fa jalali 1397 6 1 gregorian 2018 9 1 5 2 online 1 fulltext

fa ارزیابی تأثیر انتخاب ویژگی و توابع کرنل مختلف در عملکرد SVM برای تشخیص سرطان پستان مقدمه: سرطان پستان یکی از رایج ترین سرطان ها در میان زنان است. در تصاویر ماموگرافی، تشخیص تومورهای خوش خیم از بدخیم به دلیل شباهت ساختاری کاری دشوار و زمان بر است. یادگیری ماشین یک شاخه از هوش مصنوعی است که میتواند به صورت ابزاری کمکی در کنار پزشک قرار گیرد و آنها را در تصمیم گیری یاری کند. ماشین بردار پشتیبان SVM یکی از رایج ترین روش های یادگیری ماشین است که عملکرد آن به نوع تابع کرنل و ویژگی های ورودی وابسته است. هدف این مطالعه، بررسی تأثیر انتخاب ویژگی و توابع کرنل مختلف در عملکرد SVM میباشد. روش: این مطالعه از نوع تحلیلی بود و با روش مقایسه ای انجام گرفت. انتخاب بهترین ویژگی ها توسط الگوریتم ژنتیک انجام شد. سپس SVM با توابع کرنلی مختلف شامل چندجمله ای، خطی، توابع شعاعی پایه، درجه دو و پرسپترون چندلایه ابتدا با تمام ویژگیها و سپس با ویژگیهای منتخب آموزش و ارزیابی شد. به منظور ارزیابی عملکرد طبقه بندها از مجموعه داده سرطان پستان ویسکانسین و پیاده سازی مدل ها در متلب انجام شد. نتایج: نتایج نشان داد که بعد از انتخاب ویژگی عملکرد SVM با تابع کرنل پرسپترون چندلایه کاهش و با تابع کرنل درجه دو افزایش یافت. با این حال، عملکرد توابع کرنل خطی و تابع شعاعی پایه در هر دو حالت مطلوب بود. به طور کلی، بعد از کاهش بعد، بهترین مقدار دقت، ویژگی، حساسیت و صحت به ترتیب به میزان 0/663 ،0/833 ،1/077 و 0/138 درصد کاهش یافت. نتیجه گیری: روش های مبتنی بر تکنیک های یادگیری ماشین می توانند پزشکان را در تصمیم گیری برای درمان یا تشخیص بیماری یاری کنند. Introduction: Breast cancer is one of the most common cancers affecting women. In mammography, differentiating a malignant tumor from a benign one is a very tedious task due to their structural similarities. Machine Learning (ML) is a subfield of Artificial Intelligence that can be used as an effective tool to help physicians to make decisions. Support vector machine (SVM) is one of the most common ML techniques that its performance depends on kernel parameters tuning and input features. The aim of this study was to investigate the effect of feature selection and different kernel functions on SVM performance. Methods: This analytic study was performed through comparative method. Genetic algorithm was used for feature selection. SVM models based on different kernel functions, including polynomial, Linear, Radial Basis Function (RBF), Quadratic and Multi-Layer Perceptron (MLP), were first performed with all features and then, with the selected features. The Wisconsin original breast cancer data set was used as a training set to evaluate the performance of the classifiers. All implementations were done in MATLAB environment. Results: According to the obtained results, by applying feature selection, the performance of SVM with MLP kernel function decreased and with quadratic kernel function increased. However, the performances of the linear and RBF kernels were desirable in both conditions. Generally, after the dimension reduction, the best accuracy, specificity, sensitivity and accuracy were dropped by 0.663, 0.833, 1.077 and 0.138 percent respectively. Conclusion: The ML-based methods can help physicians in diagnosis and decision makings for treatment. Machine Learning, Dimension reduction, Clinical decision support systems, Early cancer diagnosis یادگیری ماشین, کاهش بعد, سیستم‌های پشتیبان تصمیم بالینی, تشخیص زودهنگام سرطان 244 251 http://jhbmi.ir/browse.php?a_code=A-10-382-1&slc_lang=fa&sid=1 2018/02/18 1396/11/29 2018/07/12 1397/4/21 Azam Orooji PhD Student in Medical Informatics, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran اعظم اروجی orooji_9898@yahoo.com 0031947532846005849 0031947532846005849 No دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Mostafa Langarizadeh PhD of Medical Informatics, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran. مصطفی لنگری زاده langarizadeh2001@yahoo.com 0031947532846005850 0031947532846005850 Yes دکترای تخصصی انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران

fa مقایسه عملکرد الگوریتم‌های داده‌کاوی در پیش‌بینی بیماری عروق کرونر مقدمه: بیماری های قلبی- عروقی نخستین علت مرگ در جهان هستند و براساس برآورد سازمان بهداشت جهانی، مرگ ناشی از بیماریهای قلبی تا سال2030 به 23 میلیون مورد افزایش خواهد یافت. از این رو، به نظر میرسد استفاده از الگوریتم های داده کاوی برای پیش بینی بیماری عروق کرونر قلب بسیار کاربردی باشد. هدف از پژوهش حاضر مقایسه عملکرد الگوریتم های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM)در پیش بینی بیماری عروق کرونر قلب بود. روش: پژوهش حاضر از نوع توصیفی-تحلیلی و نمونه پژوهش شامل تمام بیماران بستری مبتلا به بیماری عروق کرونر قلب در سه بیمارستان تابعه دانشگاه علوم پزشکی آجا بین سالهای 1395 تا 1396 بود. درمجموع، 1324 رکورد با 26 ویژگی مؤثر در این بیماری استخراج و پس از نرمال سازی و پاکسازی داده ها، در نرم افزار SPSS نسخه 23و Excel نسخه 2013 وارد شدند. برای قالب بندی داده ها نیز از نرم افزار داده کاوی 3.2.R3 استفاده گردید. نتایج: الگوریتم ماشین بردار پشتیبان با میانگین درصد خطای مطلق پایین تر (112/03)، آماره هاسمر-لمشو بالاتر (16/71)، حساسیت (92/23) و ویژگی (74/42)نسبت به مدل شبکه عصبی دقیق تر بود. همچنین، مساحت زیر منحنی راک در الگوریتم SVM بیشتر از ANN بود و میتوان نتیجه گرفت که این مدل دارای دقت بیشتری است. نتیجه گیری: در این مطالعه، الگوریتم SVM نسبت به مدل شبکه عصبی دقت و عملکرد بهتری در پیش بینی بیماری عروق کرونر قلب نشان داد و دارای حساسیت و صحت بالاتری بود. با این حال پیشنهاد می گردد که نتایج مطالعه حاضر با یافته های حاصل از به کارگیری سایر الگوریتم های داده کاوی در پژوهش های آتی مورد مقایسه قرار گیرد. Introduction: Cardiovascular diseases are the first leading cause of death worldwide. World health organization has estimated that the morality rate due to heart diseases will mount to 23 million cases by 2030. Hence, the use of data mining algorithms will be useful in predicting coronary artery disease. The objective of the present study was to compare the accuracy of the CAD predictions made by ANN and SVM techniques. Methods: The present study was conducted via descriptive-analytical method. The research sample included all CAD patients hospitalized in three hospitals affiliated to AJA University of Medical Sciences from March 2016 to March 2017. Totally, 1324 records with 26 characteristics affecting the disease were extracted and after normalizing, and cleaning of the data, they were entered in SPSS statistics V23.0 & IBM Excel 2013; then, R3.3.2 data mining software was used to format data. Results: SVM model with lower MAPE (112.03) and higher Hosmer-lemeshow statistic (16.71), sensitivity (92.23) and specificity (74.42) yielded better fitness of data and provides more accurate prediction than ANN model. On the other hand, since the area under the ROC curve in SVM algorithm was more than that in ANN, it could be concluded that this model had higher accuracy. Conclusion: According to the results, SVM algorithm presented higher accuracy and better performance than ANN model and showed higher sensitivity and accuracy. It is suggested that in future studies, the results of the present study be compared with the findings resulted from applying other data mining algorithms. Coronary Artery Disease (CAD), Data mining algorithms, Artificial Neural Network(ANN), Support Vector Machine (SVM) بیماری عروق کرونر, الگوریتم‌های داده‌کاوی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان 252 264 http://jhbmi.ir/browse.php?a_code=A-10-411-1&slc_lang=fa&sid=1 2018/02/182018/04/22 1397/2/2 2018/07/122018/08/12 1397/5/21 Haleh Ayatollahi Department of Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran. هاله آیت اللهی ayatollahi.h@iums.ac.ir 0031947532846005919 0031947532846005919 No دکترای انفورماتیک پزشکی، دانشیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Leila Gholamhosseini PhD Student in Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran. لیلا غلامحسینی gholamhosseini.l@tak.iums.ac.ir 0031947532846005920 0031947532846005920 Yes دانشجوی دکترای تخصصی مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Masoud Salehi Department of Biostatistics, School of Public Health, Iran University of Medical Sciences, Tehran, Iran. مسعود صالحی Salehi74@yahoo.com 0031947532846005921 0031947532846005921 No دانشیار آمار زیستی، گروه آمارحیاتی، دانشکده بهداشت عمومی، دانشگاه علوم پزشکی ایران، تهران، ایران

fa عوامل مرتبط با پذیرش فن آوری شناسایی با امواج رادیویی در بخش مدیریت اطلاعات بیمارستان های تابعه دانشگاه علوم پزشکی ایران مقدمه: فن آوری شناسایی با امواج رادیویی در طیف وسیعی از صنایع اجرا شده است که صنعت مراقبت سلامت نیز از این قاعده مستثنی نیست. با توجه به اشاعه فن آوری RFID در صنعت مراقبت نیاز به تعیین عوامل مؤثر بر پذیرش این فن آوری احساس میشود. از این رو در مقاله حاضر عوامل مرتبط با پذیرش فن آوری RFID در بخش مدیریت اطلاعات سلامت بیمارستان های تابعه دانشگاه علوم ایران را بررسی شد. روش: پژوهش کاربردی حاضر به صورت توصیفی-تحلیلی انجام شد. پرسشنامه بین کلیه پرسنل بخش مدیریت اطلاعات سلامت بیمارستان های تابعه دانشگاه علوم پزشکی ایران (138 نفر) توزیع شد که در نهایت 135 نفر پرسشنامه را تکمیل کردند. نتایج حاصل از پژوهش با استفاده از دو روش آمار توصیفی و تحلیلی و استفاده از رگرسیون با کمک نرم افزار SPSS نسخه 16 انجام شد. نتایج: میانگین عوامل مختلف شامل تأثیرات اجتماعی (4/24)، حمایت مدیریتی (4/34) عملکرد مورد انتظار(4/20) تالش مورد انتظار (4/09)شرایط تسهیل کننده(3/47 )، امنیت (3/83)و قصد(4/31) بود. ضریب تأثیر آنها نیز شامل تأثیرات اجتماعی(0/125) حمایت مدیریتی (0/210) عملکرد مورد انتظار(0/244 ) تالش موردانتظار(0/148) شرایط تسهیل کننده (0/135 )بود که رابطه معنی دار و مثبت با قصد استفاده از RFID داشت. امنیت بر قصد استفاده از RFID مؤثر نبود. نتیجه گیری: بر اساس نتایج، با ارائه آموزش های عمومی و فرهنگسازی کارکنان از نظر اجتماعی، ارائه روش هایی جهت تسهیل استفاده از این فن آوری توسط شرکت های ارائه دهنده و ایجاد زیرساخت های کافی میتوان تمایل به پذیرش RFID را افزایش داد. Introduction: Radio Frequency Identification (RFID) technology has been implemented in a wide variety of industries including healthcare field. Due to the introducing RFID technology in the healthcare industry, it is necessary to determine the factors influencing acceptance of this technology. Therefore, in the present study, the factors associated with the acceptance of RFID technology in Health Information Management hospitals affiliated to Iran University of Medical Sciences were studied. Methods: The current applied research was descriptive-analytic. A questionnaire was distributed among all health information management staff of the hospitals affiliated to Iran University of Medical Sciences (n=138) and finally, 135 questionnaires were completed. The results of the study were analyzed through SPSS16 and using descriptive statistics, inferential statistics, and regression. Results: The mean scores of factors were as follow: social effects (4.24 out of 5), management support (4.34 out of 5), expected performance (4.20 out of 5), expected effort (4.09 out of 5), facilitating conditions (3.47 out of 5), security (3.83 out of 5) and intention (4.3 out of 5). The coefficients of influence of social effects (0.125), management support (0.210), expected performance (0.244), expected effort (0.148) and facilitating conditions (0.135) showed positive significant relationships with intention to use RFID. However, security was not an influential factor on use of RFID. Conclusion: Based on the findings, providing general education, facilitating the use of this technology by vendors and developing adequate infrastructure may increase the willingness to accept RFID. Technology acceptance in Health Care, Technology acceptance, RFID, Health information management department, UTAUT model پذیرش فن در مراقبت سلامت, پذیرش فن‌آوری, RFID, بخش مدیریت اطلاعات سلامت, مدل UTAUT 265 273 http://jhbmi.ir/browse.php?a_code=A-10-359-1&slc_lang=fa&sid=1 2018/02/182018/04/222017/12/21 1396/9/30 2018/07/122018/08/122018/07/12 1397/4/21 Abbas Sheikhtaheri Ph.D. in Health Information Management, Assistant Professor, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran عباس شیخ طاهری tt_taheri@Yahoo.com 0031947532846005926 0031947532846005926 No دکترای مدیریت اطلاعات سلامت، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Soghra Rostami Garavand MSc in Health Information Technology, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran صغری رستمی گراوند rostamigaranad67@gmail.com 0031947532846005927 0031947532846005927 Yes کارشناسی ارشد فن‌آوری اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Hossein Ahmadi Ph.D. in information systems, Assistant Professor, Health Information Management Dept., School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran حسین احمدی hosseinis3007@gmail.com 0031947532846005928 0031947532846005928 No دکترای سیستم‌های اطلاعاتی، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران

fa تشخیص بیماری عروق کرونر قلب با استفاده از روش ترکیب خبره‌ها مقدمه: بیماری عروق کرونر قلب، شایعترین بیماری قلبی است و از علل اصلی مرگ در زنان و مردان است. این مطالعه با هدف پیش بینی وضعیت این بیماری با استفاده از روش ترکیب شبکه های عصبی (ترکیب خبره ها) انجام شد. روش: این تحقیق از نوع تشخیصی و بر روی 200 نفر از مراجعین به مرکز تخصصی قلب و عروق شهرستان تربت حیدریه انجام شد. پرونده مراجعین حاوی اطلاعات دموگرافیک بیماران شامل 13 ریسک فاکتور بود. تولید مدل پیش بینی بیماری عروق کرونر قلب بر اساس شبکه های عصبی پرسپترون چندلایه و سپس جمع بندی نظرات آنها انجام شد. نتایج: در ابتدا از یک شبکه عصبی پرسپترون چندلایه با الگوریتم پس انتشار خطا استفاده گردید. بهترین معماری توانست با دقت 71/7% بسته بودن عروق کرونر قلب را پیش بینی کند. سپس با افزایش تعداد شبکه ها و تعلیم آنها، ترکیب نتایج با یکدیگر انجام شد. ترکیب خبره ها با روش خطی رأی اکثریت و غیرخطی شبکه عصبی راه گاهی انجام و دقت پیش بینی به ترتیب 75/8 %و 78/3 %به دست آمد. نتیجه گیری: آنژیوگرافی یک روش تهاجمی و همراه با ریسک هایی مانند سکته قلبی و مغزی است؛ لذا باید از روش های غیرتهاجمی در تشخیص عروق کرونر قلب استفاده کرد. در این مطالعه با افزایش تعداد یادگیرها و سپس ترکیب غیرخطی آنها دقت تشخیص افزایش یافت. Introduction: Coronary Artery Disease (CAD) is one of the most common heart diseases and the main cause of mortality in men and women. This study aimed to predict the disease status using Neural Network compound (mixture of experts). Methods: The present study was a diagnostic study conducted on 200 patients referred to a heart specialty center in Torbat-e-Heydarieh. Patients' files contained their demographic information including13 risk factors. A model for predicting CAD based on multilayer perceptron neural network and mixture of experts was produced. Results: First, we used a neural network of multilayer perceptron with Propagation algorithm by different architectures. The best architecture could predict closed coronary artery with the accuracy of 71.7%. Then, by increasing the number of neural networks and training process, results were combined. Mixture of experts by liner method (majority voting) and nonlinear method (gating network) was applied and the accuracy rates of 75.8 percent and 78.3 percent were respectively obtained. Conclusion: Angiography is an invasive diagnostic procedure with risk factors such as stroke and heart attack. Therefore, non-invasive methods should be used for the diagnosis of CAD. In this study, with increasing the number of learners and their nonlinear mixture, the accuracy of diagnosis was increased. Diagnosing Coronary Heart Disease, Artificial Neural Network, Mixture of expert بیماری عروق کرونر قلب, شبکه عصبی مصنوعی, ترکیب خبره‌ها 274 285 http://jhbmi.ir/browse.php?a_code=A-10-259-3&slc_lang=fa&sid=1 2018/02/182018/04/222017/12/212017/08/13 1396/5/22 2018/07/122018/08/122018/07/122017/11/26 1396/9/5 Majid Hassanzadeh Ph.D in Higher Education Management, Assistant Professor, Nursing Dept., Torbat Heydarieh University of Medical Sciences, Torbat Heydarieh, Iran مجید حسن زاده m.hassanzadeh@gmail.com 0031947532846005931 0031947532846005931 No دانشجوی دکتری کامپیوتر، دانشکده برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران Iman Zabbah PhD Student in Computer, School of Electrical and Computer, Tehran North Branch, Islamic Azad University, Tehran, Iran ایمان ذباح imanzabbah@gmail.com 0031947532846005932 0031947532846005932 Yes دکتری مدیریت آموزش عالی ،گروه پرستاری، دانشگاه علوم پزشکی تربت حیدریه، تربت حیدریه، ایران Kamran Layeghi Ph.D. in Computer, Assistant Professor, Department of Computer, North Tehran Branch, Islamic Azad University, Tehran, Iran. کامران لایقی kamilayeghi@gmail.com 0031947532846005933 0031947532846005933 No دکتری کامپیوتر، استادیار گروه کامپیوتر، دانشکده برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران

fa تأثیر روش آموزش از طریق تلفن همراه بر اهمال کاری کاربران ایرانی: طراحی و تولید اپلیکشین کمک درمانی مقدمه: اهمال کاری علاوه بر اتلاف زمان، کاهش عملکرد فردی و احساس گناه، نوعی عدم موفقیت نیز برای دریافت درمان و مشاوره در افراد اهمال کار وجود دارد؛ بنابراین استفاده از فناوری در دسترس و آسان مانند تلفن همراه میتواند تسهیل کننده باشد. این مطالعه باهدف تعیین نقش آموزش از طریق تلفن همراه در اهمال کاری کاربران ایرانی انجام شد. روش: مطالعه به صورت نیمه آزمایشی تک گروهی بر روی ۳۲ نفر از کاربران ایرانی که برنامه غلبه بر اهمالکاری را روی تلفن همراه اندروید خود نصب کردند، انجام شد. کاربران قبل و بعد از مداخله آموزشی غلبه بر اهمال کاری، پرسشنامه اهمال کاری باسکو را پاسخ دادند. پس از ۲ ماه کار با اپلیکیشن، داده های دو مرحله اجرا با آزمون آماری تی- استیودنت وابسته تحلیل گردید. نتایج: آموزش از طریق تلفن همراه، در کاهش اهمال کاری کاربران شرکت کننده در مطالعه نقش داشت (0/008=P.) نتیجه گیری: نتایج این مطالعه برای مراکز مشاوره، درمانی و آموزشی با توجه به سهولت استفاده، دسترسی پذیری زیاد، صرفه جویی در هزینه، زمان و انرژی؛ قابل استفاده و کاربرد است. Introduction: Procrastination, in addition to wasting time, reducing personal performance and causing feeling of guilt, can cause failure of receiving treatment or counseling. Therefore, using accessible and easy-to-use technologies such as mobile phones can facilitate the treatment of people with this problem. This study aimed to investigate the effects of education via mobile phones on procrastination of Iranian users. Methods: The study was carried out using semi-experimental single group method on 32 Iranian users who had installed the counter procrastination application on their android mobile phones. The participants filled Basco’s procrastination questionnaire before and after the education. After two months of using the application, the results of pre-test and post-test were gathered and analyzed using student t-test. Results: Findings showed that education via mobile phones has been effective in reducing the procrastination in participants. Conclusion: This application, due to ease-of-use, high accessibility and saving cost, time and energy, can be useful in consulting, treatment and education centers. Distance learning, Software, Mobile Phone, Procrastination, User آموزش از راه دور, نرم‌افزار, تلفن همراه, اهمال‌کاری, کاربر 286 292 http://jhbmi.ir/browse.php?a_code=A-10-355-1&slc_lang=fa&sid=1 2018/02/182018/04/222017/12/212017/08/132017/12/12 1396/9/21 2018/07/122018/08/122018/07/122017/11/262018/07/12 1397/4/21 Mina Nazari Kamal Ph.D. Student in Psychology, General Psychology Dept., Faculty of Literature and Human Science, Islamic Azad University of Birjand, Birjand, Iran مینا نظری کمال mnkamalabadi@gmail.com 0031947532846005934 0031947532846005934 No دانشجوی دکتری روانشناسی بالینی، دانشکده علوم انسانی، دانشگاه آزاد اسلامی واحد بیرجند، بیرجند، ایران Raheleh samouei Ph.D. Student in Health Management in Disaster, Social Determinants of Health Research Center, Health Services Management Dept., Isfahan University of Medical Sciences, Isfahan, Iran. راحله سموعی samouei@mail.mui.ac.ir 0031947532846005935 0031947532846005935 Yes دانشجوی دکترای مدیریت سلامت در بلایا و حوادث، مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Sheida Sarafzade MSc in Biostatics, Biostatistics and Epidemiology Dept., School of Public Health, Isfahan University of Medical Sciences, Isfahan, Iran. شیدا صراف زاده shsarafzade@gmail.com 0031947532846005936 0031947532846005936 No کارشناس ارشد آمار زیستی، گروه آمار زیستی و اپیدمیولوژی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران . Ph.D. in Clinical Psychology, Clinical Psychology Dept., Roozbeh Hospital, Tehran University of Medical Sciences, Tehran, Iran شیما تمنایی فر 0031947532846005937 0031947532846005937 No دکترای تخصصی روانشناسی بالینی، کارشناس امور روانی، بیمارستان روان‌پزشکی روزبه، تهران، ایران Nafiseh Ghaebi MSc in Psychology, General Psychology Dept., Faculty of Psychology and Educational Sciences, Islamic Azad University, Garmsar Branch, Garmsar, Iran نفیسه غائبی 0031947532846005938 0031947532846005938 No کارشناس ارشد روانشناسی، دانشکده روانشناسی و علوم تربیتی، دانشگاه آزاد اسلامی واحد گرمسار، گرمسار، ایران Fatemeh Moradi MSc in Information Technology Engineering, Faculty of Computer Engineering and Information Technology, Amirkabir University of Technology, Tehran, Iran فاطمه مرادی F_moradi@isc.co.ir 0031947532846005939 0031947532846005939 No کارشناس ارشد فناوری اطلاعات و مدیریت، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر، تهران، ایران Mahtab Moradzadeh BSc in Information Technology Engineering, Faculty of Computer Engineering and Information Technology, Amir Kabir University of Technology, Tehran, Iran مهتاب مرادزاده m_moradzadeh@isc.co.ir 0031947532846005940 0031947532846005940 No کارشناسی علوم کامپیوتر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر، تهران، ایران

fa تشخیص بیماری دیابت نوع2 با استفاده از درخت تصمیم C4.5 مقدمه: یکی از شایعترین بیماری ها در دنیای امروز بیماری دیابت است و سالانه شیوع دیابت در سطح جهان حدود 6 درصد افزایش مییابد. استفاده از تکنیک های داده کاوی برای ایجاد مدل های پیشگویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. در این پژوهش با استفاده از درخت تصمیم 5.C4 به روشهای پیشگیری و تشخیص این بیماری پرداخته شد. روش: در این پژوهش کاربردی- توصیفی از دادههای استاندارد UCI و مجموعه داده diabetes-indians-pima استفاده شد. این پایگاه داده شامل 768 رکورد با 8 فیلد می باشد. تجزیه و تحلیل به کمک نرمافزار 3.6 Weka با به کارگیری روش CRISP3 انجام شد. در بخش مدلسازی درخت تصمیم 5.C4 با به کارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد شد. همچنین جهت ارزیابی مدل از شاخص های حساسیت، ویژگی، دقت، ارزش اخباری مثبت و منفی استفاده شد. نتایج: با توجه به مدل استفاده شده مشخص شد که به ترتیب متغیرهای میزان بالای قند خون دوساعته، تعداد دفعات بالای حاملگی، سن بالا، فشارخون دیاستولیک بالا، سابقه خانوادگی و شاخص توده بدنی(BMI )بالا، بیشترین تأثیر را در ابتلا به بیماری دیابت نوع 2 دارا هستند. نرخ دسته بندی برابر با 73/8 %و دقت الگوریتم 5.C4 برابر با 79 %به دست آمد. نتیجه گیری: در مقایسه با نتایج مطالعات انجام شده در حوزه داده کاوی بیماری دیابت، دقت به دست آمده الگوریتم پیشنهادی قابل قبول است. بیشترین عوامل تأثیرگذار بر بیماری دیابت شناسایی شدند. همچنین قوانینی استخراج شد که می تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به بیماری دیابت استفاده شود. Introduction: One of the most common diseases in the world is diabetes and the global prevalence of diabetes increases by about six percent annually. The use of data mining techniques to create predictive models is very helpful in identifying people at risk and reducing the complications of the disease. In this study, through using decision tree C4.5, methods of prevention and treatment of diabetes were investigated. Methods: In this applied and descriptive study, we used the standard UCI data and the pima-Indians-diabetes data set. This database contains 768 records with 8 fields. The analysis was done using Weka software using the CRISP3 methodology. In modeling decision tree, C4.5 was created using input variables and determining target variables. Also, the sensitivity, specificity, accuracy, as well as positive and negative predictive values were used to evaluate the model. Results: According to the model, high blood sugar levels, high gravidity, high age, high diastolic blood pressure, familial history and high BMI have respectively the highest effects on type 2 diabetes mellitus. The ranking rate was 73.8% and the accuracy of the C4.5 algorithm was 79%. Conclusion: Compared to the results of studies in the field of data mining for diabetes, the accuracy of the proposed algorithm is acceptable. The most effective factors on diabetes were identified. Also, rules were developed that can be used as a model to predict the risk of diabetes in people.   Data mining, Type2 diabetes, C4.5 Decision tree داده‌کاوی, بیماری دیابت نوع 2, درخت تصمیم C4.5 293 303 http://jhbmi.ir/browse.php?a_code=A-10-247-2&slc_lang=fa&sid=1 2018/02/182018/04/222017/12/212017/08/132017/12/122018/02/14 1396/11/25 2018/07/122018/08/122018/07/122017/11/262018/07/122018/07/12 1397/4/21 Hamed Sabbagh Gol M.Sc in Computer Engineering, Faculty of Computer, Department of Computer Engineering, Payame Noor University (PNU), Iran حامد صباغ گل hamedsabbagh@gmail.com 0031947532846005944 0031947532846005944 Yes مربی، کارشناسی ارشد مهندسی کامپیوتر، عضو هیات علمی گروه کامپیوتر، دانشگاه پیام نور، ایران

fa کاوش و استخراج برهمکنش های پروموتر/انهنسر بالقوه در ژنوم افراد سرطانی با استفاده از یک الگوریتم چندهدفه تکاملی مقدمه: سرطان به عنوان یکی از شایعترین انواع بیماری ها، سلامت بسیاری از انسانها را تحت تأثیر قرار داده است. هدف اصلی در این مقاله، ارائه یک الگوریتم تکاملی چندهدفه میباشد. این الگوریتم، با استفاده از اطلاعات برهمکنش بین ژنومی در کروموزوم های افراد مبتلا به سرطان، ناحیه های بالقوه پروموتر/انهنسر را کشف و استخراج میکند. استخراج صحیح این ناحیه ها میتواند به علم پزشکی در تشخیص زودهنگام بیماری سرطان کمک کند. روش: پژوهش حاضر از نوع کاربردی و توصیفی میباشد. در این پژوهش از مجموعه داده C-Hi شامل اطلاعات مربوط به برهمکنش های بین ژنومی، در سلول GM12878 استفاده شد. جهت کشف و استخراج پروموتر/انهنسرهای بالقوه از الگوریتمی تکاملی و چندهدفه استفاده شد. الگوریتم مذکور با استفاده از نرم افزار متلب پیاده سازی گردید. همچنین کارایی این الگوریتم نیز، با استفاده از دو معیار مورد ارزیابی قرار گرفت. معیار اول، تابع تناسبی است که میزان برهمکنش های بین ژنومی نسبت به طول نواحی ژنوم را محاسبه می کند و معیار دوم تعداد پروموتر/انهنسرهای بالقوه کشف شده میباشد. نتایج: نتایج و مقایسه های انجام گرفته در این پژوهش، نشان از کارایی بالا و بهینه بودن روش پیشنهادی در کشف پروموتر/انهنسر با طول متغیر نسبت به روش Pro-HiC می باشد؛ بنابراین روش پیشنهادی میتواند پروموتر/انهنسرهای بالقوهای را کشف کند که روش Pro-HiC قادر به کشف آن نیست. نتیجه گیری: با توجه به نتایج به دست آمده، الگوریتم پیشنهادی قادر به کشف و استخراج بهینه پروموتر/انهنسرهای بالقوه با طول متغیر میباشد، که میتواند در تشخیص زودهنگام سرطان کمک شایانی به علم پزشکی کند. Introduction: Cancer, as one of the most common diseases, has influenced the health of many people. The main aim of this study was to present a multi-objective evolutionary algorithm. The algorithm is capable of detecting and extracting potentially promoter/enhancer areas in the chromosomes of the affected people using the information concerning inter-genomic interactions. The correct extraction of these areas can help early diagnosis of cancer. Methods: In this applied and descriptive research, Hi-C data set including information on intergenomic interactions in the GM12878 cell was used. Multi-objective evolutionary algorithm was used in order to discover and extract potential promoter /enhancer interactions. The mentioned algorithm was implemented using MATLAB software. Furthermore, the efficiency of this algorithm was evaluated using two criteria. The first criterion is a proportional function that calculates the magnitude of inter-genomic interactions relative to the length of the genome regions; and the second criterion is the number of discovered potential promoters/enhancers. Results: The results and comparisons showed higher efficiency and optimality of the suggested method in discovering promoter/Enhancer interactions with variable length in comparison to HiCPro method. Therefore, the suggested method is able to discover the potential promoter/ enhancer interactions that cannot be discovered by HiC-Pro method. Conclusion: The suggested algorithm is able to optimally discover and extract potential promoter/ enhancer with variable length. This is a great help in medical science for early diagnosis of cancer. Promoter, Enhancer, Hi-C Dataset, Multi-Objective Simulation Annealing Algorithm (MOSA), HiC- Pro Method پروموتر, انهسر, مجموعه داده Hi-C, الگوریتم شبیه‌سازی تبرید چند هدفه MOSA, روش HiC-Pro 304 313 http://jhbmi.ir/browse.php?a_code=A-10-306-1&slc_lang=fa&sid=1 2018/02/182018/04/222017/12/212017/08/132017/12/122018/02/142017/10/22 1396/7/30 2018/07/122018/08/122018/07/122017/11/262018/07/122018/07/122018/06/12 1397/3/22 Mohammadjavad Hosseinpoor Ph.D. student in computer engineering, Computer Engineering Dept., Yasooj Branch, Islamic Azad University, Yasooj, Iran محمدجواد حسین پور hosseinpoor.mohammadjavad@gmail.com 0031947532846005868 0031947532846005868 No دانشجوی دکتری دانشکده مهندسی کامپیوتر، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران Hamid Parvin Ph.D. in Computer Engineering - Artificial Intelligence, Assistant Professor, Computer Engineering Dept., Nourabad Mamasani Branch, Islamic Azad University, Nourabad Mamasani, Iran حمید پروین parvinhamid@gmail.com 0031947532846005869 0031947532846005869 No دکتری مهندسی کامپیوتر- هوش مصنوعی استادیار، دانشکده مهندسی کامپیوتر، واحد نورآباد ممسنی، دانشگاه آزاد اسلامی، نورآباد ممسنی، ایران Samad Nejatian Ph.D. in Electrical Engineering, Assistant Professor, Electrical Engineering Dept., Yasooj Branch, Islamic Azad University, Yasooj, Iran صمد نجاتیان samad.nej.2007@gmail.com 0031947532846005870 0031947532846005870 Yes دکتری مهندسی برق، استادیار، دانشکده مهندسی برق، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران vahideh Rezaei Ph.D. in Mathematics, Assistant Professor, Mathematics Dept., Yasooj Branch, Islamic Azad University, Yasooj, Iran وحیده رضایی 0031947532846005871 0031947532846005871 No دکتری ریاضیات، استادیار، دانشکده ریاضیات، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران

fa مروری بر رویکردها و تکنیک‌های متن‌کاوی در مستندات بالینی مقدمه: با به کارگیری گسترده سیستم‌های الکترونیکی مدارک پزشکی، حجم بسیار زیادی از داده‌های متنی پزشکی در بیمارستان و سایر محیط‌های درمانی به صورت روزانه تولید می‌شوند که سازمان‌دهی این اطلاعات متنی امری مهم و ضروری است و نیاز به بازیابی خودکار دانش مفید از این داده‌ها برای کمک به متخصصان بالینی کاملاً احساس می‌شود. به‌منظور استخراج ارزش‌های نهفته در مستندات متنی پزشکی، می‌توان از تکنیک‌های متن‌کاوی در حوزه سلامت بهره برد. روش: در این پژوهش مروری پایگاه‌های اطلاعاتی Science Direct،‌‌IEEE ، PubMed central، Google Scholar، SID و Magiran با استفاده از کلید واژه‌های Text Mining” “ AND “Medicine”، “Clinical Text Mining” AND “Predict”، “knowledge discovery in medical text ”، “Text Mining for Medical and Healthcare” در پایگاه‌های اطلاعاتی انگلیسی و از ترکیب "متن کاوی و کشف دانش در پزشکی" در پایگاه‌های اطلاعاتی فارسی، مورد جستجو قرار گرفتند. سپس، همه مقالاتی که به نوعی به کشف دانش پزشکی و کاربردهای متن‌کاوی در حوزه سلامت اشاره داشتند، انتخاب شدند. نتایج: متن‌کاوی از تکنیک‌های مهم و قدرتمند برای استخراج اطلاعات از سیستم‌های اطلاعات بهداشتی و درمانی می‌باشد. متن‌کاوی داده‌های کلینیکی، توان بالقوه‌ای برای اکتشافات جدید و همچنین بهبود کارایی و ارتباطات در سیستم‌های بیمارستان برای پزشکان و مدیران بیمارستان فراهم می‌کند. نتیجه‌گیری: متن‌کاوی در مستندات بالینی از جمله تکنولوژی‌های توسعه یافته کشف دانش پزشکی در عصر حاضر است که استفاده از آن در پایگاه داده‌های پزشکی به‌منظور دستیابی سریع به منابع مهم سلامت، امری انکارناپذیر است و به کارگیری آن موجب بهبود مراقب بیمار و کاهش هزینه‌های درمانی می‌شود.   Introduction: With the extensive use of electronic medical records systems, a large amount of medical text data is produced daily in the hospitals and other medical environments that organizing this text information is important and necessary. Also, a need to automatically retrieve useful knowledge from this data to help clinicians is felt. In order to extract the hidden values in the medical text documents, text mining can be used in the field of health. Methods: In this review study, SID, Magiran, Pubmed, ScienceDirect, IEEE, and Google Scholar databases were searched with the keywords including "Text Mining” AND "Medicine” ،"Clinical Text Mining” AND "Predict”،, "knowledge discovery in medical text” and "Text Mining for Medical and Healthcare” in the English databases and keywords such as "text mining” AND " Discovering Knowledge in Medicine” in the Persian databases. Then, all articles that somehow refer to Medical knowledge discovery and text mining applications in the field of health were selected. Results: Text mining is one of the important and powerful techniques for extracting information from health information systems. Text mining in clinical data provides potential for new discoveries and it also improves efficiency and communication in hospital systems for doctors and hospital administrators. Conclusion: Nowadays, text mining in clinical documentation, is one of the developed technologies for the discovery of medical knowledge that its use in medical databases is essential to achieving immediate access to important health resources, and its application can improve patient care and reduce medical costs. Text mining in clinical documentation, Text mining applications, Medical knowledge Discovery, Information extraction متن کاوی در مستندات بالینی, کاربردهای متن‌کاوی, کشف دانش پزشکی, استخراج اطلاعات 314 324 http://jhbmi.ir/browse.php?a_code=A-10-223-1&slc_lang=fa&sid=1 2018/02/182018/04/222017/12/212017/08/132017/12/122018/02/142017/10/222017/03/8 1395/12/18 2018/07/122018/08/122018/07/122017/11/262018/07/122018/07/122018/06/122017/11/26 1396/9/5 Farzaneh Feizmanesh MSc in Medical Informatics, Medical Informatics Dept., Faculty of Medical Sciences, Tarbiat Modares University, Tehran, Iran فرزانه فیض منش ffeizmanesh@modares.ac.ir 0031947532846005945 0031947532846005945 No کارشناس ارشد انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، تهران، دانشگاه تربیت مدرس، تهران، ایران Ali Asghar Safaei Assistant Professor, Computer engineering-software, Medical Informatics Dept., Faculty of Medical Sciences, Tarbiat Modares University Tehran, Tehran, Iran علی اصغر صفائی aa.safaei@modares.ac.ir 0031947532846005946 0031947532846005946 Yes دکتری کامپیوتر- نرم افزار، استادیار، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران