@article{ 
author = {Kheyrolahi‌, Rasul and Hoorali, Fatemeh and Sedaaghi, Mohammad Hossein and Ebrahimnezhad, Hossei},  
title = {Pupil Detection for Automatic Diagnosis of Eye Diseases Using Optimized Color Mapping}, 
abstract ={Introduction: Pupil and iris disorders form an important category of eye diseases. Accurate segmentation of the pupil is the first and most important step in the automatic diagnosis of diseases related to the pupil and iris. Most of the existing methods do not have enough accuracy and are sensitive to the effects of noise and specular spot reflection. In addition, the images used in these methods usually have limitations, such as the viewing angle. Method: In the proposed algorithm, a stable method is offered to remove the effects of specular spot reflection in the pupil, and necessary preprocessing is done to detect the exact location of the pupil. An optimized color mapping algorithm is proposed and the mapping is calculated with the help of the LM algorithm to accurately determine the pupil boundary. This method does not impose any restrictions on the eye image and shape, and the angle of the pupil in the image can be in any shape and direction. Results: The proposed method does not assume any specific model as the final pupil boundary (circle or oval) and is robust to noise and specular reflection factors as well. This method has been able to accurately detect the pupil boundary with the accuracy of 98.8% using UBIRIS dataset and 98% using the collected data by authors. Conclusion: The method presented in this paper can be used to increase the accuracy in determining the internal and external border of the iris to diagnose diseases related to the pupil and iris, as well as identity identification based on iris tissue.},  
Keywords = {Disease Diagnosis, Segmentation, Iris, Pupil, Color Mapping},
volume = {10},
Number = {1}, 
pages = {1-17}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {آشکارسازی مردمک به منظور تشخیص خودکار بیماری‌های چشم با استفاده از نگاشت رنگی بهینه},
abstract_fa ={مقدمه: دسته‌ مهمی از بیماری‌های مربوط به چشم شامل اختلالات مردمک و عنبیه چشم است. بخش‌بندی دقیق مردمک اولین و مهم‌ترین گام در تشخیص خودکار بیماری‌های مربوط به مردمک و عنبیه چشم می‌باشد. اکثر روش‌های موجود دقت کافی نداشته و نسبت به اثرات نویز و انعکاس مؤلفه‌های نوری، حساس می‌باشند. ضمن این که تصاویر استفاده شده در آن‌ها نیز معمولاً محدودیت‌هایی از جمله زاویه دید را دارند. روش: در الگوریتم پیشنهادی ابتدا روشی پایدار جهت حذف مؤلفه‌های انعکاس در مردمک و پیش پردازش‌های لازم به منظور تشخیص محل دقیق مردمک پیشنهاد شده است. سپس یک الگوریتم نگاشت رنگی بهینه به کمک الگوریتم لونبرگ-مارکوارت برای تعیین دقیق مرز مردمک محاسبه شده است. این روش هیچ‌گونه اعمال محدودیتی بر روی تصویر چشم نداشته و شکل و زاویه دید مردمک در تصویر به هر شکل و در هر جهتی می‌تواند باشد. نتایج: روش پیشنهادی هیچ مدل خاصی (دایره یا بیضی) را به عنوان مرز نهایی مردمک در نظر نگرفته و نسبت به نوفه و انعکاس نور  مقاوم است. این روش توانسته در تشخیص دقیق مرز مردمک با نرخ تشخیص 98/8 و 98 درصد به ترتیب برای پایگاه داده UBIRIS و پایگاه داده گردآوری شده، عملکرد بهتری در مقایسه با الگوریتم‌های مهم ارائه شده در سال‌های اخیر داشته باشد. نتیجه‌گیری: از روش ارائه شده در این پژوهش می‌توان برای افزایش دقت در بخش‌بندی مرز داخلی و خارجی عنبیه به منظور تشخیص بیماری‌های مربوط به مردمک و عنبیه چشم، همچنین جهت تشخیص هویت از طریق عنبیه چشم استفاده کرد.},
keywords_fa = {تشخیص بیماری, بخش‌بندی, عنبیه, مردمک, نگاشت رنگی},

doi = {10.34172/jhbmi.2023.10},
url = {http://jhbmi.ir/article-1-752-en.html},  
eprint = {http://jhbmi.ir/article-1-752-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Mohammadi, Mahnaz and Aminoroayaei, Parisa and Nazari, Arezo},  
title = {Bioinformatics Evaluation and Signaling Network Analysis of Total Target mRNA and Related SNP Function in People with Gastric Cancer}, 
abstract ={Introduction: Stomach cancer is the fourth most common cancer and the second leading cause of cancer death in the world. In addition to significant costs, it imposes many problems on families that is a proper justification for identifying related biomarkers. Method: The miRBASE website was used to find bioinformatics information. In addition, mirWALK and miRNASN databases were searched to find miRNAs information. To find cancer pathways, the DAVID and KEGG databases were adopted. Results: The studies conducted on the first pathway reported that microRNA and has-miR-10a-3p, through binding to rs1049216 in the CASP3 gene, by exerting an inhibitory effect on this gene, prevents the development of cancer. In the second pathway, microRNA and has-miR-296-3p, by binding to rs1564483 in the BCL2 gene, by exerting an inhibitory effect on this gene, causes cancer. In the third pathway, microRNA and has-miR-194-3p, through binding to rs7177 in the CCND1 gene, by exerting an inhibitory effect on this gene, prevents the development of cancer. Conclusion: In this research, cancer pathways involved in cancer were predicted. By finding three SNPs on specific regions of the three above-said genes, we found that these SNPs can be the cause of stomach cancer and can be introduced as biological biomarkers.},  
Keywords = {Bioinformatics, micro RNA, Gastric Cancer, SNP, Targeted Medicine, Helicobacter pylori},
volume = {10},
Number = {1}, 
pages = {18-27}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {ارزیابی بیوانفورماتیک و سیگنالی مجموع mRNA هدف و عملکرد SNP مرتبط با آن در افراد مبتلا به سرطان معده},
abstract_fa ={مقدمه: سرطان معده در جهان به عنوان چهارمین سرطان شایع و دومین عامل مرگ بر اثر سرطان شناخته می‌شود. که علاوه بر هزینه‌های قابل توجه، مشکلات عدیده‌ای را بر خانواده‌ها تحمیل نموده که خود توجیه مناسبی جهت شناسایی بیومارکرهای مرتبط می‌باشد. روش: برای یافتن اطلاعات بیوانفورماتیکی از وبسایت miRBASE  استفاده شد. همچنین پایگاه های داده  mirWALK و miRNASN برای یافتن اطلاعات مربوط به‌miRNA ها جستجو شدند . برای یافتن مسیر سرطانی از پایگاه های داده‌ DAVID database و Kegg استفاده شد.  نتایج: مطالعات انجام شده در اولین مسیر، میکرو RNA، has-miR-10a-3p، با اتصال به rs1049216 در ژن CASP3،  با اعمال اثر مهاری بر این ژن، از ایجاد سرطان جلوگیری می‌نماید. در دومین مسیر، میکرو RNA، has-miR-296-3p، با اتصال به rs1564483 در ژن BCL2، با اعمال اثر مهاری بر این ژن، باعث ایجاد سرطان می‌شود. در سومین مسیر، میکرو RNA، has-miR-194-3p، با اتصال به rs7177 در ژن CCND1، با اعمال اثر مهاری بر این ژن، از ایجاد سرطان جلوگیری می‌نماید. نتیجه‌گیری: در این پژوهش مسیرهای سرطانی ای پیش‌بینی شد که دخیل در سرطان معده هستند،  با یافتن سه SNP بر روی مناطق خاصی از این سه ژن، دریافتیم که این SNPها می‌توانند عامل ایجاد سرطان معده باشند و می‌توانند به عنوان بیومارکرهای زیستی معرفی و به کار روند.},
keywords_fa = {بیوانفورماتیک, میکرو RNA, سرطان معده, SNP, درمان هدفمند, هلیکوباکترپیلوری},

doi = {10.34172/jhbmi.2023.11},
url = {http://jhbmi.ir/article-1-738-en.html},  
eprint = {http://jhbmi.ir/article-1-738-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Hashembeigi, Fatemeh and Moshiri, Fatemeh and Asosheh, Abbas},  
title = {Introducing and Evaluating an Architectural Model for Smart Tourism Health Insurance based on IoT and Cloud}, 
abstract ={Introduction: Tourism as one of the programs to earn money leads to economic growth; however, due to the non-providing of medical and health services by insurance organizations, the Iranian tourism industry has faced a recession. Therefore, this study aimed to provide a smart tourism health insurance architecture in the context of the Internet of Things (IoT) and cloud to serve tourists. Method: This practical study was conducted to achieve a smart tourism health insurance architecture. First, its requirements were determined by reviewing the related literature and open interview with four experts from Iran Insurance Corporation. Then, by examining different types of tourism health insurance architectural models, a proposed service-oriented layered architecture was presented on the platform of IoT and cloud. Finally, the proposed architecture was evaluated by the ATAM method. Results: The proposed architecture has two components (i.e., the requester and the service provider) with user, network, cloud, and database layers that are connected in a service-oriented manner. Also, the evaluation of the proposed architecture by the ATAM method showed that it can respond to the health needs of tourists. Conclusion: This architecture is presented on the platform of IoT and cloud that provides an intelligent background, and by recording people's data in personal risk profiles, it facilitates providing special tariffs and reducing tourism costs. Therefore, tourists will be able to travel with more confidence in controlling their health status.},  
Keywords = {Health Insurance, Smart Tourism, Service-oriented Architecture, Architectural Evaluation, IoT, Cloud},
volume = {10},
Number = {1}, 
pages = {28-40}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {ارائه و ارزیابی مدل معماری بیمه سلامت گردشگری هوشمند مبتنی بر IoT و ابر},
abstract_fa ={مقدمه: گردشگری به عنوان یکی از برنامه‌های کسب درآمد منجر به رشد اقتصادی می‌‌شود، اما با توجه به عدم ارائه خدمات پزشکی و بهداشتی توسط سازمان‌های بیمه‌ای، صنعت گردشگری در ایران با کاهش استقبال مواجه شده است. این پژوهش سعی دارد با توجه به این موضوع، معماری بیمه سلامت گردشگری هوشمند در بستر اینترنت اشیاء (IoT) و ابر را برای خدمت به گردشگران ارائه دهد. روش: این پژوهش یک مطالعه کاربردی است که جهت رسیدن به معماری بیمه سلامت گردشگری هوشمند طراحی شد. ابتدا نیازمندی‌‌های آن از طریق مطالعات کتابخانه‌ای و مصاحبه باز با چهار کارشناس بیمه ایران انجام شد. سپس با بررسی انواع مختلف مدل‌های معماری بیمه سلامت گردشگری، معماری پیشنهادی مبتنی بر سرویس‌گرا-لایه‌ای در بستر IoT و ابر ارائه گردید. در نهایت معماری پیشنهادی توسط روش ATAM مورد ارزیابی قرار گرفت. نتایج: معماری پیشنهادی دارای دو مؤلفه درخواست‌دهنده و فراهم‌کننده خدمت با لایه‌های کاربر، شبکه، فضای ابری و پایگاه داده است که به صورت خدمت‌محور به یکدیگر متصل هستند؛ همچنین ارزیابی معماری پیشنهادی توسط روش ATAM نشان داد که معماری ارائه شده قابلیت‌پاسخگویی به نیازهای سلامت گردشگران را دارد. نتیجه‌گیری: این معماری در بستر  IoT و ابر ارائه شده است که زمینه هوشمندی را فراهم می‌کند و با ثبت داده‌های افراد در پروفایل ریسک شخصی، امکان ارائه تعرفه‌های خاص و کاهش هزینه‌های گردشگری را ممکن می‌سازد؛ بنابراین گردشگران با اطمینان خاطر بیشتری نسبت به کنترل وضعیت سلامتی خود، قادر به سفر خواهند بود.},
keywords_fa = {بیمه سلامت, گردشگری هوشمند, معماری سرویس‌گرا, ارزیابی, اینترنت اشیاء, ابر},

doi = {10.34172/jhbmi.2023.12},
url = {http://jhbmi.ir/article-1-742-en.html},  
eprint = {http://jhbmi.ir/article-1-742-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Mousavi, Seyed Mohammad and Hosseini, Soodeh},  
title = {A Convolutional Neural Network Model for Detection of COVID-19 Disease and Pneumonia}, 
abstract ={Introduction: COVID-19 has had a devastating impact on public health around the world. Since early diagnosis and timely treatment have an impact on reducing mortality due to infection with COVID-19 and existing diagnostic methods such as RT-PCR test are prone to error, the alternative solution is to use artificial intelligence and image processing techniques. The overall goal is to introduce an intelligent model based on deep learning and convolutional neural network to identify cases of COVID-19 and pneumonia for the purpose of subsequent treatment measures with the help of lung medical images. Method: The proposed model includes two datasets of radiography and CT-scan. These datasets are pre -processed and the data enhancement process is applied to the images. In the next step, three architectures EfficientNetB4, InceptionV3, and InceptionResNetV2 are used using transfer learning method. Results: The best result obtained for CT-scan images belongs to the InceptionResNetV2 architecture with an accuracy of 99.366% and for radiology images related to the InceptionV3 architecture with an accuracy of 96.943%. In addition, the results indicate that CT-scan images have more features than radiographic images, and disease diagnosis is performed more accurately on this type of data. Conclusion: The proposed model based on a convolutional neural network has higher accuracy than other similar models. Also, this method by generating instant results can help in the initial evaluation of patients in medical centers, especially during the peak of epidemics, when medical centers face various challenges, such as lacking specialists and medical staffs.},  
Keywords = {Image Processing, Artificial Intelligence, COVID-19, Convolutional Neural Network},
volume = {10},
Number = {1}, 
pages = {41-56}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {مدل شبکه عصبی پیچشی برای شناسایی بیماری COVID-19 و ذات الریه},
abstract_fa ={مقدمه: COVID-19 تأثیرات مخربی بر سلامت عمومی در سراسر جهان ایجاد کرده است. از آنجایی که تشخیص زودهنگام و درمان به‌موقع بر کاهش مرگ‌و میر بر اثر ابتلاء به COVID-19 تأثیر‌گذار است و روش‌های تشخیصی موجود ازجمله آزمایش RT-PCR مستعد خطا است، راه حل جایگزین استفاده از تکنیک‌های هوش مصنوعی و پردازش تصویر است. هدف کلی معرفی مدل هوشمند مبتنی بر یادگیری عمیق و شبکه عصبی پیچشی برای شناسایی موارد مبتلا به COVID-19 و ذات‌الریه به منظور اقدامات درمانی بعدی به کمک تصاویر پزشکی ریه است. روش: مدل پیشنهادی شامل دو مجموعه داده‌ رادیوگرافی و CT-scan است. تصاویر مجموعه داده مورد پیش‌پردازش قرار می‌گیرند و فرآیند تقویت داده روی تصاویر اعمال می‌شود. در مرحله بعد از سه معماری EfficientNetB4, InceptionV3 و InceptionResNetV2 با استفاده از روش یادگیری انتقالی استفاده می‌شود. نتایج: بهترین نتیجه به دست آمده برای تصاویر CT-scan متعلق به معماری InceptionResNetV2 با دقت 99/366% و برای تصاویر رادیولوژی مربوط به معماری‌ InceptionV3 با دقت 96/943% می‌باشد. علاوه بر آن نتایج حاکی از آن است که تصاویر CT-scan از ویژگی‌های بیشتری نسبت به تصاویر رادیوگرافی برخوردار بوده و تشخیص بیماری روی این نوع داده‌ها با دقت بیشتری انجام می‌پذیرد. نتیجه‌گیری: مدل پیشنهادی مبنتی بر شبکه عصبی پیچشی دقت بالاتری نسبت به سایر مدل‌های مشابه دارد. همچنین با اعلام نتایج آنی می‌تواند در ارزیابی اولیه مراجعان به مراکز درمانی به خصوص در زمان اوج همه‌گیری‌ها که مراکز درمانی با چالش‌هایی مانند کمبود نیرو متخصص و کادر درمان مواجه می‌شوند کمک نماید.},
keywords_fa = {پردازش تصویر, هوش مصنوعی, کووید19, شبکه عصبی پیچشی},

doi = {10.34172/jhbmi.2023.13},
url = {http://jhbmi.ir/article-1-740-en.html},  
eprint = {http://jhbmi.ir/article-1-740-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Bakhsham, Milad and Hosseinpour, Mahdi and Ayeneh, Masoumeh and Karimi, Hossein and Parandavar, Paris},  
title = {Identifying and Analyzing the Application of the Internet of Things in Supply Pharmaceutical Chain Agility in post COVID-19}, 
abstract ={Introduction: The internet of Things has become more popular as a new technology since the advent of wireless technology, and attracted attention from supply chain management promoters. This study aimed to identify and analyze IoT applications in the pharmaceutical supply chain agility in the post-COVID-19 era Method: We first review previous studies in applications of IoT in pharmaceutical supply chain agility and identified the findings through qualitative content analysis. Then, the identified factors were given to 20 management and information technology experts to confirm and validate. Results: The results showed that IoT applications on the pharmaceutical supply chain agility in 9 components and 50 indicators. First of all, the most important factor is faster communication with other stakeholders (suppliers, manufacturers, distributors, and customers) using the IoT in the supply chain. Secondly, the use of IoT for drug production; manufacturers invest in technologies that lead to lower operating costs in the long term, because network devices and sensors do not make mistakes, do not need rest and training, and do not take vacations. Therefore, they increase the agility of the production process and are a reliable and cost-effective alternative for productivity in production. Conclusion: The wide applications of the proposed model indicate the need to consider the use of the IoT in the pharmaceutical industry supply chain in order to improve overall supply chain performance and focus on supply chain agility.  },  
Keywords = {Internet of Things, Supply Chain, After the COVID-19, Medicine Industry, Agility},
volume = {10},
Number = {1}, 
pages = {57-69}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {شناسایی و تحلیل کاربردهای اینترنت اشیاء در چابکی زنجیره تأمین صنعت دارو در پساکرونا},
abstract_fa ={مقدمه: اینترنت اشیاء به عنوان یک فناوری جدید از زمان ظهور فناوری بی‌سیم محبوبیت بیشتری پیدا کرده و توجه فعالان حوزه مدیریت زنجیره تأمین را به خود جلب کرده است. هدف این پژوهش شناسایی و تحلیل کاربردهای اینترنت اشیاء در چابکی زنجیره تأمین صنعت دارو در پساکرونا می‌باشد. روش: ابتدا با مرور مبانی نظری و مطالعات پیشین از طریق روش تحلیل محتوای کیفی، کاربردهای اینترنت اشیاء در چابکی زنجیره تأمین صنعت دارو شناسایی و تفسیر شدند؛ سپس برای تأیید و اعتبارسنجی عوامل شناسایی‌شده، این عوامل در اختیار 20 نفر از خبرگان حوزه مدیریت و فناوری اطلاعات قرار گرفت. نتایج: نتایج پژوهش نشان می‌دهد که کاربردهای اینترنت اشیاء در چابکی زنجیره تأمین صنعت دارو دارای 9 مؤلفه و 50 شاخص می‌باشد. در درجه اول مهم‌ترین عامل شناسایی‌شده، ارتباط سریع‌تر با سایر ذینفعان (تأمین‌کنندگان، تولیدکنندگان، توزیع‌کنندگان و مشتریان) با استفاده از اینترنت اشیاء در زنجیره تأمین می‌باشد. در درجه دوم ایده‌ اینترنت اشیاء برای تولید دارو واضح است؛ تولیدکنندگان در زمینه‌های تکنولوژیکی سرمایه‌گذاری‌های کلانی می‌کنند که به ‌نوبه‌ خود منجر به کاهش هزینه‌های عملیاتی در دراز مدت است چرا که دستگاه‌های شبکه و سنسورها اشتباه نمی‌کنند، به استراحت و آموزش نیاز ندارند و مرخصی نمی‌گیرند؛ بنابراین چابکی فرآیند تولید دارو را افزایش داده و یک جایگزین قابل‌اعتماد و مقرون‌به‌صرفه برای بهره‌وری در تولید محسوب می‌شوند. نتیجه‌گیری: کاربردهای گسترده مدل پیشنهادی حاکی از لزوم توجه به استفاده از اینترنت اشیاء در زنجیره تأمین صنایع دارو در جهت بهبود عملکرد کلی زنجیره تأمین و تمرکز بر چابکی زنجیره تأمین است.  },
keywords_fa = {اینترنت اشیاء, زنجیره تأمین, پساکرونا, صنعت دارو, چابکی},

doi = {10.34172/jhbmi.2023.14},
url = {http://jhbmi.ir/article-1-743-en.html},  
eprint = {http://jhbmi.ir/article-1-743-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Nabovati, Ehsan and Bijani, Soroush and Bijani, Behz},  
title = {Evaluation of the Smartphone Applications in Antibiotic Prescription}, 
abstract ={Introduction: One of the important challenges for physicians is the choice of the right antibiotics for various diseases. In this regard, a mobile application could be helpful. The main purpose of this study was to compare the quality of mobile applications designed for an antibiotic prescription to help physicians in choosing the right antibiotic. Method: In this study, English non-commercial apps from the Apple App Store and the Google Play Store were searched using relevant keywords. The apps were selected and independently scored by an infectious disease specialist and a pharmacist using the Mobile Application Rating Scale (MARS). Kendall’s coefficient of concordance was used to assess inter-rater agreement. The Kolmogorov-Smirnov test was used to verify the normal distribution of the quantitative variables. Spearman's rank-order correlation was applied to determine the relationship between MARS scores and quantitative background variables and Mann-Whitney U tests for dichotomous variables. - Results: In the initial search until August 2022, 13 apps were eligible for evaluation. The MARS score obtained by applications without in-app advertisements (median: 3.9, IQR: 3.4-6.1) was significantly higher than applications containing advertisements (median: 2.9, IQR: 2.3-8.1) (P=0.029). In the objective domain of MARS, The highest mean domain score belonged to the engagement section (3.9±0.4) and the lowest mean domain score belonged to the functionality section (3.5±0.5). Conclusion: This study indicated that apps designed to help physicians prescribe antibiotics meet acceptable criteria. Considering objective scores of MARS, lower scores in the “engagement” section demonstrated that designers have paid less attention to this section in comparison to the “information quality” section.},  
Keywords = {Antibiotic, mobile Applications, Smartphone, Clinical Decision Support, MARS},
volume = {10},
Number = {1}, 
pages = {70-81}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {ارزیابی برنامه‌های کاربردی تلفن هوشمند در حوزه تجویز آنتی‌بیوتیک},
abstract_fa ={مقدمه: یکی از بزرگ‌ترین چالش‌های پزشکان، انتخاب آنتی‌بیوتیک مناسب برای بیماری‎های مختلف است که در این زمینه برنامه‌های کاربردی می‌توانند کمک‌کننده باشند. هدف از انجام این مطالعه، مقایسه کیفیت برنامه‌های کاربردی تلفن هوشمند جهت کمک به انتخاب آنتی‎بیوتیک‎ها است. روش: در این مطالعه مروری، برنامه‌های کاربردی رایگان و انگلیسی زبان تصمیم‌یار جهت انتخاب آنتی‌‌بیوتیک در  Google Play Store و Apple Store با استفاده از کلیدواژه‎های مربوطه برای پلتفرم‌های Android و iOS جستجو و استخراج شدند. برنامه‌‌های وارد شده با استفاده از امتیازدهی رتبه‌ای اپلیکیشن‌های موبایلی (MARS) توسط دو ارزیاب (متخصص عفونی و داروساز) نمره‌دهی شدند. از ضریب مطابقت کندال برای محاسبه میزان توافق دو ارزیاب استفاده شد. جهت آزمون همبستگی نمرات اخذ شده توسط ابزار MARS با متغیرهای کیفی زمینه‌ای، از آزمون من‌ویتنی و متغیرهای کمی از آزمون همبستگی اسپیرمن استفاده شد. نتایج: در جستجوی اولیه ­ای که تا مهرماه 1401 انجام ­شد، 13 برنامه­ انتخاب ­شد. نمره کسب ­شده توسط برنامه‎های کاربردی فاقد تبلیغات (میانه 3/9، IQR: 6/1-3/4) به‌طور معنی­داری بالاتر از برنامه­ های ­کاربردی دارای پیـام‌های تبلیغاتی (مـیانه: 2/9، IQR: 8/1-2/3)، (P=0/029) بود. در حوزه امتیازات عینی ابزار MARS، بیشترین نمره در حیطه کیفیت اطلاعات (0/4±3/9) و کمترین نمره در حیطه تعامل (0/5±3/5) به دست آمد. نتیجه‌گیری: مطالعه حاضر نشان داد که اپلیکیشن‌های طراحی شده برای کمک به پزشکان در تجویز آنتی‌بیوتیک‌ها، در کل از کیفیت قابل قبولی برخوردار هستند. در حوزه امتیازات عینی، امتیازات نسبتاً پایین‌تر کسب شده از قسمت تعامل، نشان داد که طراحان به این حیطه نسبت به کیفیت اطلاعات توجه کمتری داشته‌‌اند.  },
keywords_fa = {آنتی‌بیوتیک, برنامه کاربردی همراه, تلفن هوشمند, تصمیم‌یار‌, MARS},

doi = {10.34172/jhbmi.2023.15},
url = {http://jhbmi.ir/article-1-739-en.html},  
eprint = {http://jhbmi.ir/article-1-739-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Hajieslam, Faezeh and Javanmard, Zohreh},  
title = {Investigating the Role of Clinical Decision Support Systems in Reducing Medical Errors}, 
abstract ={Introduction: This study aimed to investigate the role of clinical decision support systems in reducing medical errors from the perspective of physicians and nurses in the teaching and therapeutic hospitals. Method: This descriptive cross-sectional study was conducted in 2021-2022 in two teaching and therapeutic hospitals in Ferdows City, Iran. Physicians and nurses have participated in the research. In this study, the census method was used, and the research community was considered the research sample. The questionnaire of Ariyai et al. was used as a data collection tool. After collecting the questionnaires, the data were analyzed using descriptive statistics methods. Results: 42 medical staff were included in the study. From a physician’s point of view, decision support systems can be helpful by reducing the risk of severe allergic reactions and drug interactions (60%), quick access to patient records (50%), and computerized order registries (30%). From nurses' point of view, eliminating problems related to doctors' handwriting (25%), avoiding  disremember of repeating tests or imaging (18.8%), quick access to updated information during work (12.5%), and reducing the risk of embolism (9.4%) are the advantages of clinical decision support systems. Conclusion: due to the importance of developing a decision support system in hospitals and measuring the readiness of medical staff to adopt it, it is suggested that the necessary trainings be provided.  },  
Keywords = {Clinical Decision Support System (CDSS), Medical Error, Physicians, Nurses},
volume = {10},
Number = {1}, 
pages = {82-90}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {بررسی نقش سیستم‌های پشتیبان تصمیم گیری بالینی در کاهش خطاهای پزشکی},
abstract_fa ={مقدمه: هدف پژوهش حاضر بررسی نقش سیستم‌های پشتیبان تصمیم گیری بالینی در کاهش خطاهای پزشکی از دیدگاه پزشکان و پرستاران بیمارستان‌های آموزشی درمانی شهرستان فردوس است. روش: پژوهش حاضر از نوع مطالعات توصیفی-مقطعی است که در سال 1400 و سه ماهه اول سال 1401 در دو بیمارستان آموزشی- درمانی شهرستان فردوس انجام شد. جامعه پژوهش پزشکان و پرستاران بودند. در این مطالعه از روش سرشماری، استفاده و جامعه پژوهش به عنوان نمونه پژوهش در نظر گرفته شد. ابزار گردآوری داده‌ها، پرسشنامه‌ آریایی و همکاران بود. پس از گردآوری پرسشنامه‏ ها، داده‏ ها با استفاده از روش‌های آمار توصیفی  مورد بررسی قرار گرفتند. نتایج: تعداد 42 نفر از کارکنان کادر درمان وارد مطالعه شدند. از دیدگاه پزشکان سیستم پشتیبان تصمیم می‌تواند منجر به کاهش احتمال بروز واکنش‌های آلرژی شدید و تداخل دارویی (60%)، امکان دسترسی سریع به سوابق دارویی بیمار (50%) و ثبت دستورات به صورت کامپیوتری (30%) ‏شود. از دیدگاه پرستاران حذف مشکلات مربوط به دست خط ناخوانای پزشکان (25%)، کاهش احتمال فراموش کردن تکرار آزمایش یا رادیولوژی (18/8%)، دسترسی سریع به اطلاعات روزآمد در حین کار (12/5%) و کاهش احتمال بروز آمبولی (9/4%) از مزایای سیستم‌های پشتیبان تصمیم گیری بالینی می باشند. نتیجه‌گیری: با توجه به اهمیت توسعه این سیستم‌ها در بیمارستان‌ها و همچنین سنجش آمادگی کادر درمان جهت پذیرش سیستم‌های پشتیبان تصمیم گیری، پیشنهاد می‌گردد آموزش‌های لازم در این زمینه ارائه گردد.},
keywords_fa = {سیستم پشتیبان تصمیم‌گیری بالینی, خطای پزشکی, پزشکان, پرستاران},

doi = {10.34172/jhbmi.2023.16},
url = {http://jhbmi.ir/article-1-745-en.html},  
eprint = {http://jhbmi.ir/article-1-745-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Javanmard, Zohreh and Ameri, Fatemeh and Golmakani, Sara and Heidary, Maede and Nasrolahi, Naghmeh and Rajabi, Erf},  
title = {Mental Health Mobile Applications Used During the COVID-19 Pandemic: A systematic review}, 
abstract ={Introduction: During the COVID-19 pandemic, the use of mobile applications increased among people coping with mental health problems. This study aimed to review mobile applications developed or used during the COVID-19 pandemic. Method: In order to retrieve related articles, the keywords "COVID-19", "Mental health", and "Mobile application" were searched in Web of Science, PubMed, and Scopus databases without a time limit until April 12, 2022. After selecting the articles according to the entry criteria, the features of the introduced applications were checked. Results: Finally, 25 articles were included in the study, of which 20 applications were developed during the pandemic and five practical programs were already designed. Four applications were designed for medical staff, and 16 were designed for the general public, for each of students, children aged 3-9, COVID-19 patients, cancer patients, and both medical staff and patients with stress disorders one app was designed. The reviewed applications presented educational tips for overcoming negative and destructive thoughts, and getting information about a healthy lifestyle. Also, eight applications provided contractions between users and psychologists.  Conclusion: The results of this study can be used as a comprehensive source to examine the features and capabilities of mental health applications during the Coronavirus pandemic. It is suggested that by identifying the strengths and weaknesses of such applications, measures should be taken to develop more comprehensive applications that meet users' needs.},  
Keywords = {Mobile application, Mental health, COVID-19, Systematic Review},
volume = {10},
Number = {1}, 
pages = {91-110}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {برنامه‌های کاربردی تلفن ‌همراه در حوزه سلامت ‌روان مورد استفاده در دوران همه‌گیری کووید-19: مروری سیستماتیک},
abstract_fa ={مقدمه: به منظور مقابله با مشکلات روحی-روانی ناشی از همه‏ گیری کووید-19، استفاده از برنامه‏ های کاربردی موبایل به طور فزاینده‎‏ای در بین کاربران افزایش یافته ‌است. هدف از مطالعه حاضر، بررسی برنامه‏‏ های کاربردی سلامت روان توسعه‌یافته یا مورداستفاده در دوران پاندمی کووید-19 می‏باشد. روش: در این مطالعه مروری جهت بازیابی مقالات مرتبط، کلیدواژه‌های "Covid-19" ، "health Mental"  و "applicationMobile " در پایگاه‌های اطلاعاتی Web of science، PubMed و Scopus بدون محدودیت زمانی تا تاریخ 12 آوریل 2022 جستجو شدند. پس از انتخاب مقالات طبق معیارهای ورود، ویژگی‏‏های برنامه‏ های کاربردی معرفی‌ شده، بررسی گردیدند. نتایج: در نهایت 25 مقاله به مطالعه حاضر وارد شدند.20 برنامه ‌کاربردی در دوران کرونا و 5 برنامه‌ کاربردی قبل از پاندمی توسعه یافته ‏اند. کاربر برنامه‌های کاربردی در چهار مورد کادردرمان، 16 مورد عموم مردم، یک مورد دانشجویان، یک مورد کودکان 9-3 سال، یک مورد بیماران کرونایی، یک مورد بیماران سرطانی و یک مورد مشترک بین کادر درمان و بیماران مبتلا به اختلال استرس می‏ باشند. اطلاعات مندرج در برنامه‏ های کاربردی بررسی شده نکات آموزشی جهت غلبه بر افکار منفی و مخرب و اطلاعات مرتبط با شیوه زندگی سالم بودند. همچنین امکان تماس با متخصصین روان در هشت برنامه‏ کاربردی وجود داشت. نتیجه‌گیری: نتایج مطالعه حاضر می‌تواند به عنوان منبعی جامع، جهت بررسی ویژگی‌ها و قابلیت‌های برنامه ‏های کاربردی سلامت روان در طی پاندمی‏ کرونا مورد استفاده قرار گیرد. پیشنهاد می‌شود از طریق شناسایی نقاط قوت و ضعف برنامه ‏های کاربردی سلامت روان، اقداماتی جهت توسعه برنامه‏ های کاربردی جامع‌تر و متناسب با سطح نیاز کاربران انجام ‌شود.},
keywords_fa = {برنامه کاربردی تلفن همراه, سلامت روان, کووید-19, مرور سیستماتیک},

doi = {10.34172/jhbmi.2023.17},
url = {http://jhbmi.ir/article-1-751-en.html},  
eprint = {http://jhbmi.ir/article-1-751-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Roustaei, Mohammad and Giveki, Davar},  
title = {Diagnosis of COVID-19 Disease in X-ray Images Based on Deep Learning Methods and Combining Classifiers}, 
abstract ={Introduction: COVID-19 is a new virus that causes infection in the upper respiratory tract and lungs, and the number of deaths due to the disease has increased daily on the scale of a global epidemic. Chest X-ray images have been useful for monitoring various lung diseases and have recently been used to monitor COVID-19 disease. Method: In this research, a multi-stage process was used to recognize COVID-19 from X-ray images. In the first stage, pre-processing was done to normalize the data. In the second step, which is the most important step of the proposed method, feature extraction was done. The feature extraction operation was based on deep learning networks. After feature extraction, machine learning algorithms were used to classify images. The algorithms used in this section are support vector machine, nearest neighbor, and decision tree algorithms. The results of these categories are combined in the fourth step based on the majority vote. Results: The parameters used in this research are among the classification parameters, including precision, accuracy, recall, and F-criterion, which were obtained as 96.5, 92.25, 94, and 93, respectively. Conclusion: The results of the experiments show the acceptable efficiency of the proposed method because, in addition to reducing the calculations by the separable layer, the combination of categories and their weighting has been used to obtain the final result.},  
Keywords = {COVID-19, X-ray Images, Feature Extraction, Deep Learning Networks, Machine Learning, Classification},
volume = {10},
Number = {2}, 
pages = {111-124}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {تشخیص بیماری کووید-19 در تصاویر پرتو X مبتنی بر روش‌های یادگیری عمیق و ترکیب دسته‌بندها},
abstract_fa ={مقدمه: کووید-19 یک ویروس جدید است که باعث عفونت در دستگاه‌تنفسی‌فوقانی و ریه‌ها می‌شود که تعداد موارد مرگ و میر به‌طور روزانه در مقیاس یک بیماری همه‌گیر جهانی افزایش یافته ‌است. تصاویر اشعه‌ایکس قفسه‌سینه برای نظارت بر بیماری‌های مختلف ریه مفید بوده و اخیراً برای نظارت بر بیماری کووید-19 استفاده شده ‌است. روش: در این پژوهش جهت بازشناسی کووید-19 از روی تصاویر x از یک فرآیند چند مرحله‌ای بهره گرفته شده ‌است که در مرحله‌ نخست عملیات پیش‌پردازش با هدف نرمال سازی روی داده‌ها صورت گرفته است. در گام دوم که مهم‌ترین گام روش پیشنهادی می‌باشد، عملیات استخراج‌ ویژگی صورت گرفته است. عملیات استخراج ‌ویژگی براساس شبکه‌های یادگیری‌عمیق صورت گرفته است. بعد از عملیات استخراج ویژگی از الگوریتم‌های یادگیری‌ماشین جهت دسته‌بندی تصاویر بهره گرفته شده‌ است. الگوریتم‌های مورد استفاده در این بخش الگوریتم‌های ماشین بردار پشتیبان، نزدیک‌ترین همسایه و درخت‌ تصمیم می‌باشند. نتایج این دسته‌بندها در گام چهارم براساس رأی ‌اکثریت ترکیب گردیده‌اند. نتایج: پارامترهای به‌کاررفته در این پژوهش جزء پارامترهای دسته‌بندی می‌باشد که شامل: دقت، صحت، فراخوان و معیار F می‌باشند که به‌ترتیب مقادیر 96/5، 92/25، 94 و 93 به ‌دست ‌آمده است. نتیجه‌گیری: نتایج آزمایش‌ها نشان‌دهنده‌ کارایی قابل‌قبول روش‌پیشنهادی می‌باشد زیرا علاوه بر کاهش محاسبات توسط لایه‌ جدا پذیر، از ترکیب دسته‌بندها و وزن‌دهی به آن‌ها برای به‌دست آوردن نتیجه‌ نهایی استفاده گردیده ‌است.},
keywords_fa = {کووید-19, تصاویر پرتو x, استخراج ویژگی, شبکه‌های یادگیری عمیق, یادگیری ماشین, دسته‌بندی},

doi = {10.34172/jhbmi.2023.18},
url = {http://jhbmi.ir/article-1-733-en.html},  
eprint = {http://jhbmi.ir/article-1-733-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Abnoosian, Karlo and Farnoosh, Rahman and Behzadi, Mohammad Hass},  
title = {A Pipeline-based Framework for Early Prediction of Diabetes}, 
abstract ={Introduction: Diabetes is a chronic disease worldwide, with an increasing annual death rate. Many health professionals seek innovative ways to detect and treat it early. Rapid advances in machine learning have improved disease diagnosis. However, because of the small amount of labeled data, the frequency of null and missing values, and the imbalance of databases, creating an optimal predictor for disease diagnosis has become a great challenge. This study aimed to present a pipeline-based classification framework for predicting diabetes on two datasets of Indian diabetic patients with two classes (patient and healthy groups) and Iraqi with three classes (patient, healthy, and prediabetes groups). Method: An important part of this framework is preprocessing. Different ML models based on the One-Vs-One approach for the three-class mode are implemented in the framework. Because of the imbalance of the data set, besides the accuracy evaluation criterion, the area under the receiver operating characteristic (ROC) curve is also used. To increase the level of these two criteria, the Hyper-parameters of each model are optimized using optimization methods to build a powerful model with less training and testing time through various feature selection methods. Results: The proposed framework was assessed for diabetes prediction on two datasets of Indian and Iraqi diabetic patients. It was revealed that using AdaBoost for the Indian dataset (ACC=89.98, AUC=94.11) and random forest for the Iraqi dataset (ACC=98.66, AUC= 98.62), good accuracy and performance were obtained. Conclusion: Regarding ACC parameters, precision, accuracy, recall, and F1-Score, the pipeline-based framework has an optimal performance in predicting diabetes, therefore, it can be used in clinical decision support systems.},  
Keywords = {Diabetes Prediction, Machine Learning, Classification, Pipeline, Feature Selection, The Area Under the Receiver Operating Characteristic Curve (AUC)},
volume = {10},
Number = {2}, 
pages = {125-140}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {چارچوبی مبتنی بر خط لوله برای پیش‌بینی زود هنگام بیماری دیابت},
abstract_fa ={مقدمه: دیابت یک بیماری مزمن است و میزان مرگ و میر آن در حال افزایش است. متخصصان سلامت به دنبال راهکارهای نوآورانه برای تشخیص و درمان زودهنگام آن هستند. پیشرفت‌های یادگیری ماشینی تشخیص بیماری را بهبود داده است. با این حال، به دلیل کمبود داده‌های برچسب‌گذاری شده، مقادیر ناقص و نامتعادل بودن داده‌ها، ایجاد یک پیش‌بین بهینه برای تشخیص بیماری به یک چالش بزرگ تبدیل شده است. هدف این مطالعه ارائه یک چارچوب طبقه‌بندی مبتنی بر خط لوله برای تشخصیص دیابت در دو مجموعه داده هندی (دو کلاس: بیمار و سالم) و عراقی (سه کلاس: بیمار، سالم و در شرف ابتلا به دیابت) است. روش: بخش مهم این چارچوب پیش‌پردازش است. مدل‌های مختلف یادگیری ماشین مبتنی بر رویکرد One-Vs-One برای حالت سه‌کلاسه، در چارچوب پیشنهادی پیاده‌سازی شده‌اند. به دلیل نامتعادل بودن مجموعه داده، علاوه بر معیار ارزیابی دقت طبقه‌بندی، مساحت زیر منحنی مشخصه عملکرد گیرنده نیز استفاده می‌شود. با هدف افزایش مساحت زیر منحنی مشخصه عملکرد گیرنده و دقت طبقه‌بند، فراپارامترهای هریک از مدل‌ها با روش‌های بهینه‌سازی جستجوی شبکه‌ای و بیزین بهینه‌سازی می‌شوند برای ساختن مدلی قدرتمند با زمان کم آموزش و آزمایش از روش‌های مختلف انتخاب ویژگی استفاده می‌شود. نتایج: از طریق شبیه‌سازی، چارچوب پیشنهادی برای تشخیص بیماری دیابت در دو مجموعه داده هندی و عراقی مورد آزمایش قرار گرفت. نتایج نشان داد که با استفاده از AdaBoost در مجموعه داده هندی (‌94/11AUC=، 89/98ACC=) و با استفاده از جنگل تصادفی در مجموعه داده عراقی  (98/62AUC=، 98/66ACC=)، دقت و عملکرد مطلوبی به دست آمد. نتیجه‌گیری: از نظر معیارهای ACC، دقت، صحت، یادآور و F1-Score، چارچوب پیشنهادی مبتنی بر خط لوله عملکرد بهینه‌ای دارد و می‌تواند در سامانه‌های پزشکی به عنوان یک برنامه کاربردی مورد استفاده قرار گیرد.},
keywords_fa = {پیش‌بینی بیماری دیابت, یادگیری ماشین, طبقه‌بندی, خط لوله, انتخاب ویژگی, مساحت زیر منحنی مشخصه عملکرد},

doi = {10.34172/jhbmi.2023.19},
url = {http://jhbmi.ir/article-1-750-en.html},  
eprint = {http://jhbmi.ir/article-1-750-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Hashemi, Zohreh and Sabahi, Azam and Paydar, Somayeh and Salehi, Fatemeh},  
title = {Evaluating the Usability of a Medical Care Monitoring Center System Using Heuristic Method}, 
abstract ={Introduction: Simultaneously with the COVID-19 epidemic, many efforts were made to manage and treat the disease. One of the main activities was the development of health information systems to help monitor this disease, but due to the speed of the disease’s spread, there was not enough time to evaluate the usability of these systems. Therefore, the present research was conducted to evaluate the usability of the Medical Care Monitoring Center (MCMC) system. Method: In this cross-sectional descriptive study (2022), the usability of the MCMS system was evaluated using a heuristic evaluation method. The system’s usability was investigated based on the Nielsen’s usability principles. All the problems identified by evaluators were collected in a single list and the mean severity of each problem was calculated. Results: There were 41 usability problems. The lowest mismatch with usability principles was related to “Help and documentation” (n=1) and the highest one was related to "user control and freedom” (n=8) and “Match with real world” (n=7). In addition, most of the identified problems had a relatively high degree of severity and were placed in the category of major problems. Conclusion: Using the usability evaluation, a significant number of usability problems of the system were identified which, if not resolved, can cause increased errors, dissatisfaction, and decreased quality of information; therefore, it is necessary to solve these problems by the designers and developers of this system.  },  
Keywords = {Usability, Exploratory Evaluation, MCMC, User Interface},
volume = {10},
Number = {2}, 
pages = {141-151}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {کاربردپذیری سیستم مرکز پایش مراقبت پزشکی با استفاده از روش ارزیابی اکتشافی},
abstract_fa ={مقدمه: همزمان با اپیدمی کووید-19 تلاش‌های فراوانی در زمینه مدیریت و درمان آن صورت گرفت. یکی از مهم‌ترین این فعالیت‌ها ایجاد سیستم‌های اطلاعات سلامت جهت کمک به پایش این بیماری بود، اما به دلیل سرعت انتشار فرصت کافی برای ارزیابی این سیستم‌ها وجود نداشت؛ لذا پژوهش حاضر با هدف ارزیابی کاربردپذیری سیستم مرکز پایش مراقبت‌های پزشکی صورت پذیرفت. روش: مطالعه حاضر مطالعه‌ای توصیفی- مقطعی است که در سال 1401 بر روی سیستم مرکز پایش مراقبت‌های پزشکی انجام گرفت. به منظور بررسی میزان کاربردپذیری این سیستم از اصول ده گانه نیلسن استفاده گردید. در نهایت از ترکیب مشکلات یافت شده توسط ارزیابان، یک لیست واحد تهیه و میانگین درجه شدت آن‌ها محاسبه گردید. نتایج: در این ارزیابی در مجموع 41 مشکل منحصربه فرد شناسایی گردید که بیشترین مشکلات مربوط به نقض دو اصل تسلط و آزادی کاربر (تعداد: 8) و تطابق با دنیای واقعی (تعداد: 7) و کم ترین مشکل نیز مربوط به اصل راهنمایی و مستند سازی (تعداد: 1) بود. همچنین اغلب مشکلات شناسایی شده درجه شدت نسبتاً بالایی داشتند و در دسته مشکلات عمده قرار گرفتند. نتیجه‌گیری: با کمک روش ارزیابی اکتشافی، تعداد قابل توجهی از مشکلات کاربردپذیری سیستم مرکز پایش مراقبت‌های پزشکی شناسایی گردید که در صورت مرتفع نشدن می‌تواند سبب افزایش خطا، نارضایتی، کاهش کیفیت اطلاعات، اتلاف زمان کاربران و عدم تعامل مؤثر کاربر با سیستم مرکز پایش گردد؛ لذا رفع این مشکلات توسط طراحان و توسعه دهندگان این سیستم ضروری است.},
keywords_fa = {کاربردپذیری, ارزیابی اکتشافی, سیستم مرکز پایش مراقبت پزشکی, رابط کاربری},

doi = {10.34172/jhbmi.2023.20},
url = {http://jhbmi.ir/article-1-790-en.html},  
eprint = {http://jhbmi.ir/article-1-790-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {SorayaieAzar, Amir and Rezaei, Samaneh and BagherzadehMohasefi, Jamshid and Niazkhani, Zahra and Pirnejad, Habibollah},  
title = {Early Prediction of Alzheimer’s Disease Using Interpretable Machine Learning Algorithms}, 
abstract ={Introduction: Alzheimer’s disease is one of the most common neurodegenerative diseases in adults. The progressive nature of Alzheimer’s disease causes widespread damage to the brain, and early diagnosis can manage the disease and slow down its progression effectively. Method: In this study, a dataset related to the early prediction of Alzheimer’s was used. Spark framework was used for data management and three machine learning algorithms including Naïve Bayes, Decision Tree, and Artificial Neural Networks with the best hyperparameters were implemented and compared. To prevent overfitting and measure the efficiency of the models, a 5-fold cross-validation method was utilized. Furthermore, a method was used for interpreting machine learning black box models. Results: The decision tree and artificial neural network models obtained 98.61% accuracy and 98.60% F1-Score in the Spark framework including one or three computers. Important features in the decision-making process of the artificial neural network were identified using the interpretability technique. In addition, the computational time required for training the proposed models was calculated through different approaches, and the use of multiple computers was 35.95% faster than a single computer. Conclusion: With increasing the number of Alzheimer’s disease patients around the world, the need for a decision support system using machine learning algorithms, which can predict the disease early in a huge amount of data, is felt more. Therefore, the machine learning models proposed in this study for early prediction of Alzheimer’s disease as an interpretable auxiliary tool in the decision-making process can help clinicians.},  
Keywords = {Early Prediction, Alzheimer’s Disease, Machine Learning, Interpretability, Big Data},
volume = {10},
Number = {2}, 
pages = {152-164}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {پیش‌بینی زودهنگام بیماری آلزایمر توسط الگوریتم‌های یادگیری ماشین قابل تفسیر},
abstract_fa ={مقدمه: بیماری آلزایمر یکی از شایع‌ترین اختلال‌های زوال مغز در بزرگسالان است. ماهیت پیش‌رونده آلزایمر باعث بروز آسیب گسترده به قسمت‌های مغز می‌شود و تشخیص زودرس می‌تواند در مدیریت بیماری و کاهش سرعت پیشرفت آن مؤثر باشد. روش: در این مطالعه، از یک مجموعه داده مربوط به پیش‌بینی زودهنگام بیماری آلزایمر در بستر اسپارک (Spark Framework) به منظور مدیریت داده‌ها استفاده شد و با سه الگوریتم یادگیری ماشین از جمله بیز ساده، درخت تصمیم، شبکه عصبی مصنوعی با بهترین فراپارمترها پیاده‌سازی و مقایسه گردید. به منظور جلوگیری از بیش برازش و سنجش کارایی مدل‌ها از ۵-تکرار اعتبارسنجی متقابل استفاده شد. در آخر، یک روش برای تفسیر مدل‌های جعبه سیاه یادگیری ماشین در این مطالعه در نظر گرفته شد. نتایج: مدل‌های درخت تصمیم و شبکه عصبی مصنوعی دقتی برابر 98/61% و امتیاز-اف1 98/60% را در بستر اسپارک شامل یک و یا سه کامپیوتر به دست آوردند. ویژگی‌های تأثیرگذار در تصمیم‌گیری شبکه عصبی مصنوعی با استفاده از تکنیک تفسیرپذیری مشخص شد. علاوه بر این، زمان محاسباتی لازم برای یادگیری مدل‌های پیشنهادی در رویکردهای مختلف محاسبه و استفاده از چندین کامپیوتر در مقایسه با تک کامپیوتر 35/95% سریع‌تر بود. نتیجه‌گیری: با افزایش تعداد بیماران آلزایمر در جهان، لزوم وجود سیستم پشتیبان تصمیم که بتواند در حجم عظیمی از داده‌ها با استفاده از الگوریتم‌های یادگیری ماشین، توانایی پیش‌بینی زودهنگام بیماری را داشته باشد بیشتر احساس می‌شود. بدین منظور، مدل‌های یادگیری ماشین پیشنهادی این مطالعه، می‌توانند به عنوان یک ابزار کمکی با قابلیت تفسیرپذیری در تصمیم‌گیری پزشکان به جهت پیش‌بینی زودهنگام بیماری آلزایمر کمک نمایند.},
keywords_fa = {تشخیص زودهنگام, بیماری آلزایمر, یادگیری ماشین, تفسیرپذیری, داده‌های حجیم},

doi = {10.34172/jhbmi.2023.21},
url = {http://jhbmi.ir/article-1-753-en.html},  
eprint = {http://jhbmi.ir/article-1-753-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Langarizadeh, Mostafa and Rostampour, Amir Homayoun and NoshirvanRahatAbad, Fereydon and Langarizadeh, Mohammad Hossein and Sarpourian, Fatemeh and FatemiAghda, Seyed Ali},  
title = {Design and Evaluation of a Mobile Phone-based Recommender System for Patients with Cardiac Arrhythmia}, 
abstract ={Introduction: Cardiovascular disease is one of the main causes of death worldwide. One of the important factors is readmission due to the lack of training. Considering the widespread use of mobile phones, this study aimed to design a recommender system for patients with cardiac arrhythmia. Method: This is an applied-developmental study that was conducted in a quantitative (descriptive) method and in 2 stages. First, the recommended educational parameters and application requirements of the software were determined based on literature review. Then, the obtained contents were provided to 16 cardiologists working in Shahid Rajaei and Hazrat Rasool Akram Hospitals in Tehran. To evaluate the usability, the application was given to 50 patients with cardiac arrhythmia and was checked with the quiz questionnaire version 5.5. Results: In the recommendations section, experts deemed all items except "Omega-3 consumption" necessary. In the usability evaluation section, the items "Identifying the nearest emergency center, sending the patient’s geographic location to the doctor, finding the nearest medical center, and the possibility of changing color, and calculating BMI" were not confirmed. The usability evaluation of the application with an average score of 7.98±0.62 indicates a good level. Conclusion: The mobile-based recommender application can cause the patients to play a greater role in their treatment and acquire skills in the field of training after hospital discharge and lead to a reduction in re-hospitalization and cost.},  
Keywords = {Mobile Health (mHealth), Heart Diseases, Cardiac Arrhythmia, Recommender Systems, Self-management},
volume = {10},
Number = {2}, 
pages = {165-174}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {طراحی و ارزیابی سیستم توصیه‌گر مبتنی بر تلفن همراه برای بیماران مبتلا به آریتمی قلب},
abstract_fa ={مقدمه: بیماری قلبی و عروقی به‌عنوان یکی از علل اصلی مرگ در جهان محسوب می‌شود. یکی از عوامل مهم بستری مجدد به دلیل عدم آموزش است. این مطالعه با توجه به استفاده فراگیر از تلفن همراه، با هدف طراحی سیستم توصیه گر برای بیماران مبتلا به آریتمی قلبی انجام شد. روش: این مطالعه کاربردی- توسعه‌ای بود که به روش کمی (توصیفی) و در دو مرحله انجام شد. ابتدا پارامترهای توصیه‌ای و قابلیت‌های کاربردی نرم‌افزار بر اساس مرور متون تعیین شدند. سپس محتویات به‌دست‌آمده در اختیار  16 متخصص قلب و عروق شاغل در بیمارستان شهید رجایی و حضرت رسول اکرم (ص) تهران قرار گرفت. برای ارزیابی کاربردپذیری، برنامه کاربردی در اختیار 50 نفر از بیماران دارای آریتمی قلبی قرار گرفته و با پرسشنامه کوئیز نسخه 5/5 بررسی شد. نتایج: در بخش توصیه‌ها، تمامی موارد به جزء «مصرف امگا3» از نظر متخصصان، ضروری تشخیص داده شد. در بخش قابلیت‌های برنامه کاربردی، موارد «شناسایی نزدیک‌ترین پایگاه اورژانس، ارسال مکان جغرافیایی بیمار به پزشک، پیداکردن نزدیک‌ترین مرکز درمانی و امکان تغییر رنگ و محاسبه BMI‌» مورد تأیید قرار نگرفت. ارزیابی کاربردپذیری برنامه کاربردی با میانگین امتیاز 62/±7/98 نشان دهنده سطح خوب بود. نتیجه‌گیری: برنامه کاربردی توصیه‌گر مبتنی بر موبایل می‌تواند باعث افزایش نقش بیشتر بیمار در درمان خود و کسب مهارت در زمینه آموزش‌های پس از ترخیص بیمارستان بوده و همچنین به کاهش بستری مجدد و هزینه منجر می‌شود.},
keywords_fa = {سلامت همراه, بیمارهای قلب, آریتم قلب, سیستم‌های توصیه‌گر, خود مدیریتی},

doi = {10.34172/jhbmi.2023.22},
url = {http://jhbmi.ir/article-1-799-en.html},  
eprint = {http://jhbmi.ir/article-1-799-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Askari, Elham and Motamed, Sara and AshoriGhaleKoli, Safour},  
title = {Recognition of Alzheimer’s Patients in Emotional States Based on the Optimal Convolutional Neural Network and Electroencephalography}, 
abstract ={Introduction: Accurate diagnosis of Alzheimer’s disease in the early stages plays an important role in patient care, and preventive measures should be taken before irreversible brain damage occurs. With increasing age, there are changes in memory, which is normal, but the symptoms of Alzheimer’s disease are more than temporary forgetfulness. Early and intelligent diagnosis of Alzheimer’s disease in different situations can greatly help patients and physicians. Method: In the proposed method, a convolutional neural network will be used to improve the recognition of people with Alzheimer’s disease from healthy people in emotional states. First, the required pre-processing is done on the electroencephalography signal, and then, it will be applied as an input to the network. Next, the genetic algorithm is used to optimize the weights of the convolutional neural network. Results: The research shows that the frontal lobe of the brain is related to emotions and the use of F3 and F4 channels reflects more information compared to other channels, so with this information, the process of recognizing Alzheimer’s patients in emotional states is better. Conclusion: The proposed method was evaluated with other categories in valence and arousal states. It was observed that this method has a better efficiency compared to other methods with an accuracy of 92.3% in valence and 94.3% in arousal in recognizing people with Alzheimer’s disease.},  
Keywords = {Alzheimer, Electroencephalography, Convolutional Neural Network, Genetic Algorithm},
volume = {10},
Number = {2}, 
pages = {175-184}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {بازشناسی افراد مبتلا به آلزایمر در حالات هیجانی مبتنی بر شبکه‌ عصبی کانولوشنی بهینه و سیگنال الکتروانسفالوگرافی},
abstract_fa ={مقدمه: تشـخیص دقیــق بیمــاری آلزایمــر در مراحل اولیه نقــش مهمــی را در مراقبــت از بیمــار دارد و می‌بایست اقدامــات پیشگیرانه را قبــل از آســیب غیــرقابــل برگشــت بــه مغــز انجـام داد. با افزایش سن تغییراتی در حافظه ایجاد می‌شود که طبیعی است؛ اما نشانه‌‌های بیماری آلزایمر بیش از فراموشی‌های موقتی می‌باشد. تشخیص زودهنگام و هوشمند بیماری آلزایمر در حالات مختلف می‌تواند کمک شایانی به بیماران و پزشکان بکند. روش: در روش پیشنهادی برای بهبود بازشناسی افراد مبتلا به آلزایمر از افراد سالم در حالات هیجانی از شبکه عصبی کانولوشنی استفاده خواهد شد. ابتدا بر روی سیگنال الکتروانسفالوگرافی، پیش‌پردازش‌های موردنیاز انجام می‌شود و سپس به‌عنوان ورودی به شبکه اعمال خواهد شد. در ادامه جهت بهینه‌سازی وزن‌های شبکه عصبی کانولوشنی از الگوریتم ژنتیک استفاده می‌شود. نتایج: تحقیقات انجام شده نشان می‌دهد که لوب پیشانی مغز با احساسات در ارتباط می‌باشد و استفاده از کانال‌های F3 و F4 در مقایسه با سایر کانال‌ها اطلاعات بیشتری را منعکس می‌کند، بنابراین با این اطلاعات عمل تشخیص افراد آلزایمری در حالات هیجانی بهتر انجام می‌شود. نتیجه‌گیری: روش پیشنهادی با سایر دسته‌بندها در حالات خوشایندی و برانگیختگی مورد ارزیابی قرار گرفت و مشاهده شد که این روش در مقایسه با روش‌های دیگر با دقت 92/3 درصد در خوشایندی و 94/3 درصد در برانگیختگی در بازشناسی افراد مبتلا به آلزایمر از کارایی بهتری برخوردار است.},
keywords_fa = {آلزایمر, الکتروانسفالوگرافی, شبکه عصبی کانولوشن, الگوریتم ژنتیک},

doi = {10.34172/jhbmi.2023.23},
url = {http://jhbmi.ir/article-1-779-en.html},  
eprint = {http://jhbmi.ir/article-1-779-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Moshiri, Fatemeh and Asosheh, Abbas},  
title = {A Narrative Review of the Frameworks, Challenges, and Applications of Interoperability in E-Health}, 
abstract ={Introduction: Integrated Health Information Systems (HIS) are necessary to achieve national and international goals in health and development, which are facing cooperation problems due to diversity and heterogeneity. Interoperability as a key characteristic of data sharing and the main prerequisite of integration enables healthcare providers to make timely decisions for diagnosis, treatment, action, and patient care. Therefore, this research aimed to provide a category of interoperability concepts in electronic health (E-Health). Method: This research is a narrative review to categorize the interoperability concepts in E-Health. For this purpose, Scopus, Google Scholar, PubMed, Science Direct, and IEEE databases were searched using the keywords "Interoperability framework" and "Integration" with the combination of AND along with "E-Health". Therefore, all the articles referring to the concepts of interoperability were selected. Results: The result of the search in the aforementioned databases was 304 articles. By removing duplicate, out-of-reach, and unrelated articles, only 40 articles were examined, and topics related to the concepts of interoperability were classified based on six axes (dimensions, levels, obstacles, integration, architecture, and measurement). Finally, its applications and challenges were described in a narrative review. Conclusion: Due to the nature of the health system, integrity and intelligence are very important in this area. Therefore, to facilitate the exchange of information and the use of health information systems from each other’s services, paying attention to the presented classification has an undeniable effect, and also, an important role in the integrity and intelligence of the environment, and increases the efficiency and effectiveness in the quality of providing health care services.},  
Keywords = {Interoperability, Integration, Intelligence, Software Architecture, Health Information Systems},
volume = {10},
Number = {2}, 
pages = {185-197}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {مروری روایی بر چارچوب‌ها، چالش‌ها و کاربردهای قابلیت ‌همکاری در سلامت الکترونیک},
abstract_fa ={مقدمه: سیستم‌های اطلاعات سلامت (Health Information System) HIS یکپارچه، برای دستیابی به اهداف ملی و بین‌المللی در سلامت و توسعه ضروری هستند؛ که به دلیل تنوع و ناهمگونی، با مشکلات قابلیت‌همکاری مواجه هستند. قابلیت‌همکاری به عنوان مشخصه ‌کلیدی اشتراک‌گذاری داده‌ها و پیش‌نیاز اصلی یکپارچگی، موجب تصمیم‌گیری به‌موقع ارائه‌دهندگان مراقبت بهداشتی برای تشخیص، درمان، اقدام و مراقبت از بیمار می‌شود؛ لذا این پژوهش سعی دارد یک دسته‌بندی از مفاهیم قابلیت‌همکاری در سلامت الکترونیک را ارائه دهد. روش: این پژوهش یک مطالعه مروری-روایی جهت دسته‌بندی مفاهیم قابلیت‌همکاری در سلامت الکترونیک است. بدین‌منظور پایگاه‌های اطلاعاتیScopus ،Google scholar ، PubMed، Science Direct و IEEE با کلیدواژه‌های “Interoperability framework” و “Integration” با ترکیب AND به همراه “E-Health” مورد جستجو قرار گرفتند. از این‌رو همه مطالعاتی که به مفاهیم قابلیت‌همکاری اشاره داشتند، انتخاب شدند. نتایج: نتیجه جستجو در پایگاه‌های اطلاعاتی مذکور 304 مطالعه بود که با حذف مقالات تکراری، خارج از دسترس و غیر مرتبط، فقط 40 مطالعه مورد بررسی قرار گرفت و منجر به دسته‌بندی موضوعات مرتبط با مفاهیم قابلیت‌همکاری در شش‌محور (ابعاد، سطوح، موانع، یکپارچگی، معماری و اندازه‌گیری) شد. در نهایت کاربردها و چالش‌های آن نیز به صورت مروری- روایی تشریح گردید. نتیجه‌گیری: به دلیل ماهیت نظام سلامت، یکپارچگی و هوشمندی در این حوزه از اهمیت زیادی برخوردار است؛ بنابراین برای تسهیل تبادل اطلاعات و استفاده سیستم‌های اطلاعات سلامت از خدمات یکدیگر، توجه به دسته‌بندی ارائه شده، تأثیر انکارناپذیر و همچنین نقش مهمی که در یکپارچگی و هوشمندی محیط دارد، می‌تواند موجب افزایش بهره‌وری و اثربخشی در کیفیت ارائه خدمات مراقبت بهداشتی ‌شود.  },
keywords_fa = {قابلیت‌همکاری, یکپارچگی, هوشمندی, معماری نرم‌افزار, سیستم‌های اطلاعات سلامت.},

doi = {10.34172/jhbmi.2023.24},
url = {http://jhbmi.ir/article-1-748-en.html},  
eprint = {http://jhbmi.ir/article-1-748-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {SarafiNejad, Afshi},  
title = {Knowledge Discovery and Data Mining in Medical Sciences, a Review of the Requirements for Applied Researches}, 
abstract ={The article is a letter to the editor, so it has no abstract.},  
Keywords = {Data Mining, Knowledge Discovery, Medical Informatics},
volume = {10},
Number = {2}, 
pages = {198-200}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {اکتشاف دانش و داده‌کاوی در علوم پزشکی، مروری بر الزامات پژوهش‌های کاربردی},
abstract_fa ={مقاله از نوع نامه به سردبیر است لذا فاقد چکیده می باشد.},
keywords_fa = {داده کاوی, اکتشاف دانش, انفورماتیک پزشکی},

doi = {10.34172/jhbmi.2023.25},
url = {http://jhbmi.ir/article-1-819-en.html},  
eprint = {http://jhbmi.ir/article-1-819-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Hassanzadeh, Parisa and Mohammadi, Mahnaz and Taheri, Sab},  
title = {Investigating the Signaling Pathways Involved in Fighting Opportunistic Virus Infection with Helper T Lymphocyte Cells}, 
abstract ={Introduction: People with weakened immune system are more prone to opportunistic infections (OIs). Finding the association of these viruses and the transmission pathways associated with these viruses, such as EBV and CMV, play a significant role in investigating their association with helper T lymphocytes. In this study, bioinformatics analysis was used to examine and candidate genes in pathways associated with opportunistic viruses with helper T lymphocytes. Method: In this study, by referring to the GEO database, a suitable database was selected for analysis. This dataset included gene expression profiles in EBV and CMV virus infections. Gene clusters were classified into high and low expression. Rich databases such as Enrichr, STRING, and Networkanalyst were used to evaluate the data more accurately. Finally, the candidate genes were isolated and their protein binding was measured. Results: 964 high-expression genes and 837 low-expression genes are involved in the progression of opportunistic viral infections with lymphocytes. Cell cycle pathways, oxidative stress, RNA synthesis and TGFB were significantly observed. Conclusion: The present study showed that important proteins and genes played a major role in enhancing the inflammation of opportunistic viruses such as Epstein-Barr and Cytomegalovirus, among which CDK2, CCNB1, GSK3B, SRC, and SMAD3 showed a more prominent role in this pathway.},  
Keywords = {Epstein Barr Virus, Gene Expression Profile, Bioinformatics Analysis, Cytomegalovirus, Opportunistic Viruses},
volume = {10},
Number = {3}, 
pages = {201-213}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {بررسی مسیرهای سیگنالی دخیل در تقابل عفونت ویروس‌های فرصت‌طلب با سلول‌های لنفوسیت T کمکی},
abstract_fa ={مقدمه: افرادی که سیستم ایمنی ضعیفی دارند سریع‌تر به عفونت‌های فرصت‌طلب (OIs) مبتلا  می‌شوند. یافتن ارتباط ویروس‌ها و مسیر‌های سیگنالی مرتبط با عفونت‌های این ویروس‌ها مثل اپشتین بار ویروس (EBV‌) و سایتو مگالو ویروس (‌‌CMV‌) نقش قابل ملاحظه‌ای در بررسی ارتباط آن‌ها با سلول‌های لنفوسیت T کمکی دارند. در این مطالعه با استفاده از آنالیز بیوانفورماتیک به بررسی و کاندید نمودن ژن‌های موجود در مسیرهای وابسته به عفونت ویروس‌های فرصت طلب با سلول‌های لنفوسیت  T کمکی پرداخته شد. روش: در این مطالعه با مراجعه به پایگاه داده GEO دیتاست مناسب برای آنالیز انتخاب گردید. این دیتاست شامل پروفایل بیان ژنی در عفونت ویروس‌های EBV و  CMVبود. کلاسترهای ژنی با بیان بالا و پایین دسته‌بندی شدند. برای ارزیابی دقیق‌تر داده از پایگاه‌های داده غنی همچون Enrichr، STRING و Networkanalyst استفاده شد. در نهایت ژن‌های کاندید شده جدا و ارتباط پروتئینی آن‌ها نیز سنجیده شد. نتایج: 964 ژن با بیان بالا و 837 ژن با بیان پایین در مسیرهای پیشرفت عفونت ویروسی‌های فرصت طلب با لنفوسیت‌ها نقش دارند. مسیر‌های چرخه سلولی، استرس اکسیداتیو، سنتز RNA و TGFB به صورت بارزی مشاهده شدند. نتیجه‌گیری: مطالعه حاضر نشان داد که پروتئین‌ها و ژن‌های مهمی در تقویت التهاب ویروس های فرصت‌طلب همچون اپشتین بار و سایتومگالو ویروس نقش عمده‌ای داشته که از میان آن‌ها CDK2, CCNB1, GSK3B, SRC و SMAD3 نقش بارزتری را نشان دادند.},
keywords_fa = {اپشتین بار ویروس, پروفایل بیان ژن, آنالیز بیوانفورماتیک, سایتو مگالو ویروس, ویروس‌های فرصت طلب},

doi = {10.34172/jhbmi.2023.26},
url = {http://jhbmi.ir/article-1-776-en.html},  
eprint = {http://jhbmi.ir/article-1-776-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {ShojaeiBaghini, Mahdie and MirzapourEstabragh, Fateme and Savas, Fateme},  
title = {Feasibility Study of Telemedicine Implementation in Tourist Cities of Kerman Province}, 
abstract ={Introduction: The present study was conducted to evaluate the feasibility of telemedicine implementation in two cities in Kerman province with tourist attractions. Method: This descriptive cross-sectional study was conducted in 2021. Research data were collected using the standard questionnaire "Telemedicine Assessment Tool," designed by the Institute for Medicare (United States). Using the G-power software, the sample size of 68 people was determined. The researchers collected the required data in person at the hospitals under study. The collected data were analyzed using descriptive and analytical statistical methods through SPSS version 26. Results: According to demographic characteristics, the majority of people were women (78.7%), aged less than 30 years old (37.3%), with less than five years of work experience (40.0%), bachelor’s degree (88.0%), and clinical (57.3%). Regarding P-value, there is a significant difference between telemedicine services in terms of importance. Therefore, telemedicine services, consultation with specialists outside the hospital, patient referrals, and remote drug prescribing had respectively the highest priority. In contrast, changing the processes and structure of the hospital had the lowest priority. The lack of technical staff and the problems of initial costs were the main obstacles to the use of telemedicine, and the attitude of employees and competition were the least essential obstacles. Conclusion: Due to the tourism situation of the studied cities, hospitals must try to establish telemedicine. In this regard, investment to solve the problems of initial costs and technical staff has priority.},  
Keywords = {Feasibility, Telemedicine, Tourism},
volume = {10},
Number = {3}, 
pages = {214-222}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {امکان‌سنجی اجرای پزشکی از راه دور در شهرستان‌های دارای جاذبه گردشگری استان کرمان},
abstract_fa ={مقدمه: پژوهش حاضر به منظور امکان‌سنجی اجرای پزشکی از راه دور در دو شهرستان استان کرمان، با جاذبه گردشگری انجام شد. روش: این پژوهش توصیفی- مقطعی در سال 1400، انجام شد. داده‌ها با پرسشنامه استاندارد «ابزار سنجش تله مدیسین» مؤسسه مدیکیر آمریکا جمع‌آوری شدند. با نرم‌افزار G-power حجم نمونه 68 نفر تعیین شد. پژوهشگران با مراجعه حضوری به بیمارستان‌های تحت مطالعه، داده‌های مورد نیاز را جمع‌آوری نموده، سپس داده‌ها با نرم‌افزارSPSS  نسخه 26 و روش‌های آمار توصیفی و تحلیلی، تجزیه و تحلیل شدند. نتایج: یافته‌های دموگرافیک نشان داد که اکثر افراد مطالعه زنان (78/7%)، سن کمتر از 30 سال (37/3%) و سابقه کار کمتر از 5 سال (40/0%)، مدرک تحصیلی لیسانس (88/0%) و بالینی (57/3%) بودند. با توجه به ‌p-value، تفاوت معنی‌داری بین خدمات پزشکی از راه دور از لحاظ اهمیت، وجود دارد. به ترتیب، درمان و مراقبت از راه دور، مشاوره با متخصصان خارج از بیمارستان، خدمات پرستاری از راه دور، ارجاع بیماران و تجویز دارو، دارای بالاترین اولویت بودند. ضمن این که تغییر فرآیند‌ها و ساختار بیمارستان، پایین‌ترین اولویت را داشت. کمبود کادر فنی، مشکلات هزینه‌های اولیه موانع اساسی به‌کارگیری پزشکی از راه دور و نگرش کارکنان و رقابت نیز کم اهمیت ترین موانع بیان شدند. نتیجه‌گیری: با توجه به موقعیت گردشگری شهرستان‌های مورد بررسی و به منظور استقرار پزشکی از راه دور، لازم است مسئولان بیمارستانی و شهرستانی، تلاش و سرمایه‌گذاری جهت رفع مشکلات هزینه‌های اولیه و کادر فنی انجام دهند.},
keywords_fa = {امکان‎سنجی, پزشکی از راه دور, گردشگری},

doi = {10.34172/jhbmi.2023.27},
url = {http://jhbmi.ir/article-1-765-en.html},  
eprint = {http://jhbmi.ir/article-1-765-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Abidi, Atena and HeydaranDarooghehAmnyieh, zahra and Jamahmoodi, Hanieh and Salarniya, Setare and Zabbah, Im},  
title = {Improving the Diagnosis of Arrhythmia using a Combination of Neural Networks in a Hierarchical Way}, 
abstract ={Introduction: Heart diseases are one of the most common types of diseases, which cause the death of many people. Arrhythmias are an irregular heartbeat that causes the heart to beat abnormally fast (tachycardia) or slow (bradycardia). Therefore, the identification and classification of cardiac arrhythmias using ECG signals is of great importance. This research aimed to provide a data mining-based model to improve the diagnosis of previous arrhythmia. Method: In this descriptive-analytical study, the UCI reference dataset, which consists of 452 samples with 279 features, was used. The samples were categorized into five classes for the detection and identification of different types of cardiac arrhythmias. The algorithm employed in this research is a combination of hierarchical neural networks (expert system combination). Results: In all networks, 70% of the samples were used for training, while the remaining 30% were used for testing. After modeling and comparing the generated models and recording the results, the prediction accuracy for cardiac arrhythmia in the absence of combination learning reached 89.5%, and it increased to 93.5% after employing the hierarchical expert combination approach. Conclusion: The results of this research show that the proposed method based on the combination of neural networks in a hierarchical form, which leads to the specialization of the task of each class, can have better performance compared to similar models in diagnosing cardiac arrhythmia.  },  
Keywords = {Data Mining, Neural Networks, Cardiac Arrhythmia Diagnosis, Mixture of Experts},
volume = {10},
Number = {3}, 
pages = {223-237}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {ترکیب سلسله مراتبی شبکه‌های عصبی مصنوعی به منظور بهبود تشخیص بیماری آریتمی قلبی},
abstract_fa ={مقدمه: بیماری‌های قلبی یکی از شایع‌ترین انواع بیماری‌ها هستند، که باعث مرگ و میر بسیاری از افراد می‌شوند. آریتمی‌ها، نوع نامنظمی در ضربان قلب هستند که موجب می‌شوند قلب به طور غیرطبیعی سریع (تاکی‌کاردی) یا آهسته (برادی‌کاردی) کار کند؛ لذا شناسایی و کلاس‌بندی آریتمی‌های قلبی با استفاده از سیگنال ECG از اهمیت بالایی برخوردار است. هدف از این پژوهش ارائه یک مدل مبتنی بر داده‌کاوی با هدف بهبود تشخیص آریتمی قبلی است. روش: این مطالعه به شیوه توصیفی-تحلیلی و از پایگاه داده UCI استفاده شده است. این پایگاه داده شامل 452 نمونه و 279 ویژگی است. نمونه‌ها برای تشخیص و شناسایی نوع آریتمی قلبی در 5 دسته کلی طبقه‌بندی شده‌اند. الگوریتم استفاده شده در این پژوهش ترکیبی از شبکه‌های عصبی به صورت سلسله مراتبی (ترکیب سیستم‌های خبره) است. نتایج: در تمامی شبکه‌ها، 70% از نمونه‌ها برای آموزش و 30% آن‌ها به منظور آزمون استفاده شده است. پس از مدل‌سازی و مقایسه مدل‌های تولید شده و ثبت نتایج، دقت پیش‌بینی بیماری آریتمی قلبی در زمان عدم ترکیب یادگیری 89/5% و پس از ترکیب خبره‌ها به روش سلسله مراتبی 93/5% به دست آمد. نتیجه‌گیری: نتایج حاصل از این پژوهش نشان می‌دهد که روش پیشنهادی مبتنی بر ترکیب شبکه‌های عصبی به شکل سلسله مراتبی، که منجر به تخصصی شدن وظیفه هر طبقه بند می‌شود، می‌تواند عملکرد بهتری نسبت به مدل‌های مشابه در تشخیص آریتمی قلبی داشته باشد.  },
keywords_fa = {داده‌کاوی, شبکه ‌های عصبی, تشخیص آریتمی قلبی, ترکیب خبره‌ها},

doi = {10.34172/jhbmi.2023.28},
url = {http://jhbmi.ir/article-1-780-en.html},  
eprint = {http://jhbmi.ir/article-1-780-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Pouramirarsalani, Shahrzad and Vahdanimanaf, Nader and Rajebi, Saman and Makouei, Somaye},  
title = {Optimizing the KNN Algorithm to Diagnose Obstructive Pulmonary Diseases}, 
abstract ={Introduction: According to the World Health Organization, lung diseases are the third cause of death in the world. These diseases are chronic, so early diagnosis of these diseases is very important. Pulmonary function tests are important tools in examining and monitoring patients with respiratory injuries. This research aimed to optimize the K-Nearest Neighbor algorithm, which facilitates and accelerates self-assessment and interpretation of spirometry test results with higher accuracy. Method: In this study, a method is proposed that improves the limitations of the basic algorithm by optimizing, valuing features, and weighted voting. Using this method, obstructive pulmonary diseases are detected based on the data set of spirometry tests, and general parameters are classified into three categories, namely, asthma, chronic bronchitis, and emphysema. Results: In determining the appropriate method for calculating the data distance, the Minkowski method was chosen, and by applying the coefficients of the feature values, the accuracy of the classification increased. Weighted voting was done in the final part of the algorithm based on the Gaussian kernel, based on which a constant performance was obtained for changing the parameter of the number of neighbors. The results of the evaluations were carried out in the form of mutual validation. 95.4% accuracy and 93.2% precision were obtained in 3.12 seconds. Conclusion: The use of machine learning algorithms can be effective in the analysis of medical data. Therefore, in this study, these approaches were used to provide a new method of classification, so that the proposed algorithm could improve the basic method, and also, had better accuracy and performance than other previous methods.},  
Keywords = {Classification, Obstructive Pulmonary Diseases, Fisher’s Discriminant Ratio, K Nearest Neighbor, Grasshopper Optimization},
volume = {10},
Number = {3}, 
pages = {238-259}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {بهینه‌سازی الگوریتم KNN در راستای تشخیص بیماری‌های انسدادی ریوی},
abstract_fa ={مقدمه: به گزارش سازمان بهداشت جهانی، بیماری‌های ریوی سومین علت مرگ و میر در جهان می‌باشند. این بیماری‌ها ماهیت مزمن داشته، بنابراین تشخیص زودهنگام اهمیت بالایی دارد. تست‌های عملکردی ریوی ابزار مهمی در بررسی و پایش بیماران مبتلا به آسیب‌های تنفسی می‌باشند. هدف از این پژوهش بهینه‌سازی الگوریتم پایه K نزدیک‌ترین همسایه می‌باشد که با دقت بالاتری خودارزیابی و تفسیر نتایج تست اسپیرومتری را تسهیل و تسریع می‌کند. روش: در این پژوهش کاربردی روشی پیشنهاد شده است که محدودیت­ های الگوریتم پایه را با بهینه­ سازی، ارزش­گذاری ویژگی­ ها و رأی­ گیری وزن‌دار بهبود بخشیده و با به کارگیری آن بیماری­ های انسدادی ریوی را بر اساس مجموعه داده تشکیل یافته از تست­ های تنفس­ سنجی و پارامترهای عمومی، در سه دسته آسم، برونشیت مزمن و آمفیزم کلاس ­بندی کرده است. نتایج: در تعیین روش مناسب برای محاسبه فاصله داده ­ها، روش مینوکوفسکی انتخاب شد و با اعمال ضرایب ارزش ویژگی ­ها در این رابطه دقت کلاس‌بندی افزایش یافت. رأی ­گیری وزن‌دار در قسمت نهایی الگوریتم بر اساس کرنل گوسی صورت گرفت که بر این اساس عملکرد ثابتی به ازای تغییر پارامتر تعداد همسایگان به دست آمد. نتایج ارزیابی­ ها در قالب اعتبارسنجی متقابل انجام شد که دقت 95/4 درصد و 93/2 درصد صحت در زمان 3/12 ثانیه به دست آمد. نتیجه‌گیری: بکارگیری الگوریتم­ های یادگیری ماشین می­تواند در تجزیه و تحلیل داده­ های پزشکی مؤثر واقع گردد؛ لذا در این مطالعه از این رویکردها برای ارائه روشی جدید در کلاس­بندی، کمک گرفته شد، به طوری که الگوریتم پیشنهادی توانست روش پایه را بهبود ببخشد و همچنین دقت و عملکرد بهتری نسبت به روش ­های پیشین، داشته باشد.  },
keywords_fa = {کلاس بندی, بیماری های انسدادی ریوی, نرخ جداپذیری فیشر,  K نزدیک ترین همسایه, الگوریتم بهینه سازی ملخ},

doi = {10.34172/jhbmi.2023.29},
url = {http://jhbmi.ir/article-1-783-en.html},  
eprint = {http://jhbmi.ir/article-1-783-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {RezazadehTamrin, Hanieh and Saniei, Elham and SalehiBarough, Mehdi},  
title = {Breast Cancer Detection in Thermographic Images Using Hybrid Networks}, 
abstract ={Introduction: Breast cancer is the most common cancer in women that causes more deaths than other cancers. Thermography is one of the methods of breast cancer diagnosis. The most important challenge in early detection of these images can be human error or lack of access to a skilled person. The use of artificial intelligence methods in image processing can be effective in early detection and reduction of human error. The main aim of this research was to introduce hybrid networks for intelligent diagnosis of breast cancer from thermographic images. Method: The thermographic images used in this study were collected from the DMR-IR database. First, the main features of the images were extracted by deep convolutional network (CNN). Then, FCNNs and SVM algorithms were used to classify breast cancer from thermographic images. Results: The accuracy rate for CNN_FC and CNN-SVM algorithms was 94.2% and 0.95%, respectively. In addition, the reliability parameters for these classifiers were calculated as 92.1%, and 97.5%, and the sensitivity for each of these classifiers as 95.5%, and 94.1%, respectively. Conclusion: The proposed model based on the deep hybrid network has good accuracy compared to similar algorithms; therefore, it can help doctors in the early diagnosis of breast cancer through thermographic images and minimize human error.},  
Keywords = {Diagnosis, Breast Cancer, Deep Learning, Convolutional Neural Network, Thermography},
volume = {10},
Number = {3}, 
pages = {260-268}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {تشخیص هوشمند سرطان پستان از طریق شبکه‌های ترکیبی عمیق با استفاده از تصاویر ترموگرافی},
abstract_fa ={مقدمه: سرطان پستان، شایع‌ترین سرطان بدخیم در زنان است و بیشتر از سایر سرطان‌ها باعث مرگ و میر آنان می‌شود. روش ترموگرافی یکی از روش‌های تشخیص سرطان پستان است. مهم‌ترین چالش در تشخیص زود هنگام از روی این تصاویر می‌تواند مربوط به خطای انسانی و یا عدم دسترسی به شخص ماهر باشد. استفاده از روش‌های هوش مصنوعی در پردازش تصاویر در تشخیص زودهنگام و کاهش خطای انسانی می‌تواند مؤثر باشد. هدف کلی این پژوهش معرفی شبکه‌های ترکیبی عمیق برای تشخیص هوشمند سرطان پستان از تصاویر ترموگرافی است. روش: تصاویر ترموگرافی مورد استفاده در این پژوهش از پایگاه داده DMR-IR جمع‌آوری شده است. ابتدا ویژگی‌های اصلی تصاویر توسط شبکه پیچشی عمیق CNN استخراج گردید. سپس در ادامه از دو الگوریتم FCNNs و SVM برای کلاس‌بندی سرطان پستان از تصاویر ترموگرافی استفاده شد. نتایج: نرخ دقت برای الگوریتم‌های CNN_FC و CNN-SVM، به ترتیب 94/2%، 95/0% بود. علاوه بر این، پارامترهای قابلیت اطمینان هم برای این طبقه‌بندی‌کننده‌ها به ترتیب 92/1%، 97/5% و حساسیت برای هر یک از این طبقه‌بندی‌کننده‌ها به ترتیب  95/5%، 94/1% محاسبه شد. نتیجه‌گیری: مدل پیشنهادی مبتنی بر شبکه ترکیبی عمیق دقت مناسبی نسبت به الگوریتم‌‌های مشابه دارد؛ بنابراین می‌تواند پزشکان را در تشخیص زودهنگام سرطان پستان از طریق تصاویر ترموگرافی کمک نموده و خطای انسانی را به حداقل برساند.  },
keywords_fa = {تشخیص, سرطان پستان, یادگیری عمیق, شبکه عصبی کانولوشنی, ترموگرافی},

doi = {10.34172/jhbmi.2023.30},
url = {http://jhbmi.ir/article-1-786-en.html},  
eprint = {http://jhbmi.ir/article-1-786-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Sarvmeili, Javad and BaghbanKohnehrouz, Bahram and Gholizadeh, Ashraf and Ofoghi, Hamideh and Shanehbandi, Dariush},  
title = {Introduction of an Efficient Multiepitopic Vaccine Against Different SARS-CoV-2 Strains: Reverse Vaccinology}, 
abstract ={Introduction: In recent years, COVID-19 has been recognized as a health threat. Despite vaccination, people still get the disease because the new variants have mutations in their genomes that allow them to bind to host receptors and evade the immune system’s responses. Therefore, the main aim of this study was to use bioinformatics tools to introduce a rapid and practical vaccine to fight against these diverse mutations in different SARS-CoV-2 strains. Method: To epitopes mapping, 32 different spike protein variants were retrieved. We then used the Immune Epitope Database (IEDB), NetCTL, and NetMHCIIpan to predict T and B cell epitopes. The vaccine based on protected epitopes was evaluated in terms of antigenicity, allergenicity, toxicity, solubility, physicochemical properties, population coverage, and secondary structure with relevant servers. Modeling using Robetta and docking with Toll-like receptor (TLR3) were performed using Cluspro, PatchDock, and FireDock, respectively. Results: After detailed evaluations, all the results confirmed the optimal quality of the vaccine. According to further investigations, this structure is similar to native proteins and there is a stable and strong interaction between the vaccine and the receptor. Based on molecular dynamics simulation, structural compactness and stability in binding were also observed. In addition, the immune simulation showed that the vaccine can stimulate immune responses similar to real conditions. Finally, codon optimization and in silico cloning confirmed efficient expression in Escherichia coli. Conclusion: Based on the obtained results, the designed multi-epitope vaccine can serve as a prophylactic candidate against SARS-CoV-2.},  
Keywords = {Dynamic Simulation, Immunoinformatics, Immune Simulation, Molecular Docking, Multi-epitope Vaccine},
volume = {10},
Number = {3}, 
pages = {269-293}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {معرفی یک واکسن چند اپی‌توپی کارآمد در برابر سویه‌های مختلف SARS-CoV-2: واکسینولوژی معکوس},
abstract_fa ={مقدمه: در سال‌های اخیر، COVID-19 به عنوان تهدیدی در زمینه‌ سلامت شناخته شده است. با وجود واکسیناسیون هنوز هم افراد به این بیماری مبتلا می‌شوند چراکه واریانت‌های به‌روزتر دارای جهش‌هایی در ژنوم خود هستند که در اتصال به گیرنده‌های میزبان و فرار از پاسخ‌های سیستم ایمنی نقش دارند. از این رو مهم‌ترین هدف این مطالعه معرفی یک واکسن سریع و کاربردی به کمک ابزارهای بیوانفورماتیکی برای مقابله با این جهش‌های متنوع در سویه‌های مختلف SARS-CoV-2 است. روش: به‌منظور نقشه‌برداری اپی‌توپ‌ها، پروتئین‌ اسپایک 32 واریانت مختلف بازیابی شد. سپس از (Immune Epitope Database) IEDB،‌NetCTL‌  و NetMHCIIpan برای پیش‌بینی اپی‌توپ‌های سلول T و B استفاده شد. واکسن مبتنی ‌بر اپی‌توپ‌های حفاظت‌شده از نظر آنتی‌ژنی، حساسیت‌زایی، سمیت، حلالیت، خواص فیزیکوشیمیایی، پوشش جمعیتی و ساختار ثانویه‌‌ با سرورهای مربوطه بررسی شدند. مدل‌سازی به کمک Robetta‌ و داکینگ با گیرنده‌ شبه (TLR3) Toll ، به ترتیب با استفاده از Cluspro، PatchDock و FireDock انجام شد. نتایج: پس از ارزیابی‌های دقیق، تمامی نتایج کیفیت مطلوب واکسن را تأیید‌ کردند. طبق بررسی‌های بیشتر این ساختار مشابه پروتئین بومی است و برهمکنشی پایدار و قوی بین واکسن و گیرنده وجود دارد. براساس شبیه‌سازی دینامیک مولکولی فشردگی ساختاری و پایداری در اتصال نیز مشاهد شد. علاوه بر این، شبیه‌سازی ایمنی نشان داد که واکسن می‌تواند پاسخ‌های ایمنی مشابه با شرایط واقعی را تحریک نماید. در نهایت، بهینه‌سازی کدون و شبیه‌سازی in silico بیان کارآمد در‌ Escherichia coli را تأیید کرد. نتیجه‌گیری: براساس نتایج به دست آمده واکسن‌ چند اپی‌توپی طراحی شده می‌تواند به عنوان یک کاندیدای پیشگیری کننده در برابر SARS-CoV-2 عمل نماید.  },
keywords_fa = {شبیه‌سازی دینامیکی, ایمونوانفورماتیک, شبیه‌سازی ایمنی, داکینگ مولکولی, واکسن چند اپی‌توپی},

doi = {10.34172/jhbmi.2023.31},
url = {http://jhbmi.ir/article-1-796-en.html},  
eprint = {http://jhbmi.ir/article-1-796-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {NasiriKhoshroudi, Seyyed Hamzeh and Safaei, Ali Asghar and Soleimanjahi, Hoorieh},  
title = {Conceptual Model and Requirements of An Electronic Case Report Form to Collect a Minimum Data Set of Complications of the COVID-19 Vaccine}, 
abstract ={Introduction: In recent years, the collection of data from the monitoring of clinical trials in the form of electronic case report forms (eCRF) has been increasingly used, because avoiding mistakes, reducing the duration of clinical studies, and preventing increasing data collection costs can affect the success of the study. Accordingly, this research aimed to present the conceptual model and requirements of the proposed eCRF, which is based on NoSQL database to achieve complications caused by the COVID-19 vaccine. Method: In this study, using the descriptive-applicative method, the conceptual model of the eCRF system was first designed to collect the minimum set of data on the complications of the COVID-19 vaccine. Then, the functional and non-functional requirements of the proposed system were identified using the methods of observation, thinking and reflection, and questionnaire. Results: This research has two main parts: the proposed conceptual model and the functional and non-functional requirements of the eCRF system. A conceptual model was proposed based on the components, modules, and objectives of the eCRF core, which can be used by researchers and clinical trial specialists. Requirements including the ability to register, insert, delete, and edit the case report form, were also calculated for four groups of patients, health care workers, disease experts, and the executive manager. Conclusion: The proposed system provides researchers and experts of clinical trials with classified and valid data regarding the registration of complications caused by the COVID-19 vaccine in an integrated manner. Therefore, some eCRF stakeholders such as patients, healthcare workers, disease experts, and executive managers and researchers can achieve a vaccine with acceptable safety and effectiveness by analyzing, interpreting, and sharing the recorded information.},  
Keywords = {Electronic case report form, COVID-19, vaccination adverse effects, eCRF system requirements},
volume = {10},
Number = {3}, 
pages = {294-308}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {مدل مفهومی و نیازمندی‌های فرم گزارش مورد الکترونیکی برای جمع‌آوری حداقل مجموعه داده‌های عوارض واکسن کرونا},
abstract_fa ={مقدمه: در سال‌های اخیر جمع‌آوری داده‌های ناشی از پایش کارآزمایی‌های بالینی به صورت فرم‌های گزارش مورد الکترونیکی (Electronic case report forms)‌eCRF، به طور فزاینده‌ای مورد استفاده قرار گرفته است، زیرا به دلیل اجتناب از اشتباهات، کاهش طول مدت مطالعات بالینی و کاهش جلوگیری از افزایش هزینه‌های جمع‌آوری داده‌ها، می‌تواند بر موفقیت مطالعه تأثیر بگذارد. بر همین اساس این پژوهش در نظر دارد مدل مفهومی و نیازمندی‌های eCRF پیشنهادی که مبتنی بر پایگاه داده NoSQL است را برای دستیابی به عوارض ناشی از واکسن کرونا ارائه دهد. روش: در این پژوهش با استفاده از روش توصیفی- کاربردی، ابتدا مدل مفهومی سیستم eCRF به منظور جمع‌آوری مجموعه حداقل داده‌های عوارض واکسن کرونا طراحی شد. سپس با استفاده از روش‌های مشاهده، تفکر و تأمل و پرسشنامه، نیازمندی‌های عملکردی و غیرعملکردی سیستم پیشنهادی شناسایی گردید. نتایج: این پژوهش دارای دو بخش اصلی مدل مفهومی پیشنهادی و نیازمندی‌های عملکردی و غیرعملکردی سیستم eCRF است. مدل مفهومی براساس مؤلفه‌ها، ماژول‌ها و اهداف هسته مرکزی eCRF پیشنهاد شد که قابلیت استفاده برای محققین و متخصصین کارآزمایی‌های بالینی را دارد. نیازمندی‌ها نیز برای چهار گروه تمامی ذی‌نفعان بیمار، مراقبان سلامت، کارشناسان بیماری و مدیر اجرائی احصاء شد گردید که از جمله آن می‌توان به مواردی مانند قابلیت ثبت، درج، حذف و ویرایش فرم گزارش مورد اشاره کرد. نتیجه‌گیری: سیستم پیشنهادی با توجه به ثبت عوارض ناشی از واکسن کرونا به صورت یکپارچه، داده‌های طبقه‌بندی شده و معتبر را در اختیار محققین و متخصصین کارآزمایی‌های بالینی قرار می‌دهد؛ بنابراین برخی از ذینفعان eCRF مانند بیماران، مراقبان سلامت، کارشناسان بیماری‌ها و مدیران اجرائی و محققین می‌توانند با تحلیل، تفسیر و اشتراک‌گذاری اطلاعات ثبت شده، به واکسنی با ایمنی و اثربخشی قابل قبول دست یابند.  },
keywords_fa = {فرم گزارش موردی الکترونیکی, کرونا, عوارض واکسیناسیون, نیازمندی‌های سیستم eCRF},

doi = {10.34172/jhbmi.2023.32},
url = {http://jhbmi.ir/article-1-813-en.html},  
eprint = {http://jhbmi.ir/article-1-813-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Majdipoor, Leyla and Rahimi, Rezvan and Shahali, Shadab},  
title = {The Effect of mHealth Interventions on Women\'s Health Outcomes: A Systematic Review of Randomized Controlled Trials}, 
abstract ={Introduction: Mobile health (mHealth) is an emerging technology with great potential for improving people's health. Due to its availability, this technology can create more motivation to improve women's health by providing safe, coordinated, and effective health care. Considering the importance of women's health, the present study was conducted to systematically investigate the impact of mHealth interventions on women's health outcomes. Method: The present study was conducted as a systematic review of clinical trial studies in English. PubMed, Scopus, Science Direct, the Cochrane Library, and ClinicalTrials.gov databases were reviewed according to the inclusion criteria from 2011 to 2021.  Results: A total of 28 articles were included in the study. mHealth tools, such as applications, text messages, voice or video calls, and wearable devices, were found to have multiple functions in this study, including providing information, reminders, education, and practical recommendations to improve the lifestyles of pregnant women in various areas. The study results indicated that in 82% of the studies, mHealth tools were effective in improving health outcomes for pregnant women, while in 18% of the studies, the intervention results did not differ from the standard method. Conclusion: mHealth interventions can have a positive effect on improving the health of pregnant women, including their lifestyle, knowledge, and attitude regarding their own and their baby's health. However, in all these studies, high heterogeneity limits the certainty of the evidence for these findings. Therefore, future studies should identify the context in which mHealth can be more effective for women's health.},  
Keywords = {Mobile Health, Digital Health, Telehealth, Women's Health, Systematic Review},
volume = {10},
Number = {3}, 
pages = {309-325}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {تأثیر مداخلات سلامت همراه بر پیامدهای سلامتی زنان: یک مطالعه مروری نظام‌مند بر روی کارآزمایی‌های بالینی کنترل شده},
abstract_fa ={مقدمه: سلامت همراه (Mobile Health/mHealth) فناوری نوظهوری است که پتانسیل زیادی در ارتقاء سلامت افراد دارد. این فناوری به دلیل در دسترس بودن، با فراهم آوردن مراقبت‌های بهداشتی ایمن، هماهنگ و مؤثر می‌تواند انگیزه بیشتری برای ارتقاء سلامتی در زنان ایجاد نماید. باتوجه به اهمیت حوزه سلامتی زنان، مطالعه حاضر با هدف بررسی نظام‌مند تأثیر مداخلات سلامت همراه بر پیامدهای سلامتی زنان انجام شد. روش: مطالعه حاضر به شیوه مرور نظام‌مند بر روی مطالعات کارآزمایی بالینی به زبان انگلیسی انجام شد. پایگاه‌های اطلاعاتی PubMed، Scopus، Science Direct، Cochrane Library، ClinicalTrials.gov مطابق با معیارهای ورود به مطالعه در بازه زمانی ۲۰۱۱ تا ۲۰۲۱ مورد بررسی قرار گرفتند. نتایج: در مجموع ۲۸ مقاله در مطالعه وارد شدند. ابزارهای سلامت همراه در این مطالعه مانند اپلیکیشن‌ها، پیامک، تماس صوتی یا تصویری و ابزارهای پوشیدنی، دارای عملکردهای متعددی مانند ارائه اطلاعات، یادآوری، آموزش و همچنین شامل توصیه‌های عملی برای بهبود سبک زندگی زنان باردار در مناطق مختلف بودند. نتایج مطالعه ۸۲% از پژوهش‌ها نشان داده بود که ابزارهای سلامت همراه می‌تواند در بهبود پیامدهای سلامتی مرتبط با زنان باردار مؤثر باشند و در ۱۸% از مطالعات، نتایج مداخله تفاوتی با روش استاندارد نداشت. نتیجه‌گیری: مداخلات سلامت همراه می‌توانند تأثیر مثبتی بر ارتقاء سلامت زنان باردار از جمله سبک زندگی، دانش و نگرش زنان در مورد سلامت خود و نوزادشان داشته باشند. با این حال در تمامی این مطالعات، ناهمگونی بالا، قطعیت شواهد این یافته‌ها را محدود می‌کند؛ بنابراین مطالعات آینده باید زمینه‌ای را که تحت آن سلامت همراه می‌تواند برای سلامت زنان مؤثرتر باشد را شناسایی کند.  },
keywords_fa = {سلامت همراه, سلامت دیجیتال, سلامت از راه دور, سلامت زنان, مرور نظام‌مند},

doi = {10.34172/jhbmi.2023.33},
url = {http://jhbmi.ir/article-1-773-en.html},  
eprint = {http://jhbmi.ir/article-1-773-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2023}  
}

@article{ 
author = {Taghavizadeh, Mahsa and Nooshyar, Mehdi and Akbarimajd, Adel and Shahalinezhad, Sah},  
title = {Automatic and Accurate Diagnosis of Alzheimer\'s Disease from MRI Images Improved by Deep Convolutional Neural Network}, 
abstract ={Introduction: Identifying and diagnosing Alzheimer's disease in brain tissue is one of the serious challenges in diagnosis in the field of medical image processing. Currently, MRI is the most common way to diagnose Alzheimer's disease, and failure to correctly identify the tissue involved in it can lead to incorrect diagnosis as healthy brain tissue. Deep learning algorithm as a process of detecting features related to damaged tissue and extracting useful information. In this research, we decided to use the convolutional neural network in the processing of medical images so that we can perform the diagnosis with better accuracy than the previous works. Methods: Using a convolutional neural network, the features of MRI images have been extracted. Alzheimer's images have been analyzed using Matlab2023a software and the intended outputs have been obtained. Results: Brain Alzheimer's images have been analyzed after pre-processing and entering the deep neural network, and in the output of the proposed algorithm, the identification accuracy and identification speed of the algorithm with the improvement of cloud parameters was higher compared to other common methods, which was 96% accuracy. presented in identification. Conclusion: The purpose of using deep learning is to make image data with large dimensions and a large number into a conceptual form for machines. It is expected that in the future feature extraction will be done more accurately and more details will be available to machine vision systems to recognize objects in the image.  },  
Keywords = {Alzheimer's disease, convolutional neural network, deep learning, MRI images},
volume = {10},
Number = {4}, 
pages = {326-336}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {تشخیص خودکار و دقیق بیماری آلزایمر از روی تصاویر MRI به وسیله‌ شبکه عصبی کانولوشنی عمیق بهبود یافته},
abstract_fa ={  مقدمه: شناسایی و تشخیص بیماری آلزایمر موجود در بافت مغز از چالش‌های جدی شناسایی در حوزه پردازش تصاویر پزشکی است. در حال حاضر MRI، متداول‌ترین راه تشخیص آلزایمر در بین روش‌های تصویربرداری می‌باشد. عدم شناسایی صحیح بافت درگیر می‌تواند منجر به تشخیص نادرست به عنوان بافت سالم مغزی شود. الگوریتم یادگیری عمیق به عنوان فرآیند تشخیص ویژگی‌های مرتبط، اطلاعات مفید را استخراج می‌کند؛ لذا این پژوهش سعی دارد با استفاده از شبکه عصبی کانولوشنال در پردازش تصاویر پزشکی با دقت بهتری، نسبت به کارهای گذشته در تشخیص، انجام دهد. روش: با استفاده از شبکه عصبی کانولوشنی طراحی شده استخراج ویژگی‌های تصاویر  T1MRI  صورت گرفته است. تصاویر آلزایمر با استفاده از نرم افزار Matlab2023a تحلیل شده‌اند و خروجی‌های مد نظر حاصل شده‌اند. نتایج: تصاویر آلزایمر مغزی T1 پس از پیش پردازش و ورود به شبکه عصبی عمیق طراحی شده، مورد بررسی قرار گرفته‌اند که در خروجی حاصل از الگوریتم پیشنهادی، دقت شناسایی و سرعت شناسایی الگوریتم با بهبود ابر پارامترها در مقایسه با سایر روش‌های معمول بالاتر بود که دقت 96% و حساسیت 100% در شناسایی ارائه کرده است. نتیجه‌گیری: هدف از الگوی یادگیری عمیق این است که داده‌های تصویری با ابعاد بزرگ و تعداد زیاد  به شکل قابل فهم برای ماشین‌ها درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار گیرد.  },
keywords_fa = {بیماری آلزایمر, شبکه عصبی کانولوشن, یادگیری عمیق, تصاویر MRI},

doi = {10.34172/jhbmi.2024.01},
url = {http://jhbmi.ir/article-1-812-en.html},  
eprint = {http://jhbmi.ir/article-1-812-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2024}  
}

@article{ 
author = {Bagherian, Hossein and SaghaeiannejadIsfahani, Sakineh},  
title = {Quality Assessment of the Information Technology (IT) Unit Services in Three Selected Hospitals in Isfahan City Using the Unweighted SERVPERF Model}, 
abstract ={Introduction: Considering the crucial role of IT unit in maintaining, preserving, and enhancing information systems and providing timely information to various individuals, the services provided by this unit must be of high quality. In this regard, the present study aimed to evaluate the quality of services provided by the Information Technology unit in three selected hospitals in Isfahan city using the SERVPERF model. Method: This is a quantitative and applied study. The statistical population consisted of all the employees who received service from the information technology unit in the educational hospitals of Isfahan city. The sample size was 351 people based on the Morgan’s table. The service quality of the information technology unit in the studied hospitals was investigated using the standard questionnaire of the SERVPERF model (non-weighted) in five areas. Results: The average of service quality of the information technology unit was 3.23, which had a statistically significant difference with the average value of 3 (P<0.05). The highest average is related to reliability (3.28) and responsiveness (3.25), respectively. The lowest average is related to the physical and tangible dimensions (3.14). Conclusion: The results show a negative gap in the service quality of information technology units in hospitals. To improve the quality of services in the dimensions of empathy, responsiveness, satisfaction, humility, goodwill, and information updates, regular training classes should be held for the employees of the information technology unit.},  
Keywords = {Information Technology, Service Quality, Hospital, Evaluation, SERVPERF},
volume = {10},
Number = {4}, 
pages = {337-345}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {ارزیابی کیفیت خدمات واحد فن‌آوری اطلاعات سه بیمارستان منتخب شهر اصفهان با استفاده از مدل سروپرف غیروزنی},
abstract_fa ={مقدمه: با توجه به جایگاه واحد فن آوری اطلاعات در زمینه حفظ، نگهداشت و ارتقای سیستم‌های اطلاعاتی و ارائه اطلاعات به هنگام به افراد مختلف، خدماتی که در این واحد ارائه می‌شود باید دارای کیفیت بالا باشد. در همین راستا، پژوهش حاضر با هدف ارزیابی کیفیت خدمات واحد فن‌آوری اطلاعات در سه بیمارستان منتخب شهر اصفهان با استفاده از مدل سروپرف انجام شد. روش: پژوهش حاضر از نوع کمی و کاربردی است. جامعه آماری کلیۀ کارکنان خدمت گیرنده از واحد فن‌آوری اطلاعات بیمارستان‌های دانشگاهی شهر اصفهان بود. حجم نمونه بر اساس جدول مورگان 351 نفر به دست آمد. کیفیت خدمات واحد فن‌آوری در بیمارستان‌های مورد بررسی  با استفاده از پرسشنامه استاندارد مدل سروپرف (غیر وزنی) در پنج حیطه مورد بررسی قرار گرفت. نتایج: نتایج نشان داد میانگین به دست آمده برای کیفیت کلی خدمات واحد فن آوری اطلاعات برابر 3/23 بود که از نظر آماری با مقدار متوسط 3‌، تفاوت معنی دار داشت (0/05>p). بالاترین میانگین را ابعاد قابلیت اطمینان با میانگین 3/28 و پاسخگویی با میانگین 3/25 و کمترین میانگین را ابعاد فیزیکی و ملموسات با میانگین 3/14 داشتند. نتیجه‌گیری: باتوجه به نتایج به دست آمده مبنی بر شکاف منفی موجود در کیفیت خدمات واحد فناوری اطلاعات بیمارستان ها پیشنهاد می گردد به منظور بالا بردن کیفیت خدمات در بعدهای همدلی، پاسخگویی بهتر، جلب رضایت، تواضع و حسن نیت و به روز بودن اطلاعات کلاس‌های آموزشی به صورت مدون برای کارکنان واحد فناوری اطلاعات برگزار گردد.  },
keywords_fa = {فن‌آوری اطلاعات, کیفیت خدمات, بیمارستان, ارزیابی, سروپرف},

doi = {10.34172/jhbmi.2024.02 },
url = {http://jhbmi.ir/article-1-808-en.html},  
eprint = {http://jhbmi.ir/article-1-808-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2024}  
}

@article{ 
author = {Hosseinpoor, Mohammadjav},  
title = {Presenting an Intelligent Algorithm to Predict Heart Attack}, 
abstract ={Introduction: Today, heart attack is one of the most common causes of death in adults all over the world. According to the announcement of the Ministry of Health, Treatment, and Medical Education, 11 to 15 percent of deaths in Iran are caused by heart attacks, and in the world, Iran has the highest number of deaths due to heart disease in 2022. It has been estimated that deaths from these diseases will increase to 20 million people. Therefore, predicting this disease is one of the most challenging topics in the medical field, and today most prediction systems are created using artificial intelligence and machine learning algorithms. Method: This applied and descriptive research was conducted in 2022 using the information of 600 people who referred to Peymaniyeh and Motahari hospitals in Jahrom city. In this research, data were collected based on the available sources from both hospitals. To implement and evaluate the results, MATLAB programming language was used. Results: The parameters used in this research are among the classification parameters, including classification rate, precision, recall, and F-measure, which were obtained as 90.7, 90.2, 91.5, and 90.8, respectively. Conclusion: The results show that the proposed model will be able to predict the probability of stroke with a high percentage.},  
Keywords = {Heart attack, Disease prediction, Intelligent model, Machine learning, Support vector machine},
volume = {10},
Number = {4}, 
pages = {346-356}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {ارائه الگوریتمی هوشمند جهت پیش‌بینی سکته قلبی},
abstract_fa ={مقدمه: امروزه یکی از شایع‌ترین علت مرگ بزرگسالان در سراسر دنیا سکته قلبی می‌باشد. طبق اعلام وزارت بهداشت، درمان و آموزش پزشکی، 11 تا 15 درصد مرگ و میرها در کشور ناشی از سکته قلبی است و در جهان،  ایران بالاترین آمار مرگ ناشی از بیماری قلبی را دارا می‌باشد. تخمین زده شده که در سال 2022‌، مرگ و میر ناشی از این بیماری‌ها به 20 میلیون نفر افزایش یابد؛ بنابراین پیش‌بینی کردن این بیماری از جمله مباحث چالش برانگیز در مبحث پزشکی می‌باشد و امروزه اکثر سیستم‌های پیش‌بینی با استفاده از الگوریتم‌های هوش مصنوعی و یادگیری ماشین به وجود آمده‌اند. روش: پژوهش حاضر از نوع کاربردی و توصیفی است، که در سال 1401 با استفاده از اطلاعات ۶00 نفر از افراد مراجعه کننده به بیمارستان پیمانیه و مطهری شهرستان جهرم انجام شده است. در این پژوهش داده‌ها بر اساس منابع موجود از هر دو بیمارستان جمع‌آوری شدند. به منظور پیاده‌سازی و ارزیابی نتایج از زبان برنامه‌نویسی متلب استفاده شده است. نتایج: پارامترهای به‌کاررفته در این پژوهش جزء پارامترهای دسته‌بندی می‌باشد که شامل: نرخ دسته‌بندی، صحت، فراخوان و F سنجش می‌باشند که به‌ترتیب مقادیر 90/7، 90/2، 91/5 و 90/8  به ‌دست ‌آمده است. نتیجه‌گیری: نتایج نشان می‌دهند که مدل پیشنهادی قادر خواهد بود که با درصد بالایی احتمال وقوع سکته را پیش‌بینی کند},
keywords_fa = {سکته قلبی, تشخیص بیماری, مدل هوشمند, یادگیری ماشین, ماشین بردار پشتیبان},

doi = {10.34172/jhbmi.2024.03},
url = {http://jhbmi.ir/article-1-763-en.html},  
eprint = {http://jhbmi.ir/article-1-763-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2024}  
}

@article{ 
author = {Ghasemi, Mahsa and Zamani, Javad and Minuchehr, Zarrin and Shamsara, Mehdi},  
title = {In Silico Modeling of a Mutant Cas9 Protein for High-Fidelity Genome Editing}, 
abstract ={Introduction: CRISPR/Cas system is a bacterial-acquired immune system against viruses. spCas9 protein-derived from Streptococcus pyogenes is the most common Cas protein used in genome editing. The Cas9 proteins suffer from some problems like unwanted off-target cleavage, which is the major limitation in the application of the CRISPR system, especially for therapeutic issues. The present study aimed to in silico design of a mutant Cas protein to enhance the fidelity of the enzyme. Method: In this study, a new Cas9 protein was designed in silico via the selection of some mutations. The interaction of the mutant and wild-type Cas9 proteins with DNA was determined by molecular docking. Finally, the stability of the mutant and wild-type proteins was evaluated using molecular dynamics. Results: The outcome of this study resulted in designing a mutant Cas9 protein bioinformatically containing 5 amino acid substitutions. Molecular docking scores for the wild-type and mutant proteins were -1073.86 and -349.41, respectively. Conclusion: Molecular docking indicated that the number of hydrogen bonds between protein and DNA reduced in the mutant state. Moreover, based on the molecular dynamic findings, the stability of both mutant and wild-type Cas9 proteins was similar.},  
Keywords = {High-fidelity Cas9, Molecular dynamic, Molecular docking, CRISPR/Cas, Protein engineering, Gene editing},
volume = {10},
Number = {4}, 
pages = {357-366}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {مدل‌سازی in silico یک پروتئین Cas9 جهش یافته با هدف افزایش دقت ویرایش ژنوم},
abstract_fa ={مقدمه: سیستم CRISPR/Cas، سیستم ایمنی اکتسابی باکتری­ها در مقابله با عوامل مهاجم خارجی است. پروتئین Cas9 باکتری استرپتوکوکوس پیوژنز، رایج­ترین پروتئین Cas استفاده شده در ویرایش ژنوم می­باشد؛ اما پروتئین­های Cas9 دارای مشکلاتی مانند وقوع جهش­های نابه‌جا هستند که مانعی مهم در مسیر به کارگیری آن­ها برای مقاصد درمانی می­باشد. هدف از این مطالعه، طراحی یوانفورماتیکی یک پروتئین Cas9 جهش یافته به منظور افزایش دقت آنزیم در امر ویرایش ژنوم است.  روش: در این مطالعه ابتدا با انتخاب برخی از جهش­ها و اعمال آن در پروتئین، Cas9 جدید به صورت in silico طراحی شد. با روش داکینگ مولکولی نحوه اتصال spCas9 جهش یافته و وحشی به DNA مورد بررسی قرار گرفت. در آخر، پایداری دو پروتئین جهش یافته و وحشی با استفاده از دینامیک مولکولی مورد ارزیابی قرار گرفت. نتایج: نتایج این مطالعه منجر به طراحی یک پروتئین جهش یافته با 5 جهش شد. نتایج داکینگ مولکولی امتیاز 1073/86- را برای پروتئین تیپ وحشی و امتیاز 349/41- را برای پروتئین جهش یافته نشان داد. نتیجه‌گیری: بررسی داکینگ مولکولی نشان داد که از پیوندهای بین پروتئین و DNA در حالت جهش یافته کاسته شده است. همچنین، نتایج دینامیک مولکولی نشان داد که پایداری دو پروتئین جهش یافته و تیپ وحشی مشابه یکدیگر می‌باشند.  },
keywords_fa = {Cas9 با دقت بالا, دینامیک مولکولی, داکینگ مولکولی, CRISPR/Cas, مهندسی پروتئین, ویرایش ژن},

doi = {10.34172/jhbmi.2024.04},
url = {http://jhbmi.ir/article-1-838-en.html},  
eprint = {http://jhbmi.ir/article-1-838-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2024}  
}

@article{ 
author = {Aliakbarpour, Hamideh and Shahmansoury, Ashraf and Bazaee, Ghasemali},  
title = {Identifying and Prioritizing the Implementation Steps of the Blockchain Technology Roadmap in Health-Oriented Organizations Using the Fuzzy Delphi Method}, 
abstract ={Introduction: A Roadmap is a tool to help organizations facilitate the successful implementation of any technology. Then, this study aimed to identify and prioritize the stages of blockchain technology roadmap implementation in health-oriented organizations. Method: To refine and evaluate the appropriateness of steps extracted from the subject literature, the fuzzy Delphi method was used. Access to the most reliable group agreement of experts on a specific issue is done using a questionnaire and asking experts’ opinions, often according to their feedback. Results: After identifying and extracting the factors through the study of various articles and localization and determining the importance of the variables, by applying the weight limit in the model, the level of experts’ agreement with each of the components was obtained and their suggested and corrective points were divided. The resulting absolute mean indicates the intensity of experts’ agreement with each research factor. Conclusion: The results of the survey of experts’ views show that the priorities of monitoring technology, identifying the application of blockchain technology in the organization, identifying structural, technical, legal, and financial challenges, designing, removing governance and upstream obstacles, appropriate capital transfer, cooperation between old and new infrastructure, and increasing membership, high importance and priorities of basic training, identifying the benefits of digital transformation and competitive advantage, internal and external stakeholders, and expanding the business model to other sectors are of lower importance.},  
Keywords = {Blockchain, Blockchain roadmap, Fuzzy Delphi method, Blockchain in health},
volume = {10},
Number = {4}, 
pages = {367-379}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {شناسایی و اولویت‌بندی مراحل پیاده‌سازی نقشه راه فناوری بلاکچین در سازمان‌های سلامت محور با استفاده از روش دلفی فازی},
abstract_fa ={مقدمه: نقشه راه ابزاری برای کمک به سازمان‌ها برای تسهیل اجرای موفق هر فناوری می‌باشد. بر این اساس، هدف این پژوهش، شناسایی و اولویت‌بندی مراحل پیاده‌سازی نقشه راه فناوری بلاکچین در سازمان‌های سلامت‌محور می‌باشد. روش: به‌منظور پالایش و ارزیابی تناسب مراحل مستخرج از ادبیات موضوع، از روش دلفی فازی استفاده‌ شده است. دسترسی به مطمئن‌ترین توافق گروهی خبرگان درباره موضوعی خاص است که با استفاده از پرسشنامه و نظرخواهی از خبرگان، به‌دفعات با توجه به بازخورد حاصل از آن‌ها صورت می‌پذیرد. نتایج: پس از شناسایی و استخراج عوامل از طریق مطالعه مقالات مختلف و بومی‌سازی و تعیین میزان اهمیت متغیرها، با اعمال محدودیت وزنی در مدل، میزان موافقت خبرگان با هرکدام از مؤلفه‌ها اخذ شده و نقطه نظرات پیشنهادی و اصلاحی آن‌ها تقسیم‌بندی شده است. میانگین قطعی حاصل، نشان‌دهنده شدت موافقت خبرگان با هرکدام از عوامل پژوهش می‌باشد. نتیجه‌گیری: نتایج نظرسنجی دیدگاه‌های خبرگان نشان می‌دهد که اولویت‌های رصد فناوری، شناسایی کاربرد فناوری بلاکچین در سازمان، شناسایی چالش‌های ساختاری، فنی، حقوقی و مالی، طراحی، رفع موانع حاکمیتی و بالادستی، سرمایه‌گذاری متناسب، همکاری زیرساخت قدیمی، جدید و افزایش عضویت دارای اهمیت بالا و اولویت‌های آموزش اولیه، شناسایی مزایای تحول دیجیتال و مزیت رقابتی، ذی اثران داخلی و خارجی و گسترش مدل کسب‌وکار به بخش‌های دیگر از اهمیت پایین‌تری برخوردار هستند.},
keywords_fa = {بلاکچین, نقشه راه بلاکچین, روش دلفی فازی, بلاکچین در سلامت},

doi = {10.34172/jhbmi.2024.05},
url = {http://jhbmi.ir/article-1-821-en.html},  
eprint = {http://jhbmi.ir/article-1-821-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2024}  
}

@article{ 
author = {Bahador, Fatemeh and Javanmard, Zohreh and Sabahi, Azam and Salehi, Fatemeh and Shahabi, Shirin and FatehBahari, Rez},  
title = {Determining the Minimum Data Set for Electronic Health Records of Tuberculosis Patients}, 
abstract ={Introduction: The minimum data set is considered an important tool in the registration systems and monitoring programs, which provides the possibility of collecting and transferring data at the country level. Considering the importance of tuberculosis in Iran and especially the high incidence of this disease in the marginal provinces of the country, the present study was designed and implemented to determine the minimum data set for the electronic health records of tuberculosis patients. Method: This descriptive study was conducted in two phases. In the first phase, a comprehensive review was conducted in PubMed, Science Direct, SID, and Magiran databases to identify data elements. The data were collected using the data extraction form and polled using the Delphi method. Descriptive statistics and SPSS version 16 were used for data analysis. Results: The minimum data set of tuberculosis was divided into two categories: administrative data with five classes and 35 data elements, and clinical data with five classes and 43 data elements. Conclusion: The minimum data set of tuberculosis is an effective tool for managing and recording the information of patients suffering from this disease. The results of this study can help researchers and developers in the process of designing and implementing an integrated information system for registering the information of patients with tuberculosis.},  
Keywords = {Minimum Data Set, Tuberculosis, Electronic Health Record},
volume = {10},
Number = {4}, 
pages = {380-385}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {تعیین مجموعه حداقل داده‌ها برای پرونده الکترونیک بیماران سل},
abstract_fa ={مقدمه: مجموعه حداقل داده، ابزاری مهم در نظام‌های ثبت و برنامه‌های نظارتی تلقی می‌گردد که امکان جمع‌آوری و انتقال داده‌ها در سطح کشور را فراهم می‌نماید. با توجه به اهمیت بیماری سل در ایران و به ویژه بروز بالای این بیماری در استان‌های حاشیه‌ای کشور، مطالعه حاضر با هدف تعیین مجموعه حداقل داده‌ها برای پرونده الکترونیک بیماران سل طراحی و اجرا گردید. روش: مطالعه حاضر یک مطالعه توصیفی است که در طی دو مرحله انجام شد. در مرحله اول، برای شناسایی عناصر داده بررسی جامعی در پایگاه داده‌های SID، Magiran، PubMed، Direct Science صورت گرفت. داده‌ها با استفاده از فرم استخراج داده، جمع‌آوری و با استفاده از پرسشنامه و روش دلفی به نظرسنجی گذاشته شدند. برای تحلیل داده‌ها از آمار توصیفی و نرم‌افزار SPSS نسخه16 استفاده گردید. نتایج: مجموعه حداقل داده‌های بیماری سل به دو دسته داده‌های مدیریتی با 5 کلاس و 35 عنصر، و داده‌های بالینی با 5 کلاس و 43 عنصر داده تقسیم شدند. نتیجه‌گیری: مجموعه حداقل داده‌های سل برای مدیریت هر چه بهتر این بیماری و ثبت اطلاعات بیماران مبتلا به این بیماری بسیار مؤثر می‌باشد. نتایج این مطالعه می‌تواند به پژوهشگران و توسعه دهندگان جهت طراحی و راه‌اندازی سیستم اطلاعاتی یکپارچه ثبت اطلاعات بیماران مبتلا به سل کمک نماید.  },
keywords_fa = {مجموعه حداقل داده‌ها, سل, پرونده الکترونیک سلامت},

doi = { 10.34172/jhbmi.2024.06},
url = {http://jhbmi.ir/article-1-829-en.html},  
eprint = {http://jhbmi.ir/article-1-829-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2024}  
}

@article{ 
author = {Mortezaali, Sara and Zarrabi, Mahboobeh},  
title = {The Study of the Binding Ability of Antimicrobial Peptides to Spike Protein of the Coronavirus by Docking and Molecular Dynamics Simulation}, 
abstract ={Introduction: Since the start of 2020, SARS-CoV-2 has infected a significant number of individuals, prompting extensive research. Antimicrobial peptides can be considered as a promising treatment for emerging viral pathogens due to their safety, efficacy, and specificity. Method: In this study, first, 104 natural antiviral peptides were chosen from APD databases.  Then, the third structure of proteins was modeled by PEP-FOLD 3 server. The structures were refined and optimized for docking operation. Subsequently, peptide-protein docking was performed using AutoDock Vina. The most favorable peptide-protein complex, chosen based on binding energy, was employed for molecular simulation using GROMACS. The simulation was carried out for 100 ns at 310° K and pH=7. Gromos54a7 force field was used in this study and the SPC water model was used as solvent. Results: The obtained results from molecular dynamics examine the stability of complex structure and energy calculations. RMSD, RMSF, radius of gyration, and SASA analyses indicate the stability of the peptide-protein complex during the simulation. Additionally, LJ, CL, HBond, and ΔG analyses were conducted to calculate the energy interactions between the peptide and the Spike protein. Conclusion: The results indicate that antimicrobial peptides can effectively bind to the SARS-CoV-2 spike protein, acting as inhibitors with a favorable binding energy. Consequently, these peptides can be employed for therapeutic and experimental studies of COVID-19.},  
Keywords = {Antimicrobial peptide, Spike protein, Molecular dynamics simulation, Docking, COVID-19},
volume = {10},
Number = {4}, 
pages = {386-399}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {بررسی قابلیت اتصال پپتیدهای ضدمیکروبی به پروتئینspike  ویروس کرونا با روش داکینگ و شبیه‌سازی دینامیک مولکولی},
abstract_fa ={مقدمه: از زمان شروع سال 2020، SARS-CoV-2 به طور قابل توجهی باعث بیماری تعداد زیادی از افراد شده و تحقیقات گسترده‌ای را به سوی خود جلب کرده است. پپتیدهای ضد میکروبی به دلیل ایمنی، کارایی و ویژگی منحصر به فرد خود به عنوان یک راه امیدوارکننده برای درمان پاتوژن‌های ویروسی در حال ظهور شناخته می‌شوند. روش: در این مطالعه ابتدا 104 پپتید طبیعی ضدمیکروبی از پایگاه‌های داده APD انتخاب شدند. سپس با سرور pepfold3 ساختار سوم پپتیدها مدل‌سازی شد. ساختارها پس از اصلاح و بهینه‌سازی آماده عملیات داکینگ شدند. متعاقباً داکینگ پپتید-پروتئین با نرم‌افزار اتوداک وینا انجام شد. بهترین کمپلکس پپتید-پروتئین که انرژی اتصال مناسبی در خروجی داکینگ داشت برای شبیه‌سازی مولکولی با برنامه گرومکس انتخاب شد. شبیه‌سازی به مدت 100 نانوثانیه در دمای 310 درجه کلوین و pH:7 انجام شد. از میدان نیروی gromos54a7 و مدل آب spc به عنوان حلال استفاده گردید. نتایج: نتایج به دست آمده از دینامیک مولکولی، پایداری ساختار کمپلکس‌ها و محاسبات انرژی را بررسی می‌کند. آنالیزهای RMSD، RMSF، شعاع ژیراسیون و SASA نشان داد که کمپلکس پپتید-پروتئین در طی شبیه‌سازی پایدار است و آنالیزهای LJ، CL، HBond و ΔG جهت محاسبه انرژی بین پپتید و پروتیئن Spike انجام شد. نتیجه‌گیری: نتایج مطالعه نشان داد که پپتیدهای ضدمیکروبی می‌توانند به عنوان مهارکننده و با انرژی اتصال مطلوبی به پروتئین  اسپایک SARS-CoV-2 متصل شوند و در نتیجه، این پپتیدها می‌توانند برای مطالعات درمانی و تجربی Covid-19 استفاده شوند.  },
keywords_fa = {پپتید ضدمیکروبی, پروتئین اسپایک, شبیه سازی دینامیک مولکولی, داکینگ, کووید-19},

doi = {10.34172/jhbmi.2024.07},
url = {http://jhbmi.ir/article-1-836-en.html},  
eprint = {http://jhbmi.ir/article-1-836-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2024}  
}

@article{ 
author = {Janati, Asma and JafariShahbazzadeh, Mehdi},  
title = {The role of Artificial Intelligence in the Diagnosis of Chronic Diseases}, 
abstract ={The article is a letter to the editor, so it does not have an abstract.},  
Keywords = {Artificial intelligence, Health},
volume = {10},
Number = {4}, 
pages = {400-402}, 
publisher = {دانشگاه علوم پزشکی کرمان},
title_fa = {نقش هوش مصنوعی در تشخیص بیماری‌های مزمن},
abstract_fa ={مقاله از نوع نامه به سردبیر است لذا فاقد چکیده می باشد.},
keywords_fa = {هوش مصنوعی,سلامت},

doi = {10.34172/jhbmi.2024.08},
url = {http://jhbmi.ir/article-1-852-en.html},  
eprint = {http://jhbmi.ir/article-1-852-en.pdf},  
journal = {Journal of Health and Biomedical Informatics},  
issn = {2423-3870}, 
eissn = {2423-3498}, 
year = {2024}  
}