fa jalali 1402 9 1 gregorian 2023 12 1 10 3 online 1 fulltext

fa بررسی مسیرهای سیگنالی دخیل در تقابل عفونت ویروس‌های فرصت‌طلب با سلول‌های لنفوسیت T کمکی 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. 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. Epstein Barr Virus, Gene Expression Profile, Bioinformatics Analysis, Cytomegalovirus, Opportunistic Viruses اپشتین بار ویروس, پروفایل بیان ژن, آنالیز بیوانفورماتیک, سایتو مگالو ویروس, ویروس‌های فرصت طلب 201 213 http://jhbmi.ir/browse.php?a_code=A-10-762-2&slc_lang=fa&sid=1 2023/05/12 1402/2/22 2023/12/10 1402/9/19 Parisa Hassanzadeh MSc. in Biology, Department of Biology, Faculty of Basic Sciences, Islamic Azad University, Islamshahr Branch of Islamic Azad University, Islamshahr, Tehran, Iran پریسا حسن زاده pari.hasanzadeh1397@gmail.com 0031947532846009578 0031947532846009578 No کارشناس ارشد زیست‌شناسی، گروه زیست‌شناسی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، تهران، ایران Mahnaz Mohammadi Ph.D. in Biology, Assistant Professor, Department of Biology, Faculty of Basic Sciences, Islamic Azad University, Islamshahr Branch of Islamic Azad University, Islamshahr, Tehran, Iran مهناز محمدی mh_mohamadi@yahoo.com 0031947532846009579 0031947532846009579 Yes دکتری زیست شناسی، استادیار، گروه زیست‌شناسی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، تهران، ایران Saba Taheri Ph.D. in Biology, Assistant Professor, Department of Biology, Faculty of Basic Sciences, Islamic Azad University, Islamshahr Branch of Islamic Azad University, Islamshahr, Tehran, Iran صبا طاهری sabataheri@yahoo.com 0031947532846009580 0031947532846009580 No دکتری زیست شناسی، استادیار، گروه زیست‌شناسی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، تهران، ایران

fa امکان‌سنجی اجرای پزشکی از راه دور در شهرستان‌های دارای جاذبه گردشگری استان کرمان 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. 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. Feasibility, Telemedicine, Tourism امکان‎سنجی, پزشکی از راه دور, گردشگری 214 222 http://jhbmi.ir/browse.php?a_code=A-10-46-1&slc_lang=fa&sid=1 2023/05/122023/03/14 1401/12/23 2023/12/102023/10/31 1402/8/9 Mahdie ShojaeiBaghini Assistant Professor of Health Information Management, Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran مهدیه شجاعی باغینی mahdiehsh@gmail.com 0031947532846009581 0031947532846009581 Yes استادیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران Fateme MirzapourEstabragh BSc student in Health Information Technology, Faculty of Management and Medical Information Sciences, Kerman University of Medical Sciences, Kerman, Iran فاطمه میرزاپور استبرق realfatememirzapour@gmail.com 0031947532846009582 0031947532846009582 No کارشناسی فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران Fateme Savas BSc student in Health Information Technology, Faculty of Management and Medical Information Sciences, Kerman University of Medical Sciences, Kerman, Iran فاطمه ساوس realfatememirzapour1@gmail.com 0031947532846009583 0031947532846009583 No کارشناسی فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران

fa ترکیب سلسله مراتبی شبکه‌های عصبی مصنوعی به منظور بهبود تشخیص بیماری آریتمی قلبی 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.   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.   Data Mining, Neural Networks, Cardiac Arrhythmia Diagnosis, Mixture of Experts داده‌کاوی, شبکه ‌های عصبی, تشخیص آریتمی قلبی, ترکیب خبره‌ها 223 237 http://jhbmi.ir/browse.php?a_code=A-10-259-6&slc_lang=fa&sid=1 2023/05/122023/03/142023/05/19 1402/2/29 2023/12/102023/10/312023/12/10 1402/9/19 Atena Abidi Department of Computer Engineering, Bushehr Branch, Islamic Azad University, Bushehr, Iran آتنا عبیدی abidi18.a@gmail.com 0031947532846009584 0031947532846009584 No گروه کامپیوتر، واحد بوشهر، دانشگاه ازاد اسلامی، بوشهر، ایران zahra Heydaran Daroogheh Amnyieh Department of Electrical Engineering, Dolatabad Branch, Islamic Azad University, Isfahan, Iran زهرا حیدران داروقه امنیه zahra.heydariyan@gmail.com 0031947532846009585 0031947532846009585 No گروه برق، واحد دولت آباد، دانشگاه آزاد اسلامی، اصفهان، ایران Hanieh Jamahmoodi Department of Computer Engineering, Mashhad Branch, Islamic Azad University, Mashhad, Iran هانیه جامحمودی hanieh_jamahmoodi@gmail.com 0031947532846009586 0031947532846009586 No گروه کامپیوتر،واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران Setare Salarniya Department of Computer Engineering, Torbat Heydariyeh University, Torbat Heydariyeh, Iran ستاره سالارنیا setaresalarniya@gmail.com 0031947532846009587 0031947532846009587 No دانش آموخته کارشناسی کامپیوتر،گروه برق و کامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه، خراسان رضوی، ایران Iman Zabbah Department of Computer, Torbat Heydariyeh Branch, Islamic Azad University, Torbat Heydariyeh, Iran ایمان ذباح imanzabbah@gmail.com 0031947532846009588 0031947532846009588 Yes گروه کامپیوتر، واحد تربت حیدریه، دانشگاه آزاد اسلامی، تربت حیدریه، ایران

fa بهینه‌سازی الگوریتم KNN در راستای تشخیص بیماری‌های انسدادی ریوی 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.   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. Classification, Obstructive Pulmonary Diseases, Fisher’s Discriminant Ratio, K Nearest Neighbor, Grasshopper Optimization کلاس بندی, بیماری های انسدادی ریوی, نرخ جداپذیری فیشر, K نزدیک ترین همسایه, الگوریتم بهینه سازی ملخ 238 259 http://jhbmi.ir/browse.php?a_code=A-10-1013-1&slc_lang=fa&sid=1 2023/05/122023/03/142023/05/192023/05/27 1402/3/6 2023/12/102023/10/312023/12/102023/11/6 1402/8/15 Shahrzad Pouramirarsalani Ph.D. Student in Biomedical Engineering, Faculty of Electrical and Computer Engineering, Tabriz University, Tabriz, Iran شهرزاد پورامیرارسلانی pouramirarsalani@tabrizu.ac.ir 0031947532846009589 0031947532846009589 Yes دانشجوی دکتری تخصصی مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران Nader Vahdani manaf Ph.D. in Biomedical Engineering, Assistant Professor, Electrical Engineering Faculty, Seraj Higher Education Institute, Tabriz, Iran نادر وحدانی مناف nadervahdani@gmail.com 0031947532846009590 0031947532846009590 No دکتری تخصصی مهندسی پزشکی، استادیار گروه مهندسی پزشکی، مؤسسه آموزش عالی سراج، تبریز، ایران Saman Rajebi Ph.D. in Telecommunications Engineering, Assistant Professor, Electrical Engineering Faculty, Seraj Higher Education Institute, Tabriz, Iran سامان راجبی s.rajebi@seraj.ac.ir 0031947532846009591 0031947532846009591 No دکتری تخصصی مخابرات، استادیار گروه مهندسی برق، موسسه آموزش عالی سراج، تبریز، ایران Somaye Makouei Ph.D. in Electronic Engineering, Associate Professor, Faculty of Electrical and Computer Engineering, Tabriz University, Tabriz, Iran سمیه ماکویی makouei@tabrizu.ir 0031947532846009592 0031947532846009592 No دکتری تخصصی مهندسی برق- الکترونیک، دانشیار دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

fa تشخیص هوشمند سرطان پستان از طریق شبکه‌های ترکیبی عمیق با استفاده از تصاویر ترموگرافی 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.   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. Diagnosis, Breast Cancer, Deep Learning, Convolutional Neural Network, Thermography تشخیص, سرطان پستان, یادگیری عمیق, شبکه عصبی کانولوشنی, ترموگرافی 260 268 http://jhbmi.ir/browse.php?a_code=A-10-1018-1&slc_lang=fa&sid=1 2023/05/122023/03/142023/05/192023/05/272023/06/6 1402/3/16 2023/12/102023/10/312023/12/102023/11/62023/10/31 1402/8/9 Hanieh Rezazadeh Tamrin Master of Nuclear Engineering, Medical Radiation Research Center, Central Tehran Branch Islamic Azad University, Tehran, Iran حانیه رضازاده تمرین maral.88861@gmail.com 0031947532846009593 0031947532846009593 No کارشناسی ارشد مهندسی هسته‌ای، مرکز تحقیقات پرتو پزشکی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران Elham Saniei Ph.D. in Nuclear Engineering, Assistant Professor, Medical Radiation Research Center, Central Tehran Branch Islamic Azad University, Tehran, Iran الهام صنیعی elhsaniei@gmail.com 0031947532846009594 0031947532846009594 Yes دکتری مهندسی هسته‌ای، استادیار، مرکز تحقیقات پرتو پزشکی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران Mehdi Salehi Barough Ph.D. in Nuclear Engineering, Assistant Professor, Medical Radiation Research Center, Central Tehran Branch Islamic Azad University, Tehran, Iran مهدی صالحی باروق msbarough@gmail.com 0031947532846009595 0031947532846009595 No دکتری مهندسی هسته‌ای، استادیار، مرکز تحقیقات پرتو پزشکی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران

fa معرفی یک واکسن چند اپی‌توپی کارآمد در برابر سویه‌های مختلف SARS-CoV-2: واکسینولوژی معکوس 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.   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. Dynamic Simulation, Immunoinformatics, Immune Simulation, Molecular Docking, Multi-epitope Vaccine شبیه‌سازی دینامیکی, ایمونوانفورماتیک, شبیه‌سازی ایمنی, داکینگ مولکولی, واکسن چند اپی‌توپی 269 293 http://jhbmi.ir/browse.php?a_code=A-10-1027-1&slc_lang=fa&sid=1 2023/05/122023/03/142023/05/192023/05/272023/06/62023/07/6 1402/4/15 2023/12/102023/10/312023/12/102023/11/62023/10/312023/11/25 1402/9/4 Javad Sarvmeili PhD Student in Agricultural Biotechnology, Department of Plant Breeding and Biotechnology, Faculty of Agriculture, University of Tabriz, Tabriz, Iran جواد سرومیلی javadsarvmeili@yahoo.com 0031947532846009596 0031947532846009596 No دانشجوی دکتری بیوتکنولوژی کشاورزی، گروه به‌نژادی و بیوتکنولوژی گیاهی، دانشکده‌ کشاورزی، دانشگاه تبریز، تبریز، ایران Bahram Baghban Kohnehrouz PhD in Molecular Biology and Biotechnology, Associate Professor, Department of Plant Breeding and Biotechnology, Faculty of Agriculture, University of Tabriz, Tabriz, Iran بهرام باغبان کهنه روز bahramrouz@yahoo.com 0031947532846009597 0031947532846009597 Yes دکتری بیولوژی مولکولی و بیوتکنولوژی، دانشیار، گروه به نژادی و بیوتکنولوژی گیاهی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران Ashraf Gholizadeh PhD in Biochmistry, Full Professor, Faculty of Natural Sciences and Research Center for Biosciences and Biotechnology (RCBB), University of Tabriz, Tabriz, Iran اشرف قلی زاده aghz_bioch@yahoo.co.in 0031947532846009598 0031947532846009598 No دکتری بیوشیمی، استاد، دانشکده علوم طبیعی و مرکز تحقیقات علوم و فناوری زیستی، دانشگاه تبریز، تبریز، ایران Hamideh Ofoghi PhD in Biotechnology, Associate Professor, Department of Biotechnology, Iranian Research Organization for Science and Technology, Tehran, Iran حمیده افقی ofoghi@irost.ir 0031947532846009599 0031947532846009599 No دکتری بیوتکنولوژی، دانشیار، گروه بیوتکنولوژی، سازمان پژوهش‌های علمی و صنعتی ایران، تهران، ایران Dariush Shanehbandi PhD in Immunology, Assistant Professor, Department of Immunology, Immunology Research Center, Tabriz University of Medical Sciences, Tabriz, Iran داریوش شانه بندی dariush_shanehbandi@yahoo.com 0031947532846009600 0031947532846009600 No دکتری ایمونولوژی، استادیار گروه ایمونولوژی، مرکز تحقیقات ایمونولوژی، دانشگاه علوم پزشکی تبریز، تبریز، ایران

fa مدل مفهومی و نیازمندی‌های فرم گزارش مورد الکترونیکی برای جمع‌آوری حداقل مجموعه داده‌های عوارض واکسن کرونا 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.   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. Electronic case report form, COVID-19, vaccination adverse effects, eCRF system requirements فرم گزارش موردی الکترونیکی, کرونا, عوارض واکسیناسیون, نیازمندی‌های سیستم eCRF 294 308 http://jhbmi.ir/browse.php?a_code=A-10-1037-1&slc_lang=fa&sid=1 2023/05/122023/03/142023/05/192023/05/272023/06/62023/07/62023/09/28 1402/7/6 2023/12/102023/10/312023/12/102023/11/62023/10/312023/11/252023/12/10 1402/9/19 Seyyed Hamzeh Nasiri Khoshroudi M.Sc. Student of Medical Informatics, Faculty of Medical Sciences, Tarbiat Modares University, Tehran, Iran سید حمزه نصیری خوشرودی hamze_nasirii@yahoo.com 0031947532846009601 0031947532846009601 No دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران Ali Asghar Safaei PhD in Computer Engineering (Software), Associate Professor, Department of Medical Informatics, Faculty of Medical Sciences, Tarbiat Modares University, Tehran, Iran علی اصغر صفائی aa.safaei@modares.ac.ir 0031947532846009602 0031947532846009602 Yes دکترای مهندسی کامپیوتر(نرم افزار)، دانشیار، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران Hoorieh Soleimanjahi Ph.D. in Molecular Medical Virology, Tarbiat Modares University, Faculty of Medical Sciences, Tehran, Iran حوریه سلیمان جاهی soleim_h@modares.ac.ir 0031947532846009603 0031947532846009603 No دکترای ویروس شناسی پزشکی، استاد، گروه ویروس شناسی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران

fa تأثیر مداخلات سلامت همراه بر پیامدهای سلامتی زنان: یک مطالعه مروری نظام‌مند بر روی کارآزمایی‌های بالینی کنترل شده 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.   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. Mobile Health, Digital Health, Telehealth, Women's Health, Systematic Review سلامت همراه, سلامت دیجیتال, سلامت از راه دور, سلامت زنان, مرور نظام‌مند 309 325 http://jhbmi.ir/browse.php?a_code=A-10-1007-1&slc_lang=fa&sid=1 2023/05/122023/03/142023/05/192023/05/272023/06/62023/07/62023/09/282023/05/8 1402/2/18 2023/12/102023/10/312023/12/102023/11/62023/10/312023/11/252023/12/102023/09/23 1402/7/1 Leyla Majdipoor MSc in Medical Informatics, Department of Medical Informatics, Faculty of Medical Sciences, Tarbiat Modares University, Tehran, Iran لیلا مجدی پور leylamajdipoor2@gmail.com 0031947532846009604 0031947532846009604 No کارشناس ارشد انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران Rezvan Rahimi Ph.D. in Medical Informatics, Assistant Professor, Department of Medical Informatics, Faculty of Medical Sciences, Tarbiat Modares University, Tehran, Iran رضوان رحیمی R.Rahimi@modares.ac.ir 0031947532846009605 0031947532846009605 Yes دکتری تخصصی انفورماتیک پزشکی، استادیار، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران Shadab Shahali Ph.D. in Reproductive Health, Assistant Professor, Department of Reproductive Health and Midwifery, Faculty of Medical Sciences, Tarbiat Modares University, Tehran, Iran شاداب شاه علی shadab.shahali@modares.ac.ir 0031947532846009606 0031947532846009606 No دکتری تخصصی بهداشت باروری، استادیار، گروه بهداشت باروری و مامایی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران