fa jalali 1396 3 1 gregorian 2017 6 1 4 1 online 1 fulltext

fa طراحی سیستم پیش‌بینی بیماری قلبی- عروقی با استفاده از ماشین بردار پشتیبان مقدمه: بیماری‌های قلبی- عروقی بزرگ‌ترین عامل مرگ‌و‌میر در سراسر جهان است. طبق اعلام سازمان بهداشت جهانی در هر سال حدود 12 میلیون مرگ‌و‌میر در سراسر جهان بر اثر بیماری‌های قلبی -عروقی تخمین زده شده است. هدف اصلی از این مقاله، طراحی یک سیستم هوشمند به کمک کامپیوتر است که بتواند بیماری قلبی را در فرد مبتلا تشخیص دهد. روش: در این مطالعه توصیفی- تحلیلی، داده‌های مربوط به 270 نفر که شامل 13 ویژگی می­باشد مورد استفاده قرار گرفت. جهت تشخیص فرد مبتلا به بیماری قلبی از ترکیب سیستم فازی و طبقه‌بندی کننده‌ ماشین بردار پشتیبان با استفاده از امکانات موجود در نرم افزار متلب پیاده‌سازی گردید و بر روی سیستم Core i5 تحت ویندوز 7 شبیه‌سازی شد. نتایج: در این تحقیق از تکنیک فازی و الگوریتم ماشین بردار پشتیبان جهت تشخیص بیماری قلبی استفاده شده که مؤثر واقع گردیده است. از آنجایی که در این مطالعه هدف، تشخیص درست و سریع می‌باشد؛ بنابراین تشخیص سریع، شانس نجات فرد را افزایش می‌‌دهد. همچنین معیارهای ارزیابی در این سیستم نرخ دسته‌بندی و حساسیت می‌باشد که عملکرد این سیستم بر اساس این شاخص‌ها به ترتیب 85% و 85/8 % به دست آمده است. نتیجه‌گیری: با توجه به نتایج به دست آمده، مشاهده می‌شود که سیستم پیشنهادی با دقت نسبتاً بالایی، افراد مبتلا به بیماری قلبی- عروقی را تشخیص می‌دهد. Introduction: Cardiovascular diseases are the leading cause of death worldwide. The world health Organization has estimated 12 million deaths per year worldwide, due to the cardiovascular diseases. The main aim of this study was to design a smart computer-aided system for the diagnosis of heart disease in patients. Methods: In this study descriptive and analytical study, data of 270 people with 13 features were used. The fuzzy system and support vector machine classifier were combined using facilities of MATLAB software and were simulated by a system of core i5 and windows7, as the operating system, to diagnose patients with heart disease. Results: Fuzzy technique and support vector machine algorithm that were used for the diagnosis of heart disease was efficient in rapid diagnosis and consequently increasing the patient chance for survival. Evaluation criteria in this system were rates of categorization and sensitivity and the system performance for these two indicators were respectively  85% and 85.8%. Conclusion: According to the results, the proposed system can diagnose patients with cardiovascular diseases with a relatively high accuracy.   Cardiovascular Disease, Fuzzy System, Support Vector Machine Classifier بیماری قلبی- عروقی, سیستم فازی, طبقه‌بندی کننده‌ ماشین بردار پشتیبان 1 10 http://jhbmi.ir/browse.php?a_code=A-10-262-1&slc_lang=fa&sid=1 2017/05/1 1396/2/11 2017/06/17 1396/3/27 Maryam Sadat Mahmoodi M.Sc. Computer Sciences, Computer Engineering Dept., Birjand Payame Noor University (PNU), Birjand, Iran. مریم سادات محمودی m_mahmoodi_64@yahoo.com 0031947532846003583 0031947532846003583 Yes کارشناس ارشد علوم کامپیوتر، مربی، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور بیرجند، بیرجند، ایران.

fa بررسی محتوای آموزشی مورد نیاز جهت ایجاد برنامه کاربردی- آموزشی برای مبتلایان به صرع: دیدگاه بیماران و پزشکان مقدمه: صرع یک بیماری عصبی مزمن و رایج است. در درمان صرع، انتخاب درمان مناسب در کنار آموزش بیمار باید مورد توجه قرار بگیرد. امروزه فن‌آوری همراه به عنوان یک الگوی امیدوار کننده برای ارتقاء دانش در بیماری‌های مزمن شناخته می‌شود. برای طراحی برنامه کاربردی -آموزشی باید محتوای آموزشی مورد‌نیاز تعیین گردد. هدف مطالعه حاضر بررسی دیدگاه پزشکان و بیماران در زمینه محتوای آموزشی مورد‌نیاز برای ایجاد برنامه کاربردی- آموزشی صرع بود. روش: در این مطالعه توصیفی‌، دیدگاه 100 بیمار مبتلا به صرع عضو انجمن صرع ایران و 15 پزشک متخصص از اعضا و همکاران انجمن صرع، با استفاده از پرسشنامه‌ای در خصوص محتوای آموزشی مورد‌نیاز برای ایجاد برنامه کاربردی- آموزشی مبتلایان به صرع مورد بررسی قرار گرفت. این پرسشنامه مشتمل بر 19 سؤال در سه حیطه (اطلاعات بیماری، سبک زندگی و داروهای مصرفی) بود. داده‌های به دست آمده با استفاده از آمار توصیفی (میانگین و انحراف معیار) تحلیل شد. نتایج: یافته‌ها نشان داد که محتوای آموزشی مورد‌نیاز برای بیماران مبتلا به صرع شامل اقدامات اولیه، علت، علائم، عوارض و درمان صرع، تأثیر ورزش، خواب، رانندگی، شغل، ازدواج، بارداری، تغذیه در صرع، شناخت داروهای ضدصرع و عوارض آن و اهمیت مصرف منظم داروها بود. نتیجه ­گیری: این مطالعه محتوای آموزشی مورد‌نیاز برای بیماران مبتلا به صرع را در سه حیطه سبک زندگی، اطلاعات بیماری و داروهای مصرفی نشان داد. در این سه حیطه مجموعاً، 15 موضوع آموزشی مورد تأیید بیماران و متخصصین قرار گرفت که باید در طراحی برنامه کاربردی- آموزشی صرع لحاظ گردد.   Introduction: Epilepsy is a common chronic neurological disease. In epilepsy treatment process, both of appropriate treatment options and patient education should be considered. Nowadays, mobile technologies have been known as a proper platform for improvement of patients’ knowledge in chronic diseases. The aim of this study was to assess the perspectives of epileptic patients and physicians about the required educational content in developing an educational mobile application for epilepsy. Methods: In this cross-sectional study, the perspectives of 100 patients with epilepsy who were members of the Iranian Epilepsy Association and 15 physicians who were members or colleagues of this association were surveyed about the patients’ educational needs. The applied questionnaire included 19 questions in three areas (disease information, lifestyle and used medications). Data were analyzed by the use of descriptive statistics (mean and standard deviation).   Results: A variety of  items such as first aid, cause, symptoms, complications and treatment of epilepsy, the effect of exercise, sleep, driving, occupation, marriage, pregnancy, nutrition in epilepsy, information about antiepileptic drugs and their complications, and the importance of the regular use of medications should be considered in the educational content of the application. Conclusion: This study indicates that the educational content for developing a mobile application for patients with epilepsy from the perspectives of patients and physicians includes three domains of life style, disease information and medication. Totally, 15 educational requirements were identified that should be considered in developing the application.   Epilepsy, Educational needs, Patient, Physician, Mobile apps صرع, نیازهای آموزشی, بیمار, پزشک, برنامه کاربردی موبایل 11 20 http://jhbmi.ir/browse.php?a_code=A-10-274-1&slc_lang=fa&sid=1 2017/05/12017/04/19 1396/1/30 2017/06/172017/05/31 1396/3/10 Abbas Sheikhtaheri Iran University of Medical Sciences عباس شیخ طاهری sheikhtaheri.a@iums.ac.ir 0031947532846002851 0031947532846002851 No دکترای مدیریت اطلاعات سلامت، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Fatemeh Ghandali M.Sc Student, Science Health Information Technology, Health Information Management Dept., School of Health Management and information Sciences, Iran University of Medical Sciences, Tehran, Islamic Republic of Iran. فاطمه غندالی f.ghandali@yahoo.com 0031947532846002852 0031947532846002852 Yes دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Gholamreza Zamani Ghaletaki Tehran University of Medical Sciences غلامرضا زمانی قلعه تکی ghrzamani@yahoo.com 0031947532846002853 0031947532846002853 No فوق تخصص بیماری‌های اعصاب کودکان، دانشیار،گروه بیماری‌های کودکان، مرکز طبی کودکان، دانشگاه علوم پزشکی تهران، عضو هیئت مدیره انجمن صرع ایران، تهران ،ایران.

fa تشخیص بیماری تیروئید با استفاده از ترکیب شبکه‌ های عصبی به روش سلسله مراتبی مقدمه: غده تیروئید نسبت به غده‏های دیگر بدن بیشتر دچار مشکل می‏شود و در صورت عدم تشخیص به موقع بی نظمی‏های تیروئید، بیمار دچار حمله تیروئیدی و یا کمای میگزدم شده که ممکن است منجر به مرگ گردد. از این رو تشخیص بی‏نظمی‏های تیروئید (پرکاری یا کم‏کاری) بر پایه تست‏های آزمایشگاهی و کلینیکی امری ضروری است. هدف از این پژوهش ارائه مدلی مبتنی بر تکنیک داده کاوی است که قابلیت پیش‏بینی بیماری تیروئید از نظر کم‏کاری و پرکاری را داشته باشد. روش: این مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل 7200 رکورد مستقل مبتنی بر 21 ریسک فاکتور و برگرفته شده از مرجع داده UCI می‏باشد که از این تعداد 70‌% نمونه‏ها جهت آموزش و 30‌% آن‌ها جهت آزمون استفاده شده است. این پژوهش ابتدا به بررسی عملکرد شبکه‏های عصبی‌، به منظور تشخیص بیماری تیروئید پرداخته و سپس به ارائه الگوریتمی به نام ترکیب شبکه‏های عصبی به روش سلسله مراتبی می‌پردازد. نتایج: پس از مدل‌سازی و مقایسه مدل‏های تولید شده و ثبت نتایج دقت پیش‌بینی بیماری تیروئید با استفاده از روش‏ شبکه عصبی 6/96% و روش سلسله مراتبی 100‌% به دست آمد. نتیجه‌گیری: کاهش خطای تشخیص بیماری تیروئید همواره یکی از اهداف محققین بوده است. استفاده از روش‏های مبتنی بر داده‌کاوی می‏تواند به کاهش این خطا کمک کند. این مطالعه ضمن تشخیص بیماری تیروئید به کمک شبکه‌های عصبی، نشان می‌دهد که ارائه روش قوی‌تری به نام ترکیب شبکه‏های عصبی به صورت سلسله مراتبی منجر به بهبود دقت تشخیص می‌شود. Introduction: Problems in thyroid gland are more common than in other glands of human body, and if they are not diagnosed early, thyroid storm or myxedema coma is likely to happen that might lead to death; therefore, on-time diagnosis of thyroid disorders (Hypothyroidism or hyperthyroidism) based on Laboratory and clinical tests is necessary. The main object of this research was to present a model based on data mining techniques that is capable of predicting thyroid diseases. Methods: This study was a descriptive-analytic study and its database included 7200 independent records based on 21 risk factors derived from UCI data reference. From all records, 70% were used for training and 30% for testing. First, neural networks performance was reviewed in order to diagnose thyroid diseases, and then an algorithm for combination of neural networks through hierarchical method was presented. Results: After modeling and comparing the generated models and recording the results, accuracies of predicting thyroid disorders using neural network and hierarchical method were found to be 96.6% and 100% respectively. Conclusion: Reducing misdiagnosis of thyroid diseases has always been one of the most important aims of researchers. Using methods based on data mining can decrease these errors. This study showed that using combination of neural networks through hierarchical method improves diagnosis accuracy. Artificial neural network, MLP network, Combination of neural networks, Thyroid diagnosis شبکه عصبی مصنوعی, شبکه MLP, ترکیب شبکه‌ های عصبی, تشخیص بیماری تیروئیدی, تشخیص نوع تیروئید 21 31 http://jhbmi.ir/browse.php?a_code=A-10-259-1&slc_lang=fa&sid=1 2017/05/12017/04/192017/04/17 1396/1/28 2017/06/172017/05/312017/06/10 1396/3/20 Iman Zabbah ایمان ذباح e.yasrebi@torbath.ac.ir 0031947532846003584 0031947532846003584 No دانشجوی دکتری کامپیوتر ، گروه کامپیوتر، دانشگاه آزاد اسلامی تهران شمال، دانشکده مهندسی، تهران،ایران Seyed Ehsan Yasrebi Naeini سید احسان یثربی imanzabbah@gmail.com 0031947532846003585 0031947532846003585 Yes عضو هیات علمی گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی ، دانشگاه تربت حیدریه Zahra Ramazanpoor زهرا رمضانپور zahra9631@gmail.com 0031947532846003586 0031947532846003586 No کارشناسی کامپیوتر، گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی، دانشگاه تربت حیدریه Khadije Sahragard خدیجه صحراگرد sahragard.khadijeh@gmail.com 0031947532846003587 0031947532846003587 No کارشناسی کامپیوتر، گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی، دانشگاه تربت حیدریه

fa بررسی فرآیند ثبت اطلاعات دارویی بیماران بیمارستان آموزشی مرجع در شهر کرمان با استفاده از رویکرد شش سیگما مقدمه: افزایش شدید هزینه ‌های درمانی به همراه کاهش روند حمایتی دولت از بیمارستان‌ها، سبب پررنگ شدن نقش سازمان‌های بیمه به عنوان اصلی‌ترین منبع درآمدی بیمارستان شده است. بخش مهمی از مطالبات بیمارستان‌ها، مربوط به اسناد دارویی سازمان بیمه خدمات درمانی است که پس از رسیدگی به علت نقص در فرآیند، مشمول کسورات شده و از مطالبات بیمارستان کسر می‌گردد. روش: مطالعه حاضر توصیفی و به صورت گذشته‌نگر انجام شد. در این پژوهش نمونه‌گیری انجام نشد و کل 30 پرونده ناقص بیماران بیمه سلامت (ایرانیان) بیمارستان مرجع وارد مطالعه گردید. اطلاعات چک لیست‌ها وارد نرم‌افزار اکسل نسخه 22 شد، با استفاده از نمودار استخوان ماهی علت‌ها تعیین و برای تحلیل کیفیت فرآیند، از مقیاس شش سیگما استفاده گردید. نتایج: خطاهای فرآیند در قالب 6 گروه شناسایی گردید که بیشترین میزان خطاها به ترتیب مربوط به مراحل کنترل دستور دارویی و واردکردن آن در کاردکس و درخواست دارو از طریق سیستم تحویل دارو بوده است. بر اساس سیگمای محاسبه شده سطح کیفیت فرآیند مورد بررسی متوسط ارزیابی گردید. بیشترین میزان خطا مربوط به اسناد بیماران صندوق روستایی خدمات غیرگلوبال  بود. نتیجه‌گیری: اقداماتی چون آموزش کارکنان، بازبینی و به‌روزرسانی سیستم ثبت و نگهداری اطلاعات و بهبود هماهنگی برون‌بخشی می‌تواند تا حد زیادی خطاها را در سه مرحله فوق کاهش دهد.   Introduction: Sharp rise in health care costs associated with the reduction of hospitals' support by government has increased the importance of insurance organizations as the main source of hospitals' income. An important part of hospitals’ demands is related to the medical records of Iranian Health Insurance organization that are subject to deductions and are deduced from the hospitals’ demands after investigating the cause of defect in the process. Methods: The present study was conducted as a retrospective descriptive research. In this study, sampling was not conducted and all incomplete files of patients covered by Iranian Health Insurance Organization in the reference hospital (n=30) were entered into the study. Data of checklists were entered into Excel software version 22 and the causes were determined by using Fishbone diagram. Six-sigma scale was used to analyze the quality of the process. Results: Process errors were detected in 6 groups and the highest error rates were respectively related to pharmaceutical orders control stages, entering them in cards and requesting drug through drug delivering system. The quality of the reviewed process was evaluated as moderate level based on the calculated sigma. The highest rate of error was related to the records of patients covered by rural fund of non-global services. Conclusion: Measures such as staff training, monitoring and updating the record keeping system and improving external parts coordination can greatly reduce errors in three above-mentioned stages.   Process, Drug information, Six Sigma, Deductions فرآیند, اطلاعات دارویی, شش سیگما, کسورات 32 38 http://jhbmi.ir/browse.php?a_code=A-10-251-1&slc_lang=fa&sid=1 2017/05/12017/04/192017/04/172017/04/27 1396/2/7 2017/06/172017/05/312017/06/102017/06/17 1396/3/27 Mohammad Hosein Mehrolhassani محمد حسین مهرالحسنی mhmhealth@gmail.com 0031947532846003588 0031947532846003588 No دانشیار، مرکز تحقیقات مدیریت سلامت، پژوهشکده آینده پژوهشی در سلامت، دانشگاه علوم پزشکی کرمان، ایران Leila Vali لیلا والی vali1386@gmail.com 0031947532846003589 0031947532846003589 No استادیار، مرکز تحقیقات بهداشت محیط، دانشگاه علوم پزشکی کرمان، ایران Hamid Moein حمید معین hamidmoein1097@gmail.com 0031947532846003590 0031947532846003590 No کارشناس ارشد مدیریت خدمات بهداشتی درمانی، مرکز تحقیقات مدیریت سلامت، دانشکده مدیریت اطلاع رسانی پزشکی ، دانشگاه علوم پزشکی کرمان، ایران Mahtab Ghanbarnejad مهتاب قنبر نژاد mahtabghanbarnejad@gmail.om 0031947532846003591 0031947532846003591 Yes کارشناس ارشد مدیریت خدمات بهداشتی درمانی، مرکز تحقیقات مدیریت سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی ، دانشگاه علوم پزشکی کرمان، ایران

fa تعیین مهم‌ترین عوامل مؤثر بر سرطان پوست غیرملانومایی با استفاده از الگوریتم‌های داده کاوی مقدمه: در سال‌های اخیر، سرطان پوست غیرملانوما (NMSC) جزء سه سرطان شایع در ایران بوده  است. مدیریت نامناسب این بیماری منجر به افزایش شیوع و هزینه‌های سربار اقتصادی شده است. تکنیک‌های داده کاوی به آنالیز داده‌های پرونده‌های بیماران و مدیریت صحیح بیماری‌ها کمک می‌نمایند. هدف این مطالعه کشف الگوها و روابط پنهان در داده‌های بیماران NMSC با استفاده از الگوریتم‌های داده کاوی می‌باشد. روش: جامعه مورد بررسی در این مطالعه کاربردی، 828 پرونده NMSC بود که طی سال‌های 94-86 به انستیتو کانسر بیمارستان امام خمینی (ره) تهران ارجاع شده بودند. متغیرهای دموگرافیک و ریسک فاکتورهای ابتلا به بیماری با استفاده از الگوریتم K-Means خوشه‌بندی شدند. همچنین از الگوریتم Apriori برای استخراج قوانین انجمنی و تعیین شاخص‌های مشترک بیماران با درجه اطمینان بالای 0/9 استفاده گردید.  نتایج: بیماران NMSC با توجه به متغیرهای مورد بررسی در چهار خوشه توزیع شدند و سه عامل مهم تأثیر‌گذار بر بیماری، BMI غیرنرمال، شغل‌های با ریسک بالا و سابقه قبلی سرطان مشخص شد. با استفاده از قوانین انجمنی هفت قانون مورد تأیید قرار گرفت و بیشترین ارتباط میان عوامل سابقه قبلی بیماری، موضع درگیر، عود و نوع سرطان پوست غیرملانوما دیده شد. نتیجه گیری: این مطالعه برای اولین بار مهم‌ترین عوامل مؤثر بر NMSC را با استفاده از داده کاوی تعیین نمود. این عوامل بایستی در انجام خودآزمایی‌ها و یا آزمایش‌های غربالگری پوست در گروه‌های پرخطر مد‌نظر قرار بگیرند. همچنین در مطالعات آینده بایستی مشارکت عوامل فیزیولوژیک، اکولوژیک و ژنتیک در ایجاد سرطان پوست تواماً داده کاوی شوند.   Introduction: Non-melanoma skin cancer (NMSC) has recently been one of the three most common cancers in Iran. Inappropriate management of the disease has led to an increase in the prevalence and overhead costs. Data mining techniques are helpful in the analysis of patient records and accurate management of diseases. This study aimed to find hidden patterns and relationships in the data of NMSC patients using data mining algorithms. Methods: In this applied study, study population consisted of medical records of 828 NMSC patients referred to the Cancer Institute of Imam Khomeini Hospital in Tehran during 2006-2015. Demographic variables and NMSC risk factors were clustered using K-Means algorithm. Apriori algorithm was applied as well for extraction of association rules and determination of patient’s common information with a confidence of ≥ 0.9. Results: According to the studied variables, NMSC patients were classified in four clusters and three important factors influencing the disease were identified as abnormal BMI, high risk occupations and previous history of cancer. Seven rules were approved by association rules and the highest associations were found between the past history of the disease, the involved site, the relapse, and the type of NMSC. Conclusion: For the first time, this study could highlight the most important factors affecting NMSC using data mining methods. These factors should be considered either in self examination or screening skin tests in high-risk groups. In future studies, the contribution of physiological, ecological and genetic factors in the development of skin cancer should be jointly investigated as well.   Non-Melanoma Skin Cancer, Data Mining, Clustering, Association rules, Risk Factor سرطان پوست غیر ملانومایی, داده کاوی, خوشه بندی, قوانین انجمنی, ریسک فاکتور 39 47 http://jhbmi.ir/browse.php?a_code=A-10-283-1&slc_lang=fa&sid=1 2017/05/12017/04/192017/04/172017/04/272017/03/30 1396/1/10 2017/06/172017/05/312017/06/102017/06/172017/05/16 1396/2/26 Foroughosadat Ghasemzadeh فروغ السادات قاسم زاده ghasemzadehf921@mums.ac.ir 0031947532846003592 0031947532846003592 No کارشناس ارشد انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران Ali Arab-kheradmand علی عرب خردمند kheradmand.ali@gmail.com 0031947532846003593 0031947532846003593 No متخصص جراحی عمومی، دانشیار گروه جراحی سرطان، مرکز تحقیقات سرطان، انستیتو کانسر ایران، دانشگاه علوم پزشکی تهران، تهران، ایران. Soroush Daklan سروش دکلان soroush.daklan@gmail.com 0031947532846003594 0031947532846003594 No متخصص پوست، بیمارستان پوست رازی، گروه پوست، دانشکده علوم پزشکی تهران، تهران، ایران. Alireza Shabaninezhad علیرضا شعبانی نژاد shabanialireza565@gmail.com 0031947532846003595 0031947532846003595 No کارشناس ارشد حشره شناسی، گروه گیاه پزشکی، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، سمنان، ایران. Ata Garajei عطا قراجه ای atagarajei@yahoo.com 0031947532846003596 0031947532846003596 No متخصص جراحی دهان و فک و صورت، استادیار گروه جراحی دهان و فک و صورت، دانشکده دندانپزشکی، مرکز تحقیقات سرطان، انستیتو کانسر ایران، دانشگاه علوم پزشکی تهران، تهران، ایران. Kobra Etminani Ph.D. in Software Engineering, Assistant Professor of Medical Informatics Dept., Faculty of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran کبری اطمینانی EtminaniK@mums.ac.ir 0031947532846003597 0031947532846003597 Yes دکترای نرم افزار کامپیوتر، استادیار گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

fa ارائه مدل هم‌کنش‌پذیری به منظور ایجاد تعامل در سیستم‌های اطلاعات بیمارستان مقدمه: سیر ورود سیستم‌‌های اطلاعات بیمارستانی متنوع و ناهمگون توسط نام‌های تجاری مختلف، بر روی سکو‌های گوناگون در حوزه سلامت الکترونیک منجر به بروز مشکلات هم‌کنش‌پذیری شده است. هم‌کنش‌پذیری قابلیت دو یا چند سیستم یا مؤلفه برای تبادل داده و استفاده از اطلاعات مبادله شده است. هدف از این مطالعه ارائه مدلی جامع به منظور برقراری هم‌کنش‌پذیری در چهار سطح فنی، نحوی، معنایی و سازمانی در سیستم اطلاعات بیمارستان است. روش: پژوهش حاضر از نوع کاربردی- توصیفی است‌. این مطالعه شامل سه فاز بوده؛ ابتدا شاخص‌های مورد‌نیاز برای دستیابی به قابلیت هم‌کنش‌پذیری سیستم اطلاعات بیمارستان در وجوه مختلف هم‌کنش‌پذیری شناسایی شد. سپس مدلی هم‌کنش‌پذیر برای یک سیستم اطلاعات بیمارستان ارائه گردید و در نهایت با استفاده از روش‌های سناریو محور مدل ارائه شده مورد ارزیابی قرار گرفت. نتایج: براساس مطالعه انجام شده به منظور دستیابی به هم‌کنش‌پذیری کامل در سیستم اطلاعات بیمارستان از رویکرد گذرگاه سرویس سلامت استفاده شد. مدل ارائه شده دارای شاخص‌های لازم برای دستیابی به تمام سطوح هم‌کنش‌پذیری است. مدل پیشنهادی با استفاده از روش ارزیابی سناریو محور ATAM مورد تأیید خبرگان حوزه قرار گرفت. نتیجه‌گیری: دستیابی به هم‌کنش‌پذیری در حوزه بهداشت و درمان به دلیل پیچیدگی سیستم‌های اطلاعاتی، تنوع اطلاعات و استانداردها کار بسیار مشکلی است. این چالش‌ها شامل موضوعات فنی، نحوی، معنایی و سازمانی است‌. بالا رفتن درجه هم‌کنش‌پذیری و سازگاری بین سیستم‌های اطلاعات بیمارستان موجب تسهیل در همکاری سیستم‌ها با یکدیگر و بالا رفتن بهره‌وری، کارایی بالینی و مدیریتی این سیستم‌ها خواهد شد.   Introduction: The arrival of diverse and disparate hospital information systems by different-brands, on various platforms in the field of electronic health, has led to problems of interoperability. Interoperability is defined as the ability for two (or more) systems or components to exchange information and to use the information that has been exchanged. This paper aims to provide the hospital information system interoperability model. Provided that it cover all aspects of the interoperability. Method: This study is an applied- descriptive. The study includes three phase, at first required indicators to achieve all aspects of interoperability in hospital information system will be identified. In the following, provide the hospital information system interoperability model. Finally, this model with using a scenario based on a software architecture analysis method will be evaluated. Results: In this study, in order to achieve complete interoperability in Hospital Information System has been used a HSB approach. The presented model has necessary indicators for achieving all levels of interoperability (Technical, syntactic, semantic and organizational). EHealth experts confirmed this model using with architecture trade-off analysis method (ATAM). Conclusion: Achieving interoperability in healthcare information systems due to the complexity, diversity and standards is very difficult. And this challenges include technical, syntactic, semantic organizational. Increasing degree of interoperability and compatibility between hospital information systems cause to facilitate cooperation system together and increase efficiency, clinical performance and management of this systems.   Interoperability, Hospital Information System, E-health هم‌کنش‌پذیری, سیستم اطلاعات بیمارستان, سلامت الکترونیک 48 58 http://jhbmi.ir/browse.php?a_code=A-10-267-1&slc_lang=fa&sid=1 2017/05/12017/04/192017/04/172017/04/272017/03/302017/04/21 1396/2/1 2017/06/172017/05/312017/06/102017/06/172017/05/162017/06/12 1396/3/22 Nahid Zeinali MSc Medical Informatics, Tarbiat Modares University, Faculty of Medical Sciences, Medical Informatics Department, Tehran, Iran. ناهید زینلی Nahidzeinali2014@gmail.com 0031947532846003598 0031947532846003598 Yes کارشناسی ارشد انفورماتیک پزشکی، دانشگاه تربیت مدرس، دانشکده علوم پزشکی، گروه انفورماتیک پزشکی، تهران، ایران. Abbas Asosheh عباس آسوشه asosheh@modares.ac.ir 0031947532846003599 0031947532846003599 No استادیار، دکترا مهندسی برق و الکترونیک گروه صنایع و فناوری اطلاعات، دانشگاه تربیت مدرس، دانشکده فنی، گروه صنایع، تهران، ایران . Sougand Setareh سوگند ستاره sougand.setareh@gmail.com 0031947532846003600 0031947532846003600 No دانشجوی دکترای تخصصی انفورماتیک پزشکی، دانشگاه شهید بهشتی، دانشکده پیراپزشکی، گروه انفورماتیک پزشکی، تهران، ایران.

fa داده کاوی بر پایه روش‌های شبکه عصبی و درخت تصمیم در تشخیص زود هنگام ریسک ابتلا به دیابت بارداری مقدمه: امروزه در دنیای مدرن صنعتی خطر ابتلا به بیماری‌های مزمن به طرز چشمگیری افزایش یافته است. دیابت بارداری یکی از مسائل مهم در حوزه سلامت است و در صورتی که درمان نشود مشکلات و عوارض جانبی متعددی برای مادر و فرزندش به همراه دارد. این پژوهش به دنبال پیش‌بینی ریسک و هشدار به موقع در ابتلا به دیابت بارداری به مادر می‌باشد تا در اوایل بارداری از ابتلا جلوگیری به عمل آید. روش: این پژوهش که به صورت کاربردی- پیمایشی انجام شد و از دو رویکرد شبکه عصبی و درخت تصمیم در داده‌کاوی به منظور تجزیه‌وتحلیل آزمایشی داده‌ها و پیش‌بینی استفاده گردید. داده‌های استخراج شده نرمال‌سازی شده و پس از آماده‌سازی در نرم‌افزار Matlab تجزیه‌وتحلیل شدند. نتایج: تحقیق حاضر در پی یافتن پاسخ به این پرسش است که"آیا دو روش داده‌کاوی شبکه عصبی و درخت تصمیم در تشخیص به هنگام و درست ریسک ابتلا به دیابت بارداری از صحت لازم برخوردار است ؟" و می‌توان از آن‌ها برای تشخیص درست استفاده نمود؟ نتایج تحقیق نشان می‌دهد که روش‌های داده مدار در بهبود صحت و درستی پیش‌بینی مؤثرند، در کشف دانش ضمنی و تشخیص روابط پنهان بین داده‌ها عملکرد مناسبی دارند و خطای تصمیم‌گیری در هر دو روش در حد قابل پذیرش و بسیار به هم نزدیک است‌. نتیجه­ گیری: نتایج تحقیق حاکی از آن است که از رویکرد‌های داده مدار می‌توان در مراکز درمانی و سایر بیماری‌های کمتر شناخته شده استفاده نمود و پیشگیری به موقع‌، مدیریت خود بیمار و کاهش هزینه‌های درمانی را میسر ساخت. Introduction: Nowadays, in this industrial modern world, the incidence of chronic diseases has been significantly increased. Gestational diabetes mellitus is one of the major health problems that if not treated, it will cause serious complications for mother and her child. The purpose of this research was to find ways for determining the risk of gestational diabetes mellitus and making early diagnosis to prevent it in the initial stages of pregnancy. Methods: This applied-survey research used two approaches of neural network and decision tree in experimental analysis of data and prediction. The extracted data were normalized and analyzed through Matlab software. Results: The results showed that data-based method is effective in improving the accuracy of prediction and has good performance in discovering implied knowledge and diagnosis of hidden relationships among data. In both methods, decision errors were acceptable and very close to each other. Conclusion: Based on the obtained results, data mining methods can be used in health centers for less familiar diseases in order to achieve on-time diagnosis, patient management and to decrease treatment costs.   Data mining, Artificial Neural Network, Decision Tree, Gestational diabetes mellitus, Diagnosis دادهکاوی‌, شبکه‌های عصبی هوشمند, درخت تصمیم, دیابت بارداری, تشخیص 59 68 http://jhbmi.ir/browse.php?a_code=A-10-261-1&slc_lang=fa&sid=1 2017/05/12017/04/192017/04/172017/04/272017/03/302017/04/212017/04/30 1396/2/10 2017/06/172017/05/312017/06/102017/06/172017/05/162017/06/122017/06/20 1396/3/30 Maryam Mirsharif MSc in Information Technology Management, Tehran University of Science and Research, Tehran, Iran. مریم میرشریف mary_mshf@yahoo.com 0031947532846003601 0031947532846003601 Yes کارشناس ارشد مدیریت فناوری اطلاعات، دانشگاه علوم و تحقیقات تهران، تهران، ایران. Saeed Rouhani tehran university سعید روحانی srouhani@ut.ac.ir 0031947532846003602 0031947532846003602 No دکترای مهندسی سیستم، استادیار، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.

fa چالش‌های مجلات تخصصی در دانشگاه های علوم پزشکی مقاله از نوع نامه به سردبیر است لذا فاقد چکیده می باشد. مجلات تخصصی, نظام سلامت 69 70 http://jhbmi.ir/browse.php?a_code=A-10-263-1&slc_lang=fa&sid=1 2017/05/12017/04/192017/04/172017/04/272017/03/302017/04/212017/04/302017/05/2 1396/2/12 2017/06/172017/05/312017/06/102017/06/172017/05/162017/06/122017/06/202017/05/17 1396/2/27 Hassan Ashrafi Rizi Library and Health Information Sciences, Associate Professor, Information Technology in Health, Isfahan University of Medical Sciences, Isfahan, Iran حسن اشرفی ریزی hassanashrafi@mng.mui.ac.ir 0031947532846003603 0031947532846003603 Yes دکتری تخصصی کتابداری و اطلاع رسانی، دانشیار، مرکز تحقیقات فناوری اطلاعات در امور سلامت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران