fa jalali 1402 12 1 gregorian 2024 3 1 10 4 online 1 fulltext

fa تشخیص خودکار و دقیق بیماری آلزایمر از روی تصاویر MRI به وسیله‌ شبکه عصبی کانولوشنی عمیق بهبود یافته   مقدمه: شناسایی و تشخیص بیماری آلزایمر موجود در بافت مغز از چالش‌های جدی شناسایی در حوزه پردازش تصاویر پزشکی است. در حال حاضر MRI، متداول‌ترین راه تشخیص آلزایمر در بین روش‌های تصویربرداری می‌باشد. عدم شناسایی صحیح بافت درگیر می‌تواند منجر به تشخیص نادرست به عنوان بافت سالم مغزی شود. الگوریتم یادگیری عمیق به عنوان فرآیند تشخیص ویژگی‌های مرتبط، اطلاعات مفید را استخراج می‌کند؛ لذا این پژوهش سعی دارد با استفاده از شبکه عصبی کانولوشنال در پردازش تصاویر پزشکی با دقت بهتری، نسبت به کارهای گذشته در تشخیص، انجام دهد. روش: با استفاده از شبکه عصبی کانولوشنی طراحی شده استخراج ویژگی‌های تصاویر  T1MRI  صورت گرفته است. تصاویر آلزایمر با استفاده از نرم افزار Matlab2023a تحلیل شده‌اند و خروجی‌های مد نظر حاصل شده‌اند. نتایج: تصاویر آلزایمر مغزی T1 پس از پیش پردازش و ورود به شبکه عصبی عمیق طراحی شده، مورد بررسی قرار گرفته‌اند که در خروجی حاصل از الگوریتم پیشنهادی، دقت شناسایی و سرعت شناسایی الگوریتم با بهبود ابر پارامترها در مقایسه با سایر روش‌های معمول بالاتر بود که دقت 96% و حساسیت 100% در شناسایی ارائه کرده است. نتیجه‌گیری: هدف از الگوی یادگیری عمیق این است که داده‌های تصویری با ابعاد بزرگ و تعداد زیاد  به شکل قابل فهم برای ماشین‌ها درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار گیرد.   Introduction: Identifying and diagnosing Alzheimer's disease in brain tissue is one of the serious challenges in diagnosis in the field of medical image processing. Currently, MRI is the most common way to diagnose Alzheimer's disease, and failure to correctly identify the tissue involved in it can lead to incorrect diagnosis as healthy brain tissue. Deep learning algorithm as a process of detecting features related to damaged tissue and extracting useful information. In this research, we decided to use the convolutional neural network in the processing of medical images so that we can perform the diagnosis with better accuracy than the previous works. Methods: Using a convolutional neural network, the features of MRI images have been extracted. Alzheimer's images have been analyzed using Matlab2023a software and the intended outputs have been obtained. Results: Brain Alzheimer's images have been analyzed after pre-processing and entering the deep neural network, and in the output of the proposed algorithm, the identification accuracy and identification speed of the algorithm with the improvement of cloud parameters was higher compared to other common methods, which was 96% accuracy. presented in identification. Conclusion: The purpose of using deep learning is to make image data with large dimensions and a large number into a conceptual form for machines. It is expected that in the future feature extraction will be done more accurately and more details will be available to machine vision systems to recognize objects in the image.   Alzheimer's disease, convolutional neural network, deep learning, MRI images بیماری آلزایمر, شبکه عصبی کانولوشن, یادگیری عمیق, تصاویر MRI 326 336 http://jhbmi.ir/browse.php?a_code=A-10-703-4&slc_lang=fa&sid=1 2023/09/10 1402/6/19 2023/12/16 1402/9/25 Mahsa Taghavizadeh M.S.c in Mecatronic Engineering, Faculty of Electrical and Computer Engineering, University of Mohaghegh Ardabili, Ardabil, Iran مهسا تقوی زاده m.taghavizadeh@student.uma.ac.ir 0031947532846009903 0031947532846009903 No کارشناسی ارشد مکاترونیک، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران Mehdi Nooshyar Ph.D in Communication Science, Faculty of Electrical and Computer Engineering, University of Mohaghegh Ardabili, Ardabil, Iran مهدی نوشیار Nooshyar@uma.ac.ir 0031947532846009904 0031947532846009904 No دکترا مخابرات سیستم، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران Adel Akbarimajd Ph.D in Control Engineering, Faculty of Electrical and Computer Engineering, University of Mohaghegh Ardabili, Ardabil, Iran عادل اکبری مجد akbarimajd@uma.ac.ir 0031947532846009905 0031947532846009905 No دکترا رباتیک، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران Sahand Shahalinezhad M.S.c in Biomedical Engineering, Faculty of Electrical and Computer Engineering, Urmia Graduate Institute of Electrical Engineering, Urmia, Iran سهند شاهعلی نژاد m.s.shahalinejad@urumi.ac.ir 0031947532846009906 0031947532846009906 Yes کارشناسی ارشد مهندسی پزشکی، گروه مهندسی پزشکی، مؤسسه آموزش عالی ارومیه، ارومیه، ایران

fa ارزیابی کیفیت خدمات واحد فن‌آوری اطلاعات سه بیمارستان منتخب شهر اصفهان با استفاده از مدل سروپرف غیروزنی مقدمه: با توجه به جایگاه واحد فن آوری اطلاعات در زمینه حفظ، نگهداشت و ارتقای سیستم‌های اطلاعاتی و ارائه اطلاعات به هنگام به افراد مختلف، خدماتی که در این واحد ارائه می‌شود باید دارای کیفیت بالا باشد. در همین راستا، پژوهش حاضر با هدف ارزیابی کیفیت خدمات واحد فن‌آوری اطلاعات در سه بیمارستان منتخب شهر اصفهان با استفاده از مدل سروپرف انجام شد. روش: پژوهش حاضر از نوع کمی و کاربردی است. جامعه آماری کلیۀ کارکنان خدمت گیرنده از واحد فن‌آوری اطلاعات بیمارستان‌های دانشگاهی شهر اصفهان بود. حجم نمونه بر اساس جدول مورگان 351 نفر به دست آمد. کیفیت خدمات واحد فن‌آوری در بیمارستان‌های مورد بررسی  با استفاده از پرسشنامه استاندارد مدل سروپرف (غیر وزنی) در پنج حیطه مورد بررسی قرار گرفت. نتایج: نتایج نشان داد میانگین به دست آمده برای کیفیت کلی خدمات واحد فن آوری اطلاعات برابر 3/23 بود که از نظر آماری با مقدار متوسط 3‌، تفاوت معنی دار داشت (0/05>p). بالاترین میانگین را ابعاد قابلیت اطمینان با میانگین 3/28 و پاسخگویی با میانگین 3/25 و کمترین میانگین را ابعاد فیزیکی و ملموسات با میانگین 3/14 داشتند. نتیجه‌گیری: باتوجه به نتایج به دست آمده مبنی بر شکاف منفی موجود در کیفیت خدمات واحد فناوری اطلاعات بیمارستان ها پیشنهاد می گردد به منظور بالا بردن کیفیت خدمات در بعدهای همدلی، پاسخگویی بهتر، جلب رضایت، تواضع و حسن نیت و به روز بودن اطلاعات کلاس‌های آموزشی به صورت مدون برای کارکنان واحد فناوری اطلاعات برگزار گردد.   Introduction: Considering the crucial role of IT unit in maintaining, preserving, and enhancing information systems and providing timely information to various individuals, the services provided by this unit must be of high quality. In this regard, the present study aimed to evaluate the quality of services provided by the Information Technology unit in three selected hospitals in Isfahan city using the SERVPERF model. Method: This is a quantitative and applied study. The statistical population consisted of all the employees who received service from the information technology unit in the educational hospitals of Isfahan city. The sample size was 351 people based on the Morgan’s table. The service quality of the information technology unit in the studied hospitals was investigated using the standard questionnaire of the SERVPERF model (non-weighted) in five areas. Results: The average of service quality of the information technology unit was 3.23, which had a statistically significant difference with the average value of 3 (P<0.05). The highest average is related to reliability (3.28) and responsiveness (3.25), respectively. The lowest average is related to the physical and tangible dimensions (3.14). Conclusion: The results show a negative gap in the service quality of information technology units in hospitals. To improve the quality of services in the dimensions of empathy, responsiveness, satisfaction, humility, goodwill, and information updates, regular training classes should be held for the employees of the information technology unit. Information Technology, Service Quality, Hospital, Evaluation, SERVPERF فن‌آوری اطلاعات, کیفیت خدمات, بیمارستان, ارزیابی, سروپرف 337 345 http://jhbmi.ir/browse.php?a_code=A-10-1043-1&slc_lang=fa&sid=1 2023/09/102023/08/23 1402/6/1 2023/12/162024/03/5 1402/12/15 Hossein Bagherian Ph.D. in Health Information Management, Assistant Professor, Health Information Technology Research Center, Isfahan University of Medical Sciences, Isfahan, Iran حسین باقریان h_bagherian1924@yahoo.com 0031947532846009560 0031947532846009560 Yes دکتری مدیریت اطلاعات سلامت، استادیار، مرکز تحقیقات فناوری اطلاعات در امور سلامت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Sakineh Saghaeiannejad Isfahani Ph.D. in Health Information Management, Assistant Professor, Health Information Technology Research Center, Isfahan University of Medical Sciences, Isfahan, Iran سکینه سقائیان نژاد اصفهانی saghaeiannejad@gmail.com 0031947532846009561 0031947532846009561 No دکتری مدیریت اطلاعات سلامت، استادیار، مرکز تحقیقات فناوری اطلاعات در امور سلامت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

fa ارائه الگوریتمی هوشمند جهت پیش‌بینی سکته قلبی مقدمه: امروزه یکی از شایع‌ترین علت مرگ بزرگسالان در سراسر دنیا سکته قلبی می‌باشد. طبق اعلام وزارت بهداشت، درمان و آموزش پزشکی، 11 تا 15 درصد مرگ و میرها در کشور ناشی از سکته قلبی است و در جهان،  ایران بالاترین آمار مرگ ناشی از بیماری قلبی را دارا می‌باشد. تخمین زده شده که در سال 2022‌، مرگ و میر ناشی از این بیماری‌ها به 20 میلیون نفر افزایش یابد؛ بنابراین پیش‌بینی کردن این بیماری از جمله مباحث چالش برانگیز در مبحث پزشکی می‌باشد و امروزه اکثر سیستم‌های پیش‌بینی با استفاده از الگوریتم‌های هوش مصنوعی و یادگیری ماشین به وجود آمده‌اند. روش: پژوهش حاضر از نوع کاربردی و توصیفی است، که در سال 1401 با استفاده از اطلاعات ۶00 نفر از افراد مراجعه کننده به بیمارستان پیمانیه و مطهری شهرستان جهرم انجام شده است. در این پژوهش داده‌ها بر اساس منابع موجود از هر دو بیمارستان جمع‌آوری شدند. به منظور پیاده‌سازی و ارزیابی نتایج از زبان برنامه‌نویسی متلب استفاده شده است. نتایج: پارامترهای به‌کاررفته در این پژوهش جزء پارامترهای دسته‌بندی می‌باشد که شامل: نرخ دسته‌بندی، صحت، فراخوان و F سنجش می‌باشند که به‌ترتیب مقادیر 90/7، 90/2، 91/5 و 90/8  به ‌دست ‌آمده است. نتیجه‌گیری: نتایج نشان می‌دهند که مدل پیشنهادی قادر خواهد بود که با درصد بالایی احتمال وقوع سکته را پیش‌بینی کند Introduction: Today, heart attack is one of the most common causes of death in adults all over the world. According to the announcement of the Ministry of Health, Treatment, and Medical Education, 11 to 15 percent of deaths in Iran are caused by heart attacks, and in the world, Iran has the highest number of deaths due to heart disease in 2022. It has been estimated that deaths from these diseases will increase to 20 million people. Therefore, predicting this disease is one of the most challenging topics in the medical field, and today most prediction systems are created using artificial intelligence and machine learning algorithms. Method: This applied and descriptive research was conducted in 2022 using the information of 600 people who referred to Peymaniyeh and Motahari hospitals in Jahrom city. In this research, data were collected based on the available sources from both hospitals. To implement and evaluate the results, MATLAB programming language was used. Results: The parameters used in this research are among the classification parameters, including classification rate, precision, recall, and F-measure, which were obtained as 90.7, 90.2, 91.5, and 90.8, respectively. Conclusion: The results show that the proposed model will be able to predict the probability of stroke with a high percentage. Heart attack, Disease prediction, Intelligent model, Machine learning, Support vector machine سکته قلبی, تشخیص بیماری, مدل هوشمند, یادگیری ماشین, ماشین بردار پشتیبان 346 356 http://jhbmi.ir/browse.php?a_code=A-10-306-4&slc_lang=fa&sid=1 2023/09/102023/08/232023/03/4 1401/12/13 2023/12/162024/03/52024/02/12 1402/11/23 Mohammadjavad Hosseinpoor Member of Faculty and Assistant Professor in Computer Engineering Department, Islamic Azad University, Estahban Branch, Estahban, Iran محمدجواد حسین پور hosseinpoor.mohammadjavad@gmail.com 0031947532846009907 0031947532846009907 Yes عضو هیأت علمی و استادیار بخش مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد استهبان، استهبان، ایران

fa مدل‌سازی in silico یک پروتئین Cas9 جهش یافته با هدف افزایش دقت ویرایش ژنوم مقدمه: سیستم CRISPR/Cas، سیستم ایمنی اکتسابی باکتری­ها در مقابله با عوامل مهاجم خارجی است. پروتئین Cas9 باکتری استرپتوکوکوس پیوژنز، رایج­ترین پروتئین Cas استفاده شده در ویرایش ژنوم می­باشد؛ اما پروتئین­های Cas9 دارای مشکلاتی مانند وقوع جهش­های نابه‌جا هستند که مانعی مهم در مسیر به کارگیری آن­ها برای مقاصد درمانی می­باشد. هدف از این مطالعه، طراحی یوانفورماتیکی یک پروتئین Cas9 جهش یافته به منظور افزایش دقت آنزیم در امر ویرایش ژنوم است.  روش: در این مطالعه ابتدا با انتخاب برخی از جهش­ها و اعمال آن در پروتئین، Cas9 جدید به صورت in silico طراحی شد. با روش داکینگ مولکولی نحوه اتصال spCas9 جهش یافته و وحشی به DNA مورد بررسی قرار گرفت. در آخر، پایداری دو پروتئین جهش یافته و وحشی با استفاده از دینامیک مولکولی مورد ارزیابی قرار گرفت. نتایج: نتایج این مطالعه منجر به طراحی یک پروتئین جهش یافته با 5 جهش شد. نتایج داکینگ مولکولی امتیاز 1073/86- را برای پروتئین تیپ وحشی و امتیاز 349/41- را برای پروتئین جهش یافته نشان داد. نتیجه‌گیری: بررسی داکینگ مولکولی نشان داد که از پیوندهای بین پروتئین و DNA در حالت جهش یافته کاسته شده است. همچنین، نتایج دینامیک مولکولی نشان داد که پایداری دو پروتئین جهش یافته و تیپ وحشی مشابه یکدیگر می‌باشند.   Introduction: CRISPR/Cas system is a bacterial-acquired immune system against viruses. spCas9 protein-derived from Streptococcus pyogenes is the most common Cas protein used in genome editing. The Cas9 proteins suffer from some problems like unwanted off-target cleavage, which is the major limitation in the application of the CRISPR system, especially for therapeutic issues. The present study aimed to in silico design of a mutant Cas protein to enhance the fidelity of the enzyme. Method: In this study, a new Cas9 protein was designed in silico via the selection of some mutations. The interaction of the mutant and wild-type Cas9 proteins with DNA was determined by molecular docking. Finally, the stability of the mutant and wild-type proteins was evaluated using molecular dynamics. Results: The outcome of this study resulted in designing a mutant Cas9 protein bioinformatically containing 5 amino acid substitutions. Molecular docking scores for the wild-type and mutant proteins were -1073.86 and -349.41, respectively. Conclusion: Molecular docking indicated that the number of hydrogen bonds between protein and DNA reduced in the mutant state. Moreover, based on the molecular dynamic findings, the stability of both mutant and wild-type Cas9 proteins was similar. High-fidelity Cas9, Molecular dynamic, Molecular docking, CRISPR/Cas, Protein engineering, Gene editing Cas9 با دقت بالا, دینامیک مولکولی, داکینگ مولکولی, CRISPR/Cas, مهندسی پروتئین, ویرایش ژن 357 366 http://jhbmi.ir/browse.php?a_code=A-10-1070-1&slc_lang=fa&sid=1 2023/09/102023/08/232023/03/42024/01/2 1402/10/12 2023/12/162024/03/52024/02/122024/02/19 1402/11/30 Mahsa Ghasemi M.Sc. in Cellular and Molecular Biology, Department of New Sciences and Technologies, Tehran Electronics Branch Faculty, Islamic Azad University, Tehran, Iran مهسا قاسمی mahsa971112@gmail.com 0031947532846009563 0031947532846009563 No کارشناسی ارشد زیست شناسی سلولی و مولکولی، گروه علوم و فناوری‌های نوین دانشگاه آزاد اسلامی واحد الکترونیک تهران، تهران، ایران Javad Zamani Ph.D. in Agricultural Biotechnology, National Institute of Genetic Engineering and Biotechnology, Tehran, Iran جواد زمانی zamanijavad67@gmail.com 0031947532846009564 0031947532846009564 No دکتری تخصصی بیوتکنولوژی کشاورزی، پژوهشگاه ملی مهندسی ژنتیک و زیست فناوری، تهران، ایران Zarrin Minuchehr Ph.D. in Biophysics, Assistant Professor, Institute of Industrial and Environmental Biotechnology, National Institute of Genetic Engineering and Biotechnology, Tehran, Iran زرین مینوچهر zarrin.minucher@gmail.com 0031947532846009565 0031947532846009565 No دکتری تخصصی بیوفیزیک، دانشیار، پژوهشگاه ملی مهندسی ژنتیک و زیست فناوری، پژوهشکده صنعت و محیط زیست، گروه زیست فناوری سامانه‌ای، تهران، ایران Mehdi Shamsara Ph.D. in Molecular Genetics, Associate Professor, Department of Animal Biotechnology, National Institute of Genetic Engineering and Biotechnology, Tehran, Iran مهدی شمس آرا shamsa@nigeb.ac.ir 0031947532846009566 0031947532846009566 Yes دکتری تخصصی ژنتیک مولکولی، دانشیار، پژوهشگاه ملی مهندسی ژنتیک و زیست فناوری، پژوهشکده زیست فناوری کشاورزی، گروه زیست فناوری دامی، تهران، ایران

fa شناسایی و اولویت‌بندی مراحل پیاده‌سازی نقشه راه فناوری بلاکچین در سازمان‌های سلامت محور با استفاده از روش دلفی فازی مقدمه: نقشه راه ابزاری برای کمک به سازمان‌ها برای تسهیل اجرای موفق هر فناوری می‌باشد. بر این اساس، هدف این پژوهش، شناسایی و اولویت‌بندی مراحل پیاده‌سازی نقشه راه فناوری بلاکچین در سازمان‌های سلامت‌محور می‌باشد. روش: به‌منظور پالایش و ارزیابی تناسب مراحل مستخرج از ادبیات موضوع، از روش دلفی فازی استفاده‌ شده است. دسترسی به مطمئن‌ترین توافق گروهی خبرگان درباره موضوعی خاص است که با استفاده از پرسشنامه و نظرخواهی از خبرگان، به‌دفعات با توجه به بازخورد حاصل از آن‌ها صورت می‌پذیرد. نتایج: پس از شناسایی و استخراج عوامل از طریق مطالعه مقالات مختلف و بومی‌سازی و تعیین میزان اهمیت متغیرها، با اعمال محدودیت وزنی در مدل، میزان موافقت خبرگان با هرکدام از مؤلفه‌ها اخذ شده و نقطه نظرات پیشنهادی و اصلاحی آن‌ها تقسیم‌بندی شده است. میانگین قطعی حاصل، نشان‌دهنده شدت موافقت خبرگان با هرکدام از عوامل پژوهش می‌باشد. نتیجه‌گیری: نتایج نظرسنجی دیدگاه‌های خبرگان نشان می‌دهد که اولویت‌های رصد فناوری، شناسایی کاربرد فناوری بلاکچین در سازمان، شناسایی چالش‌های ساختاری، فنی، حقوقی و مالی، طراحی، رفع موانع حاکمیتی و بالادستی، سرمایه‌گذاری متناسب، همکاری زیرساخت قدیمی، جدید و افزایش عضویت دارای اهمیت بالا و اولویت‌های آموزش اولیه، شناسایی مزایای تحول دیجیتال و مزیت رقابتی، ذی اثران داخلی و خارجی و گسترش مدل کسب‌وکار به بخش‌های دیگر از اهمیت پایین‌تری برخوردار هستند. Introduction: A Roadmap is a tool to help organizations facilitate the successful implementation of any technology. Then, this study aimed to identify and prioritize the stages of blockchain technology roadmap implementation in health-oriented organizations. Method: To refine and evaluate the appropriateness of steps extracted from the subject literature, the fuzzy Delphi method was used. Access to the most reliable group agreement of experts on a specific issue is done using a questionnaire and asking experts’ opinions, often according to their feedback. Results: After identifying and extracting the factors through the study of various articles and localization and determining the importance of the variables, by applying the weight limit in the model, the level of experts’ agreement with each of the components was obtained and their suggested and corrective points were divided. The resulting absolute mean indicates the intensity of experts’ agreement with each research factor. Conclusion: The results of the survey of experts’ views show that the priorities of monitoring technology, identifying the application of blockchain technology in the organization, identifying structural, technical, legal, and financial challenges, designing, removing governance and upstream obstacles, appropriate capital transfer, cooperation between old and new infrastructure, and increasing membership, high importance and priorities of basic training, identifying the benefits of digital transformation and competitive advantage, internal and external stakeholders, and expanding the business model to other sectors are of lower importance. Blockchain, Blockchain roadmap, Fuzzy Delphi method, Blockchain in health بلاکچین, نقشه راه بلاکچین, روش دلفی فازی, بلاکچین در سلامت 367 379 http://jhbmi.ir/browse.php?a_code=A-10-911-3&slc_lang=fa&sid=1 2023/09/102023/08/232023/03/42024/01/22023/11/7 1402/8/16 2023/12/162024/03/52024/02/122024/02/192024/01/9 1402/10/19 Hamideh Aliakbarpour Ph.D. Student in IT Management, Department of Management, Islamic Azad University, South Tehran Branch, Tehran, Iran حمیده علی اکبر پور aliakbarpour@arakmu.ac.ir 0031947532846009908 0031947532846009908 No دانشجوی دکتری مدیریت فناوری اطلاعات، گروه مدیریت دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران Ashraf Shahmansoury Ph.D. in Business Administration, Assistant Professor, Faculty of Management, Islamic Azad University, South Tehran Branch, Tehran, Iran اشرف شاه منصوری shahmansouryashraf@gmail.com 0031947532846009909 0031947532846009909 Yes دکتری مدیریت بازرگانی، استادیار، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران Ghasemali Bazaee Ph.D. in Management and Administrative Sciences, Assistant Professor, Faculty of Management, Islamic Azad University, Central Tehran Branch, Tehran, Iran قاسمعلی بازآیی ghasemalibazaee@gmail.com 0031947532846009910 0031947532846009910 No دکتری مدیریت و علوم اداری، استادیار، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران

fa تعیین مجموعه حداقل داده‌ها برای پرونده الکترونیک بیماران سل مقدمه: مجموعه حداقل داده، ابزاری مهم در نظام‌های ثبت و برنامه‌های نظارتی تلقی می‌گردد که امکان جمع‌آوری و انتقال داده‌ها در سطح کشور را فراهم می‌نماید. با توجه به اهمیت بیماری سل در ایران و به ویژه بروز بالای این بیماری در استان‌های حاشیه‌ای کشور، مطالعه حاضر با هدف تعیین مجموعه حداقل داده‌ها برای پرونده الکترونیک بیماران سل طراحی و اجرا گردید. روش: مطالعه حاضر یک مطالعه توصیفی است که در طی دو مرحله انجام شد. در مرحله اول، برای شناسایی عناصر داده بررسی جامعی در پایگاه داده‌های SID، Magiran، PubMed، Direct Science صورت گرفت. داده‌ها با استفاده از فرم استخراج داده، جمع‌آوری و با استفاده از پرسشنامه و روش دلفی به نظرسنجی گذاشته شدند. برای تحلیل داده‌ها از آمار توصیفی و نرم‌افزار SPSS نسخه16 استفاده گردید. نتایج: مجموعه حداقل داده‌های بیماری سل به دو دسته داده‌های مدیریتی با 5 کلاس و 35 عنصر، و داده‌های بالینی با 5 کلاس و 43 عنصر داده تقسیم شدند. نتیجه‌گیری: مجموعه حداقل داده‌های سل برای مدیریت هر چه بهتر این بیماری و ثبت اطلاعات بیماران مبتلا به این بیماری بسیار مؤثر می‌باشد. نتایج این مطالعه می‌تواند به پژوهشگران و توسعه دهندگان جهت طراحی و راه‌اندازی سیستم اطلاعاتی یکپارچه ثبت اطلاعات بیماران مبتلا به سل کمک نماید.   Introduction: The minimum data set is considered an important tool in the registration systems and monitoring programs, which provides the possibility of collecting and transferring data at the country level. Considering the importance of tuberculosis in Iran and especially the high incidence of this disease in the marginal provinces of the country, the present study was designed and implemented to determine the minimum data set for the electronic health records of tuberculosis patients. Method: This descriptive study was conducted in two phases. In the first phase, a comprehensive review was conducted in PubMed, Science Direct, SID, and Magiran databases to identify data elements. The data were collected using the data extraction form and polled using the Delphi method. Descriptive statistics and SPSS version 16 were used for data analysis. Results: The minimum data set of tuberculosis was divided into two categories: administrative data with five classes and 35 data elements, and clinical data with five classes and 43 data elements. Conclusion: The minimum data set of tuberculosis is an effective tool for managing and recording the information of patients suffering from this disease. The results of this study can help researchers and developers in the process of designing and implementing an integrated information system for registering the information of patients with tuberculosis. Minimum Data Set, Tuberculosis, Electronic Health Record مجموعه حداقل داده‌ها, سل, پرونده الکترونیک سلامت 380 385 http://jhbmi.ir/browse.php?a_code=A-10-182-4&slc_lang=fa&sid=1 2023/09/102023/08/232023/03/42024/01/22023/11/72023/12/5 1402/9/14 2023/12/162024/03/52024/02/122024/02/192024/01/92024/01/31 1402/11/11 Fatemeh Bahador Ph.D. Student in Health Information Management, Department of Health Information Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran فاطمه بهادر fatemebahador@gmail.com 0031947532846009911 0031947532846009911 No دانشجوی دکترای تخصصی مدیریت اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Zohreh Javanmard Ph.D. Student in Health Information Management, Department of Health Information Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran زهره جوانمرد zohrehjavanmard44@gmail.co 0031947532846009912 0031947532846009912 No دانشجوی دکترای تخصصی مدیریت اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Azam Sabahi Assistant Professor of Health Information Management, Department of Health Information Technology, Ferdows Faculty of Medical Sciences Birjand University of Medical Sciences, Iran اعظم صباحی sabahiazam858@gmail.com 0031947532846009913 0031947532846009913 Yes استادیار مدیریت اطلاعات سلامت، گروه فناوری اطلاعات سلامت، دانشکده علوم پزشکی فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران Fatemeh Salehi Ph.D. in Health Information Management, Imam Reza Hospital, Mashhad University of Medical Sciences, Mashhad, Iran فاطمه صالحی fatemehbahador@yahoo.com 0031947532846009914 0031947532846009914 No دکتری مدیریت اطلاعات سلامت، بیمارستان امام رضا (ع)، دانشگاه علوم پزشکی مشهد، مشهد، ایران Shirin Shahabi BSc of Health Information Technology, Department of Health Information Technology, Ferdows Faculty of Medical Sciences, Birjand University of Medical Sciences, Iran شیرین شهابی shirinshahabi1376@gmail.com 0031947532846009915 0031947532846009915 No کارشناس فناوری اطلاعات سلامت، گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی و بهداشت فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران Reza Fateh Bahari BSc of Health Information Technology, Department of Health Information Technology, Ferdows Faculty of Medical Sciences, Birjand University of Medical Sciences, Iran رضا فاتح بهاری rezafatehbahari@gmail.com 0031947532846009916 0031947532846009916 No کارشناس فناوری اطلاعات سلامت، گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی و بهداشت فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران

fa بررسی قابلیت اتصال پپتیدهای ضدمیکروبی به پروتئینspike ویروس کرونا با روش داکینگ و شبیه‌سازی دینامیک مولکولی مقدمه: از زمان شروع سال 2020، SARS-CoV-2 به طور قابل توجهی باعث بیماری تعداد زیادی از افراد شده و تحقیقات گسترده‌ای را به سوی خود جلب کرده است. پپتیدهای ضد میکروبی به دلیل ایمنی، کارایی و ویژگی منحصر به فرد خود به عنوان یک راه امیدوارکننده برای درمان پاتوژن‌های ویروسی در حال ظهور شناخته می‌شوند. روش: در این مطالعه ابتدا 104 پپتید طبیعی ضدمیکروبی از پایگاه‌های داده APD انتخاب شدند. سپس با سرور pepfold3 ساختار سوم پپتیدها مدل‌سازی شد. ساختارها پس از اصلاح و بهینه‌سازی آماده عملیات داکینگ شدند. متعاقباً داکینگ پپتید-پروتئین با نرم‌افزار اتوداک وینا انجام شد. بهترین کمپلکس پپتید-پروتئین که انرژی اتصال مناسبی در خروجی داکینگ داشت برای شبیه‌سازی مولکولی با برنامه گرومکس انتخاب شد. شبیه‌سازی به مدت 100 نانوثانیه در دمای 310 درجه کلوین و pH:7 انجام شد. از میدان نیروی gromos54a7 و مدل آب spc به عنوان حلال استفاده گردید. نتایج: نتایج به دست آمده از دینامیک مولکولی، پایداری ساختار کمپلکس‌ها و محاسبات انرژی را بررسی می‌کند. آنالیزهای RMSD، RMSF، شعاع ژیراسیون و SASA نشان داد که کمپلکس پپتید-پروتئین در طی شبیه‌سازی پایدار است و آنالیزهای LJ، CL، HBond و ΔG جهت محاسبه انرژی بین پپتید و پروتیئن Spike انجام شد. نتیجه‌گیری: نتایج مطالعه نشان داد که پپتیدهای ضدمیکروبی می‌توانند به عنوان مهارکننده و با انرژی اتصال مطلوبی به پروتئین  اسپایک SARS-CoV-2 متصل شوند و در نتیجه، این پپتیدها می‌توانند برای مطالعات درمانی و تجربی Covid-19 استفاده شوند.   Introduction: Since the start of 2020, SARS-CoV-2 has infected a significant number of individuals, prompting extensive research. Antimicrobial peptides can be considered as a promising treatment for emerging viral pathogens due to their safety, efficacy, and specificity. Method: In this study, first, 104 natural antiviral peptides were chosen from APD databases.  Then, the third structure of proteins was modeled by PEP-FOLD 3 server. The structures were refined and optimized for docking operation. Subsequently, peptide-protein docking was performed using AutoDock Vina. The most favorable peptide-protein complex, chosen based on binding energy, was employed for molecular simulation using GROMACS. The simulation was carried out for 100 ns at 310° K and pH=7. Gromos54a7 force field was used in this study and the SPC water model was used as solvent. Results: The obtained results from molecular dynamics examine the stability of complex structure and energy calculations. RMSD, RMSF, radius of gyration, and SASA analyses indicate the stability of the peptide-protein complex during the simulation. Additionally, LJ, CL, HBond, and ΔG analyses were conducted to calculate the energy interactions between the peptide and the Spike protein. Conclusion: The results indicate that antimicrobial peptides can effectively bind to the SARS-CoV-2 spike protein, acting as inhibitors with a favorable binding energy. Consequently, these peptides can be employed for therapeutic and experimental studies of COVID-19. Antimicrobial peptide, Spike protein, Molecular dynamics simulation, Docking, COVID-19 پپتید ضدمیکروبی, پروتئین اسپایک, شبیه سازی دینامیک مولکولی, داکینگ, کووید-19 386 399 http://jhbmi.ir/browse.php?a_code=A-10-1065-1&slc_lang=fa&sid=1 2023/09/102023/08/232023/03/42024/01/22023/11/72023/12/52023/12/25 1402/10/4 2023/12/162024/03/52024/02/122024/02/192024/01/92024/01/312024/03/5 1402/12/15 Sara Mortezaali MSc. in Microbial Biotechnology, Department of Biotechnology, Faculty of Biological Sciences, Alzahra University, Tehran, Iran سارا مرتضی علی sarah.mortezaali@gmail.com 0031947532846009576 0031947532846009576 No کارشناسی ارشد زیست فناوری میکروبی، گروه بیوتکنولوژی، دانشکده علوم زیستی، دانشگاه الزهرا، تهران، ایران Mahboobeh Zarrabi Ph.D. in Biophysics, Assistant Professor, Department of Biotechnology, Faculty of Biological Sciences, Alzahra University, Tehran, Iran محبوبه ضرابی mzarrabi@alzahra.ac.ir 0031947532846009577 0031947532846009577 Yes دکترای بیوفیزیک، استادیار، گروه بیوتکنولوژی، دانشکده علوم زیستی، دانشگاه الزهرا، تهران، ایران

fa نقش هوش مصنوعی در تشخیص بیماری‌های مزمن مقاله از نوع نامه به سردبیر است لذا فاقد چکیده می باشد. The article is a letter to the editor, so it does not have an abstract. Artificial intelligence, Health هوش مصنوعی,سلامت 400 402 http://jhbmi.ir/browse.php?a_code=A-10-1081-2&slc_lang=fa&sid=1 2023/09/102023/08/232023/03/42024/01/22023/11/72023/12/52023/12/252024/02/9 1402/11/20 2023/12/162024/03/52024/02/122024/02/192024/01/92024/01/312024/03/52024/03/10 1402/12/20 Asma Janati Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran. اسما جنتی a_janati@kmu.ac.ir 0031947532846009917 0031947532846009917 No کارشناسی ارشد کامپیوتر، دانشکده مهندسی برق، واحد کرمان، گروه مهندسی برق، دانشگاه آزاد اسلامی، کرمان، ایران Mehdi Jafari Shahbazzadeh Phd, Islamic Azad University Kerman Branch, Department of Electrical Engineering Kerman Branch, Islamic Azad University, Kerman, Iran مهدی جعفری شهباززاده mjafari@iauk.ac.ir 0031947532846009918 0031947532846009918 Yes دکترای کامپیوتر، دانشکده مهندسی برق، واحد کرمان، گروه مهندسی برق، دانشگاه آزاد اسلامی، کرمان، ایران