی‌شده در این پژوهش اثربخشی بالایی دارد و می‌تواند به‌عنوان راهکاری نوآورانه جایگزینی اثربخش برای درمان حضوری باشد و نیز مزایایی همچون کاهش هزینه، افزایش دسترسی و بهبود تجربه درمانی را فراهم می‌کند. نتایج با پژوهش‌های بین‌المللی مشابه همسو است. همچنین مدل‌های نظری از جمله AIP و نظریه بار شناختی در تبیین اثربخشی  EMDR در بستر دیجیتال کاربرد دارند. پژوهش‌های آینده می‌توانند به بررسی بلندمدت اثرات این مداخله و بسط آن به سایر اختلالات روانی بپردازند.},
keywords_fa = {مداخلات مبتنی بر اینترنت, حساسیت‌زدایی با حرکات چشم و بازپردازش, اختلال استرس پس از آسیب, کارآزمایی تصادفی کنترل‌شده},

doi = {10.34172/jhbmi.2025.10},
url = {http://jhbmi.ir/article-1-920-en.html},  
eprint = {http://jhbmi.ir/article-1-920-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2025}  
}

@article{ 
author = {Kashani, Mostafa and RahmanSetayesh, Shayan and Barzekar, Seddigheh},  
title = {Diagnosis and Analysis of Brain Tumors in Medical Images Using a Feedforward Neural Network Optimized with Quantum-Inspired Algorithms}, 
abstract ={Introduction: Rapid and accurate diagnosis of brain tumors significantly improves treatment planning and survival rates. However, the manual review of multi‑modal magnetic resonance images is often slow and prone to errors due to lesion heterogeneity, similarity to healthy tissue, and large data volumes. This study presents an automated framework that incorporates a lightweight feed‑forward neural network with an intrinsic attention mechanism and quantum‑behaved particle swarm optimization (QPSO). The aim of this study is to improve the speed and accuracy of tumor identification while maintaining interpretability in clinical environments with limited resources. Method: Multimodal MRI images (T1, T1ce, T2, and FLAIR) were sourced from reputable databases, including the Brain Tumor Segmentation Challenge (BraTS) and The Cancer Imaging Archive (TCIA). The images underwent preprocessing, which included intensity normalization (Z-score), noise reduction using Gaussian and median filters, and correction of intensity inhomogeneity. Statistical, textural, and frequency-based features were extracted and reduced to 300 principal components using Principal Component Analysis (PCA). Feature weighting was performed using a document relevance-inspired method. The proposed model, a five-layer feedforward neural network (FNN) with a ReLU activation function and an internal attention mechanism, was optimized using QPSO. Heatmaps were generated to enhance result interpretability. Results: The proposed model achieved an accuracy of 99.6 %, sensitivity of 99.4 %, and specificity of 99.7 %, outperforming reference convolutional networks (97.1 %) and U‑Net architectures (96.2 %). The mean prediction time per image was less than 0.5 seconds, facilitating real‑time clinical use. Heatmaps produced by the attention layer, effectively highlighted abnormal regions and enhanced interpretability. These metrics were consistently replicated across multiple random splits, and qualitative evaluations by imaging specialists confirmed the absence of specificity loss and the clinical relevance of the findings. Conclusion: A feedforward network equipped with intrinsic attention and optimized with QPSO demonstrated near‑perfect accuracy and sub‑second inference for brain tumor diagnosis on multi‑modal MRI. Its high performance on standard GPUs, combined with the generation of intuitive heatmaps, positions this framework as a practical decision‑support tool, particularly in centers lacking advanced infrastructure. Future evaluations will focus on multi‑center data and deployment on edge devices to strengthen clinical adoption and regulatory compliance.},  
Keywords = {Brain Tumor Detection, Feedforward Neural Network, Attention Mechanism, Medical Image Segmentation},
volume = {12},
Number = {1}, 
pages = {64-78}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {تشخیص و تحلیل تومورهای مغزی در تصاویر پزشکی با استفاده از شبکه عصبی پیش‌خور بهینه‌شده با الگوریتم‌های الهام گرفته از رفتارهای کوانتومی},
abstract_fa ={مقدمه:  تشخیص سریع و دقیق تومور مغزی، برنامه ریزی درمان و بقا را به‌طور چشمگیری بهبود می‌دهد، اما بررسی دستی تصاویر تشدید مغناطیسی چندوجهی به‌دلیل ناهمگنی ضایعه، شباهت به بافت سالم و حجم بالای داده‌ها کند و خطاپذیر است. این پژوهش یک چارچوب خودکار متشکل از شبکه عصبی پیش‌خور سبک با مکانیزم توجه درونی و بهینه‌سازی ازدحام ذرات کوانتومی (QPSO) ارائه می‌کند. هدف، افزایش سرعت و دقت شناسایی تومور و حفظ تفسیرپذیری در محیط‌های درمانی دارای محدودیت منابع است. روش کار: تصاویر MRI چندوجهی (T1، T1ce، T2 و FLAIR) از منابع معتبر مانند چالش قطعه‌بندی تومور مغزی (BraTS) و آرشیو تصویربرداری سرطان (The Cancer Imaging Archive) گردآوری شدند. تصاویر با نرمال‌سازی شدت، فیلترهای حذف نویز (گوسی و میانه) و اصلاح ناهمگنی شدت پیش‌پردازش شدند. ویژگی‌های آماری، بافتی و فرکانسی استخراج و با تحلیل مؤلفه‌های اصلی (PCA) به 300 مؤلفه کاهش یافتند. وزن‌دهی ویژگی‌ها با روشی الهام‌گرفته از اهمیت‌سنجی اسناد انجام شد. مدل شامل شبکه عصبی پیش‌خور با پنج لایه پنهان و مکانیزم توجه درونی بود که با QPSO بهینه شد. نقشه‌های حرارتی برای تفسیر نتایج تولید شدند. یافته‌ها: مدل پیشنهادی به دقت 99/6%، حساسیت 99/4‌% و ویژگی 99/7% دست یافت و شبکه‌های کانولوشنی مرجع (97/1%) و معماری‌های U‑Net (96/2%) را پشت سر گذاشت. میانگین زمان پیش‌بینی هر تصویر کمتر از 0/5 ثانیه بود که استفاده بالینی در زمان واقعی را امکان‌پذیر می‌کند. نقشه‌های حرارتی حاصل از لایه توجه، نواحی غیرطبیعی را با تمرکز دقیق برجسته نمود و تفسیرپذیری را تقویت کرد. این شاخص‌ها در تقسیم‌بندی‌های تصادفی مکرر پایدار تکرار شدند و ارزیابی کیفی متخصصان تصویربرداری، عدم کاهش ویژگی و ارتباط بالینی یافته‌ها را تأیید کرد. نتیجه‌گیری: شبکه پیش‌خور مجهز به توجه درونی و بهینه‌شده با QPSO توانست دقتی نزدیک به کامل و استنباطی زیر ثانیه برای تشخیص تومور مغزی روی MRI چندوجهی فراهم آورد. عملکرد بالا روی GPUهای استاندارد همراه با تولید نقشه‌های حرارتی شهودی، این چارچوب را به ابزار پشتیبان تصمیم‌گیری عملی، به‌ویژه در مراکز فاقد زیرساخت پیشرفته، بدل می‌کند. ارزیابی آینده بر داده‌های چندمرکزی و استقرار در دستگاه‌های لبه تمرکز خواهد داشت تا پذیرش بالینی و الزامات مقرراتی تقویت شود.},
keywords_fa = {تشخیص تومور مغزی, شبکه عصبی پیش‌خور, مکانیسم توجه, قطعه‌بندی تصویر پزشکی, بهینه‌سازی ازدحام ذرات کوانتومی},

doi = {10.34172/jhbmi.2025.11},
url = {http://jhbmi.ir/article-1-922-en.html},  
eprint = {http://jhbmi.ir/article-1-922-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2025}  
}

@article{ 
author = {Meraji, Marziyhe and Shariatnia, Sahar and Ameri, Fatemeh},  
title = {Examining the Usability of The SIPAD System Using an Exploratory Evaluation Method}, 
abstract ={Introduction: The SIPAD system is used by a diverse range of users, including students, professors, administrators, and university staff. Therefore, it requires continuous evaluation to prevent possible errors and identify problems in the system, plan for resolving them, and ultimately provide better quality services. Thus, this study was conducted to evaluate the usability of the SIPAD system, aiming to identify and resolve problems within it. Method: This descriptive cross-sectional study was conducted in 2024 to evaluate the usability of the SIPAD system at Mashhad University of Medical Sciences using an exploratory evaluation method. The evaluators independently examined different parts of the SIPAD system (from the perspective of students, professors, and the education unit) using the Pierotti checklist for compliance with the Nielsen usability principles. For each type under study, evaluators were asked to rate the severity of the problem related to the item from 0 to 4 if they selected the “No” option (including non-compliance with the desired item in the SIPAD system). Results: Sixteen evaluators participated in the study. 56.25 % of the evaluators were master's and Ph.D. students, 37.5 % were faculty members in health information management, medical informatics, and artificial intelligence, and 6.25 % were experts in the education unit. The majority of problems identified were related to the principles of website flexibility and efficiency (1.35), guidance and documentation (1.28), and the fewest problems accounted for aesthetic aspects and simple design (0.08). The average severity of the identified problems showed that the SIPAD system has minor problems in some Nielsen's usability principles. Conclusion: This study identified shortcomings in user experience design by evaluating the SIPAD system. The findings show that despite proper technical performance, the neglect of user-centered principles has reduced productivity and satisfaction. The main problems include incomprehensible symbols, a lack of return capabilities, and failure to address the real needs of users. The proposed solutions are low-cost, operational, and have the potential to significantly improve the user experience. Continuous improvement through periodic evaluations and attention to user feedback is essential for the system to remain dynamic.},  
Keywords = {Usability Assessment, Exploratory Assessment, SIPAD System},
volume = {12},
Number = {1}, 
pages = {79-90}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {بررسی کاربرد‌پذیری سامانه‌ سیپاد با استفاده از روش ارزیابی اکتشافی},
abstract_fa ={مقدمه:  سامانه‌ سیپاد با طیف وسیعی از کاربران از جمله دانشجویان، اساتید، مدیران و کارکنان دانشگاه درگیر است؛  لذا نیازمند ارزیابی مداوم به منظور جلوگیری از خطاهای احتمالی و شناسایی مشکلات موجود در سیستم به منظور برنامه‌ریزی برای برطرف‌کردن آن‌ها و در نهایت ارائه خدمات با کیفیت‌تر است، بنابراین این مطالعه با هدف ارزیابی کاربردپذیری سامانه‌ سیپاد در جهت شناسایی و رفع مشکلات این سامانه انجام گرفت. روش کار: این مطالعه به صورت توصیفی- مقطعی در سال  1403 به منظور ارزیابی کاربردپذیری سامانه سیپاد دانشگاه علوم پزشکی مشهد با استفاده از روش ارزیابی اکتشافی انجام گرفت. ارزیابان به‌طور مستقل با استفاده از چک لیست پیروتی قسمت‌های مختلف سامانه سیپاد (‌از دیدگاه دانشجو، استاد و واحد آموزش) را از نظر رعایت اصول کاربردپذیری نیلسون مورد بررسی قرار دادند. درمورد هریک از گونه‌های موردبررسی از ارزیابان خواسته شد تا درصورتی که گزینه خیر (عدم رعایت گویه مورد نظر در سامانه سیپاد) را انتخاب می‌کنند، شدت مشکل مربوط به این گویه را از 0 تا 4 درجه‌بندی نمایند. یافته‌ها: تعداد 16 ارزیاب در مطالعه حاضر شرکت کردند. 56/25 درصد ارزیابان دانشجویان ارشد و دکتری تخصصی، 37/5 درصد اساتید هیئت علمی در رشته‌های مدیریت اطلاعات سلامت، انفورماتیک پزشکی و هوش مصنوعی و 6/25 درصد کارشناس واحد آموزش بودند. بیشترین مشکلات شناسایی شده در اصول انعطاف پذیری و کارایی وب‌سایت (1/35) و راهنمایی و مستندسازی (1/28) بودند و جنبه‌های زیباشناختی و طراحی ساده (0/08) کمترین میزان مشکلات را به خود اختصاص دادند. میانگین شدت مشکلات شناسایی شده نشان داد که سامانه سیپاد دارای مشکلات جزئی در برخی اصول کاربردپذیری نیلسون می‌باشد. نتیجه‌گیری: این پژوهش با ارزیابی سامانه سیپاد، کاستی‌های طراحی تجربه کاربری را شناسایی کرد. یافته‌ها نشان می‌دهد علیرغم عملکرد فنی مناسب، بی‌توجهی به اصول کاربرمحوری، بهره‌وری و رضایت را کاهش داده است. مشکلات اصلی شامل نمادهای نامفهوم، نبود قابلیت‌های بازگشت و بی‌توجهی به نیازهای واقعی کاربران است. راهکارهای پیشنهادی، کم‌هزینه و عملیاتی هستند و می‌توانند تجربه کاربری را متحول کنند. بهبود مستمر از طریق ارزیابی‌های دوره‌ای و توجه به بازخورد کاربران ضروری است تا سامانه پویا بماند.},
keywords_fa = {ارزیابی کاربردپذیری, ارزیابی اکتشافی, سامانه سیپاد},

doi = {10.34172/jhbmi.2025.12},
url = {http://jhbmi.ir/article-1-937-en.html},  
eprint = {http://jhbmi.ir/article-1-937-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2025}  
}

@article{ 
author = {Nabizadeh, Amir Hossei},  
title = {Role of Recommender Systems in Optimizing Healthcare and Personalizing Treatment}, 
abstract ={The article is a letter to the editor, so it does not have an abstract.},  
Keywords = {Recommender systems, Health, Treatment, Personalization},
volume = {12},
Number = {1}, 
pages = {91-95}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {نقش سیستم‌های توصیه‌گر در بهینه‌سازی مراقبت‌های سلامت و شخصی‌سازی درمان},
abstract_fa ={مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد.  },
keywords_fa = {سیستم های توصیه گر, سلامت, درمان, شخصی سازی},

doi = {10.34172/jhbmi.2025.13},
url = {http://jhbmi.ir/article-1-927-en.html},  
eprint = {http://jhbmi.ir/article-1-927-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2025}  
}

@article{ 
author = {Shafian, Sara and Monemi, Erf},  
title = {The two Sides of the Artificial Intelligence Coin in Medical Sciences: a Look at the Human and Ethical Dimensions}, 
abstract ={Introduction: Artificial Intelligence (AI) has transformative potential in medical sciences, promising increased accuracy in diagnosis, disease progression prediction, and personalized treatments. However, the growing emphasis on technical aspects has raised significant human and ethical challenges related to doctor-patient communication, privacy, accountability, and trust. This study aims to examine these two contrasting aspects—opportunities and challenges—while emphasizing the necessity of integrating artificial intelligence with human values in medicine. Method: This research was conducted as a narrative review by searching scientific databases, including PubMed, Scopus, and Web of Science, using relevant keywords. Articles published between 2014 and 2024 that examined the human, communicative, and ethical aspects of AI applications in medicine were collected and analyzed through qualitative content analysis. Results: The findings revealed that while AI automates repetitive tasks and analyzes vast amounts of data, allowing physicians to focus more on patient care, significant challenges were identified in several areas: deficiencies in establishing empathetic and nonverbal communication, concerns regarding data privacy and security, ambiguity in legal and ethical accountability in the event of errors, and the risk of algorithmic bias, which could lead to inequalities in healthcare delivery. Conclusion: The successful implementation of AI in medicine requires moving beyond a purely technical perspective and adopting a human-centered approach. AI should function as an assistive tool for physicians rather than replace their human judgment and communication. To ensure the future of this collaboration, it is essential to develop transparent ethical frameworks, train healthcare professionals, and design efficient systems that uphold human values.},  
Keywords = {Artificial Intelligence, Medicine, Ethics, Medical Confidentiality, Professional Responsibility},
volume = {12},
Number = {1}, 
pages = {96-104}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {دو روی سکه هوش مصنوعی در علوم پزشکی‌: نگاهی به جنبه‌های انسانی و اخلاقی},
abstract_fa ={مقدمه: هوش مصنوعی (AI) با قابلیت تحول‌آفرینی در حوزه علوم پزشکی، نویدبخش افزایش دقت در تشخیص، پیش‌بینی روند بیماری و ارائه درمان‌های شخصی ‌شده است. با این حال، تمرکز فزاینده بر جنبه‌های فنی، چالش‌های عمیق انسانی و اخلاقی را در زمینه ارتباط پزشک و بیمار، حریم خصوصی، مسئولیت‌پذیری و اعتماد به وجود آورده است. این مطالعه با هدف بررسی این دو جنبه متضاد (فرصت‌ها و چالش‌ها) و با تأکید بر ضرورت تلفیق هوش مصنوعی با ارزش‌های انسانی در پزشکی انجام شد. روش کار: این پژوهش به روش مرور روایتی با جستجو در پایگاه‌های داده علمی شامل PubMed، Scopus و Web of Science با استفاده از کلیدواژه‌های مرتبط انجام پذیرفت. مقالات منتشر شده در بازه زمانی ۲۰۱۴ تا ۲۰۲۴ که به بررسی جنبه‌های انسانی، ارتباطی و اخلاقی کاربرد هوش مصنوعی در پزشکی می‌پرداختند، گردآوری و با استفاده از روش تحلیل محتوای کیفی مورد بررسی قرار گرفتند. یافته‌ها: یافته‌ها نشان داد که هوش مصنوعی از یک سو با خودکارسازی وظایف تکراری و تحلیل حجم عظیم داده‌ها، امکان تمرکز بیشتر پزشک بر مراقبت از بیمار را فراهم می‌کند. از سوی دیگر، چالش‌های عمده‌ای در حوزه‌های مختلف شناسایی شد: کاستی در برقراری ارتباط همدلانه و غیرکلامی، نگرانی‌های مربوط به حریم خصوصی و امنیت داده‌ها، ابهام در مسئولیت‌پذیری قانونی و اخلاقی در صورت بروز خطا، و خطر تعصب الگوریتمی که می‌تواند به نابرابری در ارائه خدمات سلامت منجر شود. نتیجه‌گیری: به‌کارگیری موفقیت‌آمیز هوش مصنوعی در پزشکی در گرو عبور از نگرش صرفاً فنی و انطباق با یک رویکرد انسان‌محور است. هوش مصنوعی باید به عنوان یک ابزار کمکی در خدمت پزشکان قرار گیرد، نه به عنوان جایگزینی برای قضاوت و ارتباط انسانی آنان. تدوین چارچوب‌های اخلاقی شفاف، آموزش متخصصان سلامت و طراحی سیستم‌هایی که ضمن کارایی بالا، ارزش‌های انسانی را حفظ می‌کنند، برای آینده این همکاری ضروری است.},
keywords_fa = {هوش مصنوعی, پزشکی, اخلاق پزشکی, حریم خصوصی, پاسخگویی, مهارت‌های ارتباطی},

doi = {10.34172/jhbmi.2025.14},
url = {http://jhbmi.ir/article-1-928-en.html},  
eprint = {http://jhbmi.ir/article-1-928-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2025}  
}