fa jalali 1403 6 1 gregorian 2024 9 1 11 2 online 1 fulltext

fa ارائه ساختار امن سامانه مدیریت لیست انتظار بیماران پیوند عضو مبتنی بر فناوری بلاک‌چین و ذخیره‌سازی توزیع شده پرونده مقدمه:  مدیریت و حفظ امنیت اطلاعات لیست انتظار بیماران نیازمند پیوند عضو در دهه‌های اخیر با چالش‌های متعددی مواجه بوده است. عدم اعتماد بین مشارکت‌کنندگان و نگرانی‌ها درباره حفظ حریم خصوصی بیماران و اهداکنندگان، لزوم یافتن راهکارهای امنیتی جدید را برجسته کرده است. روش کار: در این مطالعه روشی امن و قابل اعتماد برای بهبود مدیریت لیست انتظار پیوند عضو با استفاده از فناوری بلاک‌چین و شبکه سیستم پرونده توزیع شده مبنی بر IPFS ارائه و پیاده‌سازی شده است که علاوه بر ذخیره‌سازی امن اطلاعات، چالش نگهداری اسناد پزشکی حجیم را نیز حل نموده است. در ساختار پیشنهادی اطلاعات بیمار با کمک الگوریتم‌های مناسب، گمنام‌سازی و سپس ذخیره‌سازی شده و به شبکه بلاک‌چین نیز متصل می‌شوند. یافته‌ها: پس از بررسی روش‌های مشابه، چالش‌های موجود (حفاظت از هویت بیماران، نگهداری امن اسناد پزشکی و ...) شناسایی و سپس روشی یکپارچه و نوآورانه در مدیریت پیوند عضو با کمک الگوریتم‌های رمزنگاری و شبکه IPFS پیشنهاد و فراهم نموده که نه‌تنها امنیت و حریم خصوصی بیماران را به صورت جامع تأمین می‌کند، بلکه باعث کاهش نابرابری‌های اجتماعی و افزایش اعتماد به‌ فرآیند اهدای عضو نیز می‌شود و به مدیریت عادلانه لیست انتظار بیماران پیوند عضو و حل چالش‌های اساسی حوزه پزشکی کمک می‌کند. نتیجه‌گیری: سیستم پیشنهادی با به کارگیری معماری میکروسرویس، یک سیستم مقیاس‌پذیر و کارا را فراهم نموده است و می‌تواند به عنوان ابزاری مطمئن در اختیار دست اندرکاران قرار گیرد.   Introduction: In recent decades, the medical field has faced many challenges in managing and maintaining information security on waiting lists for organ transplantation patients. The lack of trust of the participants in this process, which requires more efforts to ensure the security and privacy of patients and donors, highlights the necessity for finding new security solutions. Method: In this study, a safe and reliable method was presented and implemented using blockchain technology based on the Network Distributed File System (IPFS) to improve waiting list management and solve the challenge of maintaining voluminous medical documents. In this method, patient information is anonymized using appropriate algorithms, and then, stored and linked to the blockchain network. Results: The implemented system provides an integrated and innovative method in organ transplantation management, which not only comprehensively provides the security and privacy of patients, but also reduces social inequalities and increases trust in the organ donation process, as well as fair management of patient waiting lists. Conclusion: The proposed system has provided a scalable and efficient system using microservices architecture and can be provided as a reliable tool for medical stakeholders. Blockchain, Organ Transplant Waiting List, Anonymization of Medical Documents, Storage of Patients' Medical Documents, Patient Privacy security بلاک‌چین, لیست انتظار پیوند عضو, گمنام‌سازی اسناد پزشکی, ذخیره‌سازی اسناد پزشکی بیماران, امنیت حریم خصوصی بیماران 101 114 http://jhbmi.ir/browse.php?a_code=A-10-980-1&slc_lang=fa&sid=1 2024/01/26 1402/11/6 2024/09/11 1403/6/21 Mohamahd Amin Samsami MA Student, Department of Information Technology and Computer Engineering, Urmia University of Technology, Urmia, Iran محمد امین صمصامی amin.samsami2@gmail.com 0031947532846009519 0031947532846009519 No دانشجوی کارشناسی ارشد، مهندسی فناوری اطلاعات و کامپیوتر، دانشکده علوم و فناوری های نوین، دانشگاه صنعتی ارومیه، ارومیه، ایران Parviz Rashidi-Khazaee PhD in Information Technology Engineering, Assistant Professor, Department of Information Technology and Computer Engineering, Urmia University of Technology, Urmia, Iran پرویز رشیدی خزاعی p.rashidi@uut.ac.ir 0031947532846009520 0031947532846009520 Yes دکتری تخصصی مهندسی فناوری اطلاعات، استادیار، گروه مهندسی فناوری اطلاعات و کامپیوتر، دانشکده علوم و فناوری های نوین، دانشگاه صنعتی ارومیه، ارومیه، ایران Omid Reza Boloki Speily PhD, in Information Technology Engineering, Assistant Professor, Department of Information Technology and Computer Engineering, Urmia University of Technology, Urmia, Iran امیدرضا بلوکی اسپیلی omid.speily@gmail.com 0031947532846009521 0031947532846009521 No دکتری تخصصی مهندسی فناوری اطلاعات، استادیار، گروه مهندسی فناوری اطلاعات و کامپیوتر، دانشکده علوم و فناوری های نوین، دانشگاه صنعتی ارومیه، ارومیه، ایران

fa تشخیص هوشمند سرطان حنجره با استفاده از روش‌های یادگیری ماشین مقدمه: سرطان حنجره بر اساس عوامل مختلف می‌توانند خوش‌خیم یا بدخیم باشند. هدف این پژوهش بهبود مدلی مبتنی بر یادگیری ماشین جهت ارتقاء تشخیص افراد درگیر با سرطان حنجره می‌باشد.   روش کار: گام نخست، صداهای افرادی که به مراکز درمانی مراجعه کرده‌اند (شامل آواهای (آ)، (ای)، (او)) ضبط شده و به عنوان مجموعه داده در نظر گرفته شده‌اند؛ در گام دوم داده‌ها توسط پزشک متخصص به سه کلاس سرطان خوش‌خیم، سرطان بدخیم و سالم تقسیم شده‌اند؛ در گام سوم مرحله پاکسازی داده‌ها انجام شده است؛ در گام چهارم ویژگی‌های مرتبط با صدا از داده‌ها استخراج و در گام پنجم، 5 مدل یادگیری ماشین SVM، Decision Tree، Naïve Bayes، MLP  و  Random Forest بر روی مجموعه داده‌ها پیاده‌سازی شده است و در آخر با استفاده از معیارهای ارزیابی مانند دقت، F-score  و دیگر معیارهای ارزیابی، عملکرد مدل‌ها ارزیابی شده است. یافته‌ها: نتایج پیاده‌سازی نشان داد که مدل SVM برای آوای (آ)  و آوای (او)  با دقت 0/818، دقت بالاتری نسبت به سایر مدل‌ها از خود نشان داده است، آوای  (ای) با دقت 0/818 در مدل MLP بالاترین دقت را دارا می‌باشد. نتیجه‌گیری: پژوهش حاضر،  به ارزیابی مدل‌های یادگیری ماشین برای تشخیص سرطان حنجره بر اساس داده‌های صوتی پرداخته است، نتایج نشان داد که استفاده از مدل SVM برای تشخیص سرطان حنجره می‌تواند با دقت بیشتری در تشخیص این بیماری کمک کند و ارائه نتایج قابل اعتمادی را فراهم آورد. Introduction: Larynx cancer can be benign or malignant based on various factors. This research aimed to provide a machine learning-based model to improve the diagnosis of individuals with larynx cancer. Method: In the first step, the voices of the people who visited the medical centers (including the sounds (A), (E), and (O)) were recorded and considered as a data set. In the second step, the data were classified into three classes (benign cancer, malignant cancer, and healthy) by a specialist. In the third step, the data cleaning was done. In the fourth step, the features related to sound were extracted from the data. In the fifth step, five machine learning models including SVM, Decision Tree, Naïve Bayes, MLP, and Random Forest were implemented on the data set. Finally, the performance of the models was evaluated using evaluation criteria such as accuracy, F-score, and other evaluation criteria. Results: The results of the implementation showed that the SVM model had a higher accuracy than other models for the sound (A) and sound (O) with an accuracy of 0.818, and the sound (E) with an accuracy of 0.818 in the model MLP had the highest accuracy. Conclusion: The present study evaluated machine learning models for the diagnosis of laryngeal cancer based on audio data. The results showed that the use of the SVM model for the diagnosis of laryngeal cancer can help diagnose this disease more accurately and provide reliable results.   Laryngeal cancer, Machine learning, Deep learning, Artificial intelligence سرطان حنجره, یادگیری ماشین, یادگیری عمیق, هوش مصنوعی 115 130 http://jhbmi.ir/browse.php?a_code=A-10-1086-1&slc_lang=fa&sid=1 2024/01/262024/03/12 1402/12/22 2024/09/112024/08/3 1403/5/13 Fereshteh Arad Mahani Math Center, Afzalipour Research Institute, Shahid Bahonar University of Kerman, Kerman, Iran فرشته آراد fereshteh_arad@math.uk.ac.ir 0031947532846009930 0031947532846009930 No پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران Seyyed Mohammad Mousavi Medical Informatics Research Center, Institute for Future Studies in Health, Kerman University of Medical Sciences, Kerman, Iran سید محمد موسوی mr.mousavi.khj@gmail.com 0031947532846009931 0031947532846009931 No مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی، دانشگاه علوم پزشکی کرمان، کرمان، ایران Soodeh Hosseini Mahani Math Center, Afzalipour Research Institute, Shahid Bahonar University of Kerman, Kerman, Iran سوده حسینی so_hosseini@uk.ac.ir 0031947532846009932 0031947532846009932 Yes پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران Maryam Amizade Mahani Math Center, Afzalipour Research Institute, Shahid Bahonar University of Kerman, Kerman, Iran مریم عامی زاده m.amizadeh@kmu.ac.ir 0031947532846009933 0031947532846009933 No پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران Ayyub Sheikhi Mahani Math Center, Afzalipour Research Institute, Shahid Bahonar University of Kerman, Kerman, Iran ایوب شیخی sheikhy.a@uk.ac.ir 0031947532846009934 0031947532846009934 No پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران

fa بررسی مسیرهای سیگنالی متابولیسمی در سلول‌های بنیادی سرطان گلیوبلاستوما به واسطه آنالیز‌های بیوانفورماتیک مقدمه:  گلیوبلاستوما یکی از سرطان‌های شایع مغزی بوده که نرخ مرگ و میر بالایی دارد. در این مطالعه با استفاده از آنالیز بیوانفورماتیک به بررسی و کاندید نمودن ژن‌های موجود در مسیرهای متابولیسمی سلول‌های بنیادی گلیوبلاستوما پرداخته شد. روش کار: در این مطالعه با مراجعه به پایگاه داده GEO دیتاست مناسب برای آنالیز انتخاب گردید. این دیتاست شامل پروفایل بیان ژنی در سلول‌های بنیادی جدا شده از بیماران گلیوبلاستوما بود. کلاسترهای ژنی با بیان بالا و پایین دسته‌بندی شدند. برای ارزیابی دقیق‌تر داده از پایگاه های داده غنی همچون Enrichr، STRING و GEPIA استفاده شد. در نهایت ژن‌هایی کاندید و جدا شدند. یافته‌ها: 1250 ژن در مسیر‌های بیوسنتز کلسترول، متابولیسم اینوزیتول تری فسفات، متابولیسم گرانیل گرانیل دی فسفات، بیوسنتز زیموسترول و متابولیسم فسفاتیدیل اینوزیتول بیان بالا داشته و 1030 ژن در مسیرهای کوندروییتین سولفات، درماتان سولفات، N استیل گلوکوزآمین، مسیر گلیکولیز بیان پایین داشتند. پس از ارزیابی ارتباط بین شبکه‌های پروتئینی، ژن‌های با بیان بالا و ژن‌های با بیان پایین انتخاب شدند. تمامی این ژن‌‌ها در منحنی بقاء، در بازه حدود 20 ماه، زنده مانی بیماران کمتر از 10% مشاهده شد. نتیجه‌گیری: نتایج این مطالعه نشان داد که ژن  DHCR7 به طور معنی‌داری افزایش بیان داشته و ژن ENO2 نیز به طور معنی‌داری کاهش بیان داشته و بقیه ژن‌ها افزایش بیان و کاهش بیان نسبی داشتند. Introduction: Glioblastoma is one of the common brain cancers that has a high mortality rate. In this study, the genes present in the metabolic pathways of glioblastoma stem cells were examined and nominated using bioinformatics analysis. Method: In this study, an appropriate dataset was selected for analysis by referring to GEO database. This dataset included gene expression profiles in stem cells isolated from glioblastoma patients. Gene clusters with high and low expression were categorized. Rich databases such as Enrichr, STRING, and GEPIA were used for more accurate data evaluation. Finally, candidate genes were isolated. Results: 1250 genes were highly expressed in cholesterol biosynthesis, inositol triphosphate metabolism, geranyl diphosphate metabolism, zymosterol biosynthesis, and phosphatidylinositol metabolism, and 1030 genes were low in chondroitin sulfate, dermatan sulfate, N acetyl glucosamine, and glycolysis pathways. After evaluating the relationship between protein networks, genes with high and low expression were selected. All these genes were observed in the survival curve, in about 20 months. The survival rate of patients was less than 10%. Conclusion: The results of this study showed that the DHCR7 gene had a significant increase in expression. However, the ENO2 gene had a significant decrease in expression. The rest of the genes had a relative increase and decrease in expression. Glioblastoma, Cancer Stem Cells, Gene Expression Profiles, Bioinformatics Analysis گلیوبلاستوما, سلول‌های بنیادی سرطانی, پروفایل بیان ژن و آنالیز بیوانفورماتیک 131 148 http://jhbmi.ir/browse.php?a_code=A-10-762-3&slc_lang=fa&sid=1 2024/01/262024/03/122024/06/9 1403/3/20 2024/09/112024/08/32024/08/3 1403/5/13 Mehdi Nizamali M.Sc. in Biology, Department of Biology, Islamshahr branch of Islamic Azad University, Islamshahr, Tehran, Iran مهدی نظاملی Mehdi.nezamly@gmail.com 0031947532846009935 0031947532846009935 No کارشناس ارشد زیست شناسی، گروه زیست شناسی، واحد اسلامشهر دانشگاه آزاد اسلامی، اسلامشهر، تهران، ایران Mahnaz Mohammadi Assistant Professor, Ph D. in Biology, Department of Biology, Islamshahr branch of Islamic Azad University, Islamshahr, Tehran, Iran مهناز محمدی mh_mohamadi@yahoo.com 0031947532846009936 2162-3376-0002-0000 Yes دکتری زیست شناسی، استادیار گروه زیست شناسی، گروه زیست شناسی، واحد اسلامشهر دانشگاه آزاد اسلامی ، اسلامشهر، تهران، ایران Masoumeh Nezhad Ali Lampajani Assistant Professor, Ph D. in Biology, Department of Biology, Islamshahr branch of Islamic Azad University, Islamshahr, Tehran, Iran معصومه نژادعلی لفمجانی Ma_nejadali@yahoo.com 0031947532846009937 9807-3931-0002-0000 No دکتری زیست شناسی، استادیار گروه زیست شناسی، گروه زیست شناسی، واحد اسلامشهر دانشگاه آزاد اسلامی ، اسلامشهر، تهران، ایران

fa شناسایی و معرفی الزامات طراحی برنامه خودمدیریتی تلفن‌همراه برای بیماران همودیالیز: یک مطالعه مقطعی مقدمه: همودیالیز یکی از رایج‌ترین روش‌های درمان بیماران مبتلا به نارسایی مزمن کلیه است. افرادی که تحت همودیالیز قرار دارند، با چالش‌های مختلف خودمدیریتی از قبیل مشکلات جسمی، عاطفی و روانی روبه‌رو می‌شوند. برنامه‌های کاربردی تلفن‌همراه به عنوان ابزاری مفید جهت روند خودمدیریتی بیماران مزمن می‌باشند. هدف از این مطالعه شناسایی و معرفی الزامات مورد نیاز در طراحی یک برنامه‌کاربردی خودمدیریتی مبتنی بر تلفن‌همراه برای بیماران تحت همودیالیز می‌باشد. روش کار: این مطالعه به صورت توصیفی-مقطعی در سال 1403 انجام شد. ابزار گردآوری داده‌ها یک پرسشنامه الکترونیکی محقق‌ساخته بود که شامل نیازهای اطلاعاتی-آموزشی و قابلیت‌های برنامه‌کاربردی بود. نیازسنجی از 33 نفر (11 پزشک و 22 بیمار) در بیمارستان افضلی‌پور شهر کرمان انجام شد. تجزیه و تحلیل داده‌ها با استفاده از نرم‌افزار SPSS نسخه 27 و آماری توصیفی صورت گرفت. یافته‌ها: در مجموع 89  نیازهای اطلاعاتی- آموزشی و قابلیت‌های برنامه‎کاربردی برای بیماران تحت همودیالیز شناسایی شد. عناصر داده شناسایی شده برای قابلیت‌های برنامه‌کاربردی در ده گروه پروفایل بیمار، داده بالینی، مدیریت مصرف دارو، مدیریت تغذیه و رژیم‌غذایی، مدیریت چالش‌های روانشناسی و روانپزشکی، مدیریت خواب، مدیریت درد، برقراری ارتباط، ورزش و ابزار‌‍‌های جانبی تقسیم شدند. مطابق با دیدگاه پزشکان و بیماران تمامی نیازهای اطلاعاتی- آموزشی (26 عنصر داده) و قابلیت‌های برنامه‌کاربردی (63 عنصر داده) به جزء نام‌خانوادگی، کد ملی و شماره تماس با کسب میانگینی بزرگ‌تر و مساوی 2/50 (50 درصد) برای طراحی برنامه‌کاربردی ضروری تلقی شدند. نتیجه‌گیری: نیازهای اطلاعاتی-آموزشی و قابلیت‌های برنامه‌کاربردی شناسایی شده در این مطالعه می‌تواند به طراحان در طراحی کارآمد و کاربرپسندبودن برنامه‌های کاربردی خودمدیریتی همودیالیز کمک کند.   Introduction: Hemodialysis is one of the most common methods of treating patients with chronic kidney failure. People undergoing hemodialysis face various self-management challenges such as physical, emotional, and psychological problems. Mobile phone applications are useful tools for the self-management process of chronic patients. The purpose of this study was to identify and introduce the requirements needed in designing a mobile phone-based self-management application for hemodialysis patients. Method: This descriptive cross-sectional study was conducted in 2024. The data collection tool was a researcher-made electronic questionnaire that included information-educational needs and application capabilities. A needs assessment was conducted on 33 people (11 doctors and 22 patients) in Afzalipour Hospital in Kerman. Data analysis was done using SPSS version 27 and descriptive statistics. Results: A total of 89 information-educational needs and application capabilities were identified for hemodialysis patients. The data elements identified for application capabilities were divided into 10 groups: patient profile, clinical data, medication administration, nutrition and dietary management, psychological and psychiatric challenges management, sleep management, pain management, communication, and exercise. According to the views of doctors and patients, all information-educational needs (26 data elements) and application capabilities (63 data elements) except surname, national code, and contact number, with an average greater than and equal to 2.50 (50 percent) were considered essential for designing an application program. Conclusion: The identified information-educational needs and the application capabilities in this study, can assist designers in creating efficient and user-friendly self-management applications for hemodialysis. Hemodialysis, Self-management, Application program, Mobile health همودیالیز, خودمدیریتی, برنامه‌کاربردی, سلامت همراه 149 161 http://jhbmi.ir/browse.php?a_code=A-10-636-3&slc_lang=fa&sid=1 2024/01/262024/03/122024/06/92024/09/22 1403/7/1 2024/09/112024/08/32024/08/32024/10/2 1403/7/11 Fatemeh Dinari Ph.D., Health Information Management, Department of Health Information Management, Faculty of Medical Information and Management, Health Human Resources Research Center, Shiraz University of Medical Sciences, Shiraz, Iran فاطمه دیناری fatemehdinari67@yahoo.com 0031947532846009530 0031947532846009530 No دانشجوی دکتری مدیریت اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، مرکز تحقیقات منابع انسانی سلامت، دانشگاه علوم پزشکی شیراز، شیراز، ایران Azadeh Bashiri Ph.D. in Health Information Management, Assistant Professor, Department of Health Information Management, School of Health Management and Information Sciences, Health Human Resources Research Center, Shiraz University of Medical Sciences, Shiraz, Iran آزاده بشیری bashiri.azadeh@gmail.com 0031947532846009531 0031947532846009531 No دکتری مدیریت اطلاعات سلامت، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، مرکز تحقیقات منابع انسانی سلامت، دانشگاه علوم پزشکی شیراز، شیراز، ایران Raziyeh Raufi MSc, Medical Librarianship and Informatics, Medical Informatics Research Center, Institute of Future Research in Health, Kerman University of Medical Sciences, Kerman, Iran راضیه رئوفی r.raufi@yahoo.com 0031947532846009532 0031947532846009532 No کارشناسی ارشد کتابداری و اطلاع‌رسانی پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران Khadijah Moulai Ph.D. in Medical Informatics, Assistant Professor, Department of Health Information Management, School of Management and Medical Information, Iran University of Medical Sciences, Tehran, Iran خدیجه مولایی moulaei.kh91@gmail.com 0031947532846009533 0031947532846009533 No دکترای انفورماتیک پزشکی، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Reza Moulai Orthopedic Resident, Faculty of Medicine, Tehran University of Medical Sciences, Tehran, Iran رضا مولایی Rezamoulaei@yahoo.com 0031947532846009534 0031947532846009534 Yes رزیدنت ارتوپدی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران

fa دوقلوی دیجیتال در سلامت مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد.  The article is a letter to the editor, so it does not have an abstract. Digital Twins دوقلوی دیجیتال 162 165 http://jhbmi.ir/browse.php?a_code=A-10-875-2&slc_lang=fa&sid=1 2024/01/262024/03/122024/06/92024/09/222024/07/22 1403/5/1 2024/09/112024/08/32024/08/32024/10/22024/07/31 1403/5/10 Amir Hossein Nabizadeh Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran / INESC-ID, Lisbon, Portugal امیرحسین نبی زاده رفسنجانی hossein.nabizadeh.r@gmail.com 0031947532846009387 0031947532846009387 Yes مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران / مؤسسه تحقیقاتی سیستم‌ها و کامپیوتر – تحقیق و توسعه، لیسبون، پرتغال

fa تحلیل قوانین ارتباطی در تجویز داروها با استفاده از الگوریتم FP-Growth به منظور بررسی تداخلات دارویی مقدمه: اکتشاف الگوهای پنهان در داده‌های دارویی، می‌تواند به بهبود عملکرد داروخانه‌های بیمارستانی کمک کند. یکی از کاربردهای الگوهای پیشرفته تحلیل داده‌ها، شناسایی تداخلات دارویی است. روش کار: این مطالعه به روش داده‌کاوی با استفاده از الگوریتم FP-growth در محیط نرم‌افزار RapidMiner Studio® 10.1 برای استخراج قواعد ارتباطی و الگوهای پرتکرار دارویی انجام گرفت. پیش‌پردازش داده‌ها و مدل‌سازی بر اساس مدل CRISP-DM انجام شد. نوع و سطح تداخلات دارویی بر اساس نتایج الگوریتم و با مراجعه به پایگاه اطلاعاتی www.drugs.com  تعیین گردید. یافته ها: نتایج شامل 17 قاعده ارتباطی و 126 الگوی تجویز دارو بود که از تک دارویی تا چهار دارویی متغیر است. از 64 الگوی تجویز دو دارویی، 56 مورد فاقد تداخل، 6 مورد با تداخل متوسط (Moderate)، 1 مورد با تداخل جزئی (‌‌Minor) و 1 مورد با تداخل شدید (Major) گزارش شد. همچنین، از 19 الگوی سه دارویی، 18 مورد بدون تداخل و تنها 1 مورد دارای تداخل متوسط بود. در الگوی تجویز چهار دارویی هیچ تداخلی مشاهده نشد.. نتیجه‌گیری: یافته‌های این مطالعه می‌تواند به ذی‌نفعان در بهبود زنجیره تأمین دارو، تجویز بهینه، کاهش تداخلات دارویی، کاهش هزینه‌ها کمک کند. چه بسا الگوهای کشف شده می‌توانند به عنوان بخشی از یک سیستم تصمیم یار بالینی مورد استفاده قرار بگیرند. هر چند که تداخلات دارویی قابل توجهی در این مطالعه مشاهده نشد، اما کشف حتی یک تداخل شدید (Major) اهمیت بسزایی دارد و نقش کاربردی کامپیوتر را در پزشکی می‌تواند آشکارتر سازد. Introduction: The discovery of hidden patterns in pharmaceutical data can contribute to improving the performance of hospital pharmacies. One of the applications of advanced data analysis techniques is the identification of drug interactions. Method: This study was conducted using data mining techniques with the FP-growth algorithm in the RapidMiner Studio® 10.1 environment to extract association rules and frequent pharmaceutical patterns. Data preprocessing and modeling were performed based on the CRISP-DM model. The type and level of drug interactions were determined based on the algorithm's results and by referencing the database at www.drugs.com. Results: The results included 17 association rules and 126 prescribing patterns, ranging from single-drug to four-drug combinations. Of the 64 two-drug prescribing patterns, 56 had no interaction, 6 had moderate interactions, 1 had a minor interaction, and 1 had a major interaction. Additionally, of the 19 three-drug patterns, 18 had no interaction, and only 1 had a moderate interaction. No interactions were observed in the four-drug prescribing pattern. Conclusion: The findings of this study can assist stakeholders in improving the pharmaceutical supply chain, optimizing prescriptions, reducing drug interactions, and lowering costs. The discovered patterns may also be used as part of a clinical decision support system. Although no significant drug interactions were observed in this study, the discovery of even one major interaction highlights its importance and further underscores the practical role of computer applications in medicine.   FP-Growth, CRISP-DM, Drug Interactions, RapidMiner, Association Rules FP-Growth,CRISP-DM , تداخلات دارویی,RapidMiner , قواعد همبستگی 166 175 http://jhbmi.ir/browse.php?a_code=A-10-213-3&slc_lang=fa&sid=1 2024/01/262024/03/122024/06/92024/09/222024/07/222024/09/11 1403/6/21 2024/09/112024/08/32024/08/32024/10/22024/07/312024/11/5 1403/8/15 Alihasan Ahmadipour PhD. Student in Medical Informatics, Faculty of Medical Sciences, Kerman University of Medical Sciences, Kerman, Iran علی حسن احمدی پور alihasanahmadipour@gmail.com 0031947532846009535 0009-0001-8209-9571 No دانشجوی دکتری انفورماتیک پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران Afshin Sarafinejad Associate Professor, PhD in Medical Informatics, Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran افشین صرّافی نژاد asarafinejad@kmu.ac.ir 0031947532846009536 0031947532846009536 Yes دکترای انفورماتیک پزشکی، دانشیار انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران