fa jalali 1404 9 1 gregorian 2025 12 1 12 3 online 1 fulltext

fa طبقه‌بندی بیماران اسکیزوفرنی با استفاده از شبکه عملکردی مغزی الکتروانسفالوگرافی (EEG) مقدمه: شبکه عملکردی مغز بر اساس الکتروانسفالوگرافی (EEG) به‌طور گسترده‌ای برای مطالعه فرآیندهای شناختی پویا و جریان پردازش اطلاعات در مغز و همچنین برای تشخیص بیماری‌های مغزی، مانند اسکیزوفرنی استفاده شده است. اسکیزوفرنی یک اختلال پیچیده با اختلال در شبکه‌های عملکردی و توجهی مغز است که بررسی دقیق آن نیازمند تحلیل‌های زمانی و شبکه‌ای پیشرفته می‌باشد. هدف این پژوهش، تحلیل الگوهای اتصال مؤثر مغزی در بیماران مبتلا به اسکیزوفرنی در مقایسه با افراد سالم به‌وسیله داده‌های EEG و استفاده از مدل‌های نوین یادگیری عمیق برای طبقه‌بندی این دو گروه است. روش کار: در این پژوهش اتصالات مغزی شبکه EEG  17 فرد سالم و 19 بیمار اسکیزوفرنی حین انجام تکلیفی که پردازش‌های بینایی یک‌طرفه با دوطرفه را مقایسه می‌کند، مورد تجزیه‌و‌تحلیل قرار می‌گیرد. پس از آماده‌سازی داده‌ها، گراف عملکردی مغزی حاصل از EEG استخراج شده و چهار معیار قدرت گره، بهره‌وری سراسری، ضریب خوشه‌بندی، شاخص ماژولاریتی محاسبه می‌شوند. سپس ویژگی‌های حاصله با استفاده از یک مدل یادگیری عمیق مبتنی بر LSTM برای طبقه‌بندی افراد سالم و بیمار به کار می‌روند. یافته‌ها: معیارهای  Precision, Accuracy, Recall و Fscore برای ارزیابی مدل به‌کار رفتند.  مقایسه مدل طبقه‌بندی پیشنهادی با مطالعات مشابه که از ویژگی‌های حاصل از اتصال عملکردی به طبقه‌بندی بیماران اسکیزوفرنی و افراد سالم پرداخته‌اند، نشان می‌دهد که دقت روش پیشنهادی (94%) از دقت به دست آمده از مطالعات مشابه بالاتر است. نتیجه‌گیری: این یافته نشان می‌دهد که مدل یادگیری عمیق بازگشتی مبتنی بر LSTM برای طبقه‌بندی بیماران اسکیزوفرنی از افراد سالم با استفاده از EEG مفید است، به‌علاوه نشان‌دهنده مفید بودن ویژگی‌های حاصله از گراف عملکردی مغز و همچنین تکلیف به کار‌رفته در این پژوهش است. دقت بالای به دست‌آمده نشان می‌دهد که نقص در شبکه مغزی مربوط به توجه در بیماران اسکیزوفرنی که حین مقایسه بین پردازش‌های بینایی یک‌طرفه با دوطرفه آشکار می‌گردد، اختلالی است که می‌تواند به‌خوبی این بیماران را از افراد سالم متمایز نماید.   Introduction: Functional brain connectivity derived from electroencephalography (EEG) has been widely used to investigate dynamic cognitive processes, information flow in the brain, and the diagnosis of neurological and psychiatric disorders such as schizophrenia. Schizophrenia is a complex disorder characterized by disruptions in functional and attentional brain networks. Accurately examining these alterations requires analytical approaches with high temporal resolution and network-based modeling capabilities. The aim of this study was to analyze patterns of effective brain connectivity in patients with schizophrenia compared with healthy individuals using EEG data and to apply advanced deep learning models for group classification. Method: This study analyzed EEG-based brain connectivity networks of 17 healthy participants and 19 patients with schizophrenia while they performed a task involving the comparison of unilateral and bilateral visual processing. After data processing, functional brain graphs were constructed, and four graph-theoretical metrics including node strength, global efficiency, clustering coefficient, and modularity index were calculated. These features were then used to classify healthy participants and patients with schizophrenia using a deep learning model based on a Long Short-Term Memory (LSTM). Results: The performance of the classification model was evaluated using accuracy, precision, recall, and F-score metrics. The proposed method achieved an accuracy of 94%, outperforming previous studies that classified patients with schizophrenia and healthy participants based on functional connectivity features. Conclusion: The results demonstrate the effectiveness of an LSTM-based recurrent deep learning model in distinguishing patients with schizophrenia from healthy individuals using EEG data. Additionally, the significance of features obtained from the functional brain graph and the task utilized is emphasized. The high classification accuracy suggests that the observed deficits in attention-related brain networks in patients with schizophrenia particularly during unilateral and bilateral visual processing. These deficits represent reliable neural markers differentiating patients with schizophrenia from healthy individuals. Schizophrenia, Classification, EEG, Functional connectivity اسکیزوفرنی, طبقه‌بندی, الکتروآنسفالوگرافی (EEG), اتصالات عملکردی 216 235 http://jhbmi.ir/browse.php?a_code=A-10-1089-2&slc_lang=fa&sid=1 2024/06/3 1403/3/14 2024/12/9 1403/9/19 Mohammad Reza Tamkin M.Sc in Electrical Engineering, Department of Electrical Engineering, Shahid Bahonar University of Kerman, Kerman, Iran محمدرضا تمکین mohammadreza.tamkin@yahoo.com 00319475328460010872 00319475328460010872 No کارشناسی ارشد رشته مهندسی برق، بخش مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران Hoda Jalalkamali Assistant Professor, PhD in Cognitive Neuroscience, Computer Engineering Department, Higher Education Complex of Zarand, Shahid Bahoner University of Kerman, Kerman, Iran هدی جلال کمالی hodajalalkamali@uk.ac.ir 00319475328460010873 00319475328460010873 Yes دکترای علوم اعصاب شناختی، استادیار گروه مهندسی کامپیوتر، مجتمع آموزش عالی زرند، دانشگاه شهید باهنر کرمان، کرمان، ایران Hossein Nezam Abadi-pour Professor, Department of Electrical Engineering, Shahid Bahonar University of Kerman, Kerman, Iran حسین نظام آبادی پور Nezam@uk.ac.ir 00319475328460010874 00319475328460010874 No استاد بخش مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران

fa پیش ‎بینی بیماری‎ های قلبی-عروقی از روی سیگنال‎ های EEG با استفاده از ترکیب شبکه YOLO و الگوریتم XGBoost مقدمه:  بیماری‌های قلبی-عروقی همچنان از اصلی‌ترین علل مرگ‌ومیر در سراسر جهان به شمار می‌روند و تشخیص زودهنگام آن‌ها اهمیت حیاتی در کاهش عوارض و مرگ دارد. روش‌های سنتی تشخیص این بیماری‌ها غالباً متکی بر تفسیر دستی سیگنال‌های قلبی بوده که زمان‌بر و وابسته به تجربه پزشک است. پیشرفت روش‌های یادگیری عمیق و داده‌کاوی امکان تحلیل خودکار سیگنال‌های پزشکی و شناسایی الگوهای پنهان را فراهم کرده است. در این پژوهش رویکردی نوین برای شناسایی بیماری‌های قلبی بر پایه سیگنال‌های ECG ارائه می‌شود. روش کار: در این مطالعه یک مدل ترکیبی مبتنی بر یادگیری عمیق طراحی شد که از شبکه YOLO (نسخه سریع) برای استخراج ویژگی‌های میان‌سطحی سیگنال‌های ECG و از الگوریتم XGBoost به‌منظور بهبود فرآیند طبقه‌بندی استفاده می‌کند. ابتدا داده‌های مربوط به پایگاه MIT-BIH Arrhythmia استخراج و پیش‌پردازش شدند. سپس، سیگنال‌ها به شبکه YOLO داده شدند تا بردارهای ویژگی استخراج گردد. خروجی شبکه به الگوریتم XGBoost داده شد تا طبقه‌بندی نهایی با ترکیب چندین درخت تصمیم ضعیف انجام گیرد. در نهایت، مدل پیشنهادی با روش‌های متداول موجود مقایسه شد. یافته‌ها: نتایج آزمایش‌ها نشان داد شبکه YOLO توانایی استخراج ویژگی‌های کلیدی از سیگنال‌های ECG را دارد و در ترکیب با XGBoost موجب افزایش دقت کلی مدل می‌شود. مدل پیشنهادی توانست نسبت به روش‌های پایه از جمله شبکه‌های عصبی ساده و SVM عملکرد بهتری ارائه دهد. در ارزیابی بر روی پایگاه داده MIT-BIH، دقت طبقه‌بندی مدل پیشنهادی به‌طور قابل توجهی افزایش یافت و شاخص‌هایی همچون حساسیت و ویژگی نیز بهبود پیدا کردند. این نتایج نشان می‌دهد استفاده همزمان از یادگیری عمیق و الگوریتم‌های تقویتی می‌تواند یک رویکرد کارآمد در تحلیل سیگنال‌های پزشکی باشد. نتیجه‌گیری: این پژوهش نشان داد که مدل ترکیبی YOLO-XGBoost روشی دقیق و نوآورانه برای شناسایی بیماری‌های قلبی بر اساس سیگنال‌های ECG است. این روش علاوه بر افزایش دقت طبقه‌بندی، قابلیت پیاده‌سازی در سیستم‌های پشتیبان تصمیم‌گیری بالینی را دارد و می‌تواند به عنوان ابزاری کارآمد در غربالگری بیماران مورد استفاده قرار گیرد. در آینده می‌توان این مدل را با داده‌های بیشتر و متنوع‌تر اعتبارسنجی کرده و در سامانه‌های هوشمند پزشکی یکپارچه‌سازی نمود. Introduction: Cardiovascular diseases continue to be one of the leading causes of mortality worldwide, making early detection crucial for reducing complications and fatalities. Traditional diagnostic methods often depend on the manual interpretation of cardiac signals, which can be time-consuming and reliant on the expertise of clinicians. However, advances in deep learning and data mining have facilitated the automated analysis of medical signals and the detection of hidden patterns. This study presents a novel approach to identifying cardiac diseases based on ECG signals. Method: In this study, we developed a hybrid deep learning model that utilizes the fast version of the YOLO network to extract mid-level features from ECG signals, combined with the XGBoost algorithm to improve classification performance. ECG signals from the MIT-BIH Arrhythmia Database were first extracted and preprocessed. These signals were then input into the YOLO network to generate feature vectors. The outputs of the network were subsequently fed into the XGBoost algorithm for final classification using an ensemble of multiple weak decision trees. Finally, we compared the proposed model with established conventional methods. Results: The results demonstrated that the YOLO network effectively extracts key features from ECG signals, and its integration with XGBoost significantly enhances overall model accuracy. The proposed model outperformed baseline methods, including simple neural networks and support vector machines (SVMs). Evaluation on the MIT-BIH Arrhythmia Database revealed substantial improvements in classification accuracy, as well as enhanced sensitivity and specificity. These findings indicate that combining deep learning with boosting algorithms provides an efficient approach for medical signal analysis. Conclusion: The YOLO-XGBoost hybrid model offers an accurate and innovative approach for detecting cardiac diseases from ECG signals. In addition to enhancing classification accuracy, this method is well-suited for implementation in clinical decision support systems and can serve as an efficient tool for patient screening. Future work could involve validating the model with larger and more diverse datasets and integrating it into intelligent medical systems. Heart disease, arrhythmia, deep learning, cardiac signals, YOLO, XGBoost. بیماری قلبی, آریتمی, یادگیری عمیق, سینگال‌های قلبی, YOLO, XGBoost 236 249 http://jhbmi.ir/browse.php?a_code=A-10-1178-1&slc_lang=fa&sid=1 2024/06/32025/06/1 1404/3/11 2024/12/92025/10/27 1404/8/5 Alireza Asghari Kiadeh M.Sc. Student, Department of Computer Engineering, FSh.C., Islamic Azad University, Fouman, Iran علیرضا اصغری کیاده mehrdad395.taha@gmail.com 00319475328460010879 00319475328460010879 No دانشجوی ارشد، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران Sara Motamed Associate Professor, Department of Computer Engineering, FSh.C., Islamic Azad University, Fouman, Iran سارا معتمد motamed.sarah@gmail.com 00319475328460010880 00319475328460010880 Yes استادیار، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران

fa توسعه مدل هستی‌شناسی زنجیره عرضه و تقاضای خون و فرآورده‌های خونی در ایران مقدمه: هستی‌شناسی به‌عنوان یک روش صوری برای نمایش دقیق مفاهیم، موجودیت‌ها و روابط آن‌ها، نقش مهمی در مدل‌سازی جریان کاری فرآیندهای پیچیده دارد. اگرچه مطالعات متعددی در این زمینه انجام شده، اما در ایران کاربرد مدل‌های هستی‌شناسی در زنجیره انتقال خون همچنان محدود است. این مطالعه با هدف توسعه یک مدل هستی‌شناسی عرضه و تقاضای خون در ایران انجام شده است تا از طریق یکپارچه‌سازی مفاهیم و فرآیندها، پشتیبانی تصمیم گیری، تبادل اطلاعات و بهبود کارایی و ایمنی در زنجیره انتقال خون فراهم شود. روش کار: برای توسعه مدل هستی‌شناسی از روش Methontology استفاده شد. مراحل این روش شامل تعیین مشخصات، کسب دانش، مفهوم‌سازی، یکپارچه‌سازی، پیاده‌سازی، ارزیابی و مستندسازی است. پیاده سازی هستی شناسی با کمک ویرایشگر  Protégé  نسخه 5.6.3  و ارزیابی کیفی مدل‌ها با رویکرد FOCA انجام شد. همچنین برای ارتقاء کیفیت مفهوم‌سازی فرآیندها، دو نمودار جریان داده  و خط شنا طراحی شدند. یافته‌ها: دو مدل هستی‌شناسی برای بیمارستان و سازمان انتقال خون توسعه یافت. مدل بیمارستان شامل ۲۶ کلاس و زیرکلاس، ۴۶ ویژگی رابطه‌ای، ۴۳ ویژگی داده‌ای و ۶۴۴ اکسیوم بود، در حالی که مدل سازمان انتقال خون شامل ۱۱ کلاس و زیرکلاس، ۲۴ ویژگی رابطه‌ای، ۲۵ ویژگی داده‌ای و ۳۱۸ اکسیوم بود. پس از تعریف اجزا و قوانین، مدل‌های گرافیکی هر دو هستی‌شناسی نیز طراحی شدند. ارزیابی کیفیت نشان داد که مدل بیمارستان با نمره 0/995 و مدل سازمان انتقال خون با نمره 0/951 از کیفیت بالایی برخوردارند. نتیجه‌گیری: طراحی و توسعه مدل هستی‌شناسی زنجیره عرضه و تقاضای خون، در درک دامنه فرآیندها، اشتراک‌گذاری داده‌ها، مستند‌سازی و انتقال دانش به کاربران کمک می‌کند. برای توسعه مؤثر یک هستی‌شناسی، برخورداری از شناخت دقیق و جامع نسبت به فعالیت‌ها، وظایف، مفاهیم و روابط حاکم بر دامنه مورد مطالعه، امری ضروری است. ارزیابی مدل‌های هستی‌شناسی نقش کلیدی در شناسایی نواقص مفهومی، بهینه‌سازی ساختار دانش، و بهبود فرآیندهای سازمانی دارد. Introduction: Ontology, as a formal method for accurately representing concepts, entities, and their relationships, plays a vital role in modeling complex processes. Despite numerous studies in this field, the application of ontology-based models in Iran’s blood transfusion chain remains limited. This study aims to develop an ontology model for blood supply and demand in Iran to support decision-making, facilitate information exchange, and enhance efficiency and safety in the blood transfusion chain by integrating relevant concepts and processes. Method: The METHONTOLOGY methodology was used to develop the ontology model, which includes the stages of specification, knowledge acquisition, conceptualization, integration, implementation, evaluation, and documentation. The ontology was implemented in Protégé (version 5.6.3), and its quality was assessed using the FOCA methodology. Additionally, two diagrams, a data flow diagram and a swimlane diagram, were created to enhance the conceptualization of processes. Results: Two ontologies were developed: one for hospitals and another for the Blood Transfusion Organization. The hospital ontology comprised 26 classes and subclasses, 46 object properties, 43 data properties, and 644 axioms. In contrast, the Blood Transfusion Organization ontology included 11 classes and subclasses, 24 object properties, 25 data properties, and 318 axioms. After defining the components and rules, graphical models of both ontologies were created. The quality evaluation results indicated high quality, with scores of 0.995 for the hospital model and 0.951 for the Blood Transfusion Organization model. Conclusion: Designing and developing an ontology model for the blood supply and demand chain enhances the understanding of domain processes, facilitates data sharing, and supports knowledge documentation and transfer to users. Effective ontology development requires a comprehensive understanding of the activities, tasks, concepts, and relationships within the target domain. Furthermore, ontology evaluation is crucial for identifying conceptual deficiencies, optimizing knowledge structures, and improving organizational processes. Ontology, Blood transfusion, blood supply, Hemovigilance هستی‌شناسی, انتقال خون, تأمین خون, هموویژیلانس 250 264 http://jhbmi.ir/browse.php?a_code=A-10-213-4&slc_lang=fa&sid=1 2024/06/32025/06/12025/09/15 1404/6/24 2024/12/92025/10/272025/12/8 1404/9/17 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 صرافی نژاد asarafinejad@kmu.ac.ir 00319475328460010881 00319475328460010881 No دکترای انفورماتیک پزشکی، دانشیار انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان،کرمان، ایران Mahdie ShojaeiBaghini Assistant Professor, PhD in 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 00319475328460010882 00319475328460010882 No دکترای مدیریت اطلاعات سلامت، استادیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران Alihasan Ahmadipour PhD Candidate in Medical Informatics, Faculty of Management and Medical Information Sciences, Kerman University of Medical Sciences, Kerman, Iran علی حسن احمدی پور Alihasanahmadipour@gmail.com 00319475328460010883 00319475328460010883 Yes دانشجوی دکتری انفورماتیک پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران

fa بررسی تجربیات سالمندان دچار سوختگی از توانبخشی حرکتی مبتنی بر فناوری کینکت: مطالعه کیفی مقدمه : افراد سالمند مبتلا به سوختگی با محدودیت های جسمی مواجه اند که فرآیند توانبخشی آنان را مختل می کند. اخیراً فناوری هایی مانند سیستم های حرکتی کینکت برای افزایش مشارکت بیماران به کار گرفته شده اند، اما اطلاعات اندکی از تجربه ها و برداشت های آنان وجود دارد. این مطالعه به بررسی تجربه های بیماران سالمندِ دچار سوختگی در انجام تمرین های توانبخشی حرکتی مبتنی بر کینکت می پردازد . روش کار : این پژوهش در بهار سال 1404 با رویکردی کیفی و روش تحلیل محتوای قراردادی انجام شد. مشارکت کنندگان به صورت هدفمند از میان مصدومین سالمند دچار سوختگی بستری شده در بخش سوختگی بیمارستان امام رضا (ع) مشهد انتخاب شدند که تجربه شرکت در برنامه توانبخشی حرکتی مبتنی بر فناوری کینیکت را داشتند. داده ها از طریق مصاحبه های نیمه ساختاریافته گردآوری و پس از پیاده سازی در نرم افزار Excel نسخه 2019 ، فرآیند کدگذاری و طبقه بندی آن ها انجام شد . یافته ها : تحلیل 18 مصاحبه فردی و یک جلسه بحث متمرکز، منجر به استخراج 215 کد اولیه در قالب چهار دسته اصلی و 12 زیرگروه طبقه بندی شد. چهار مضمون اصلی شامل: "از سردرگمی تا سازگاری"، "افزایش انگیزه و مشارکت در فرایند درمان"، "احساس استقلال و خودکارآمدی" و "احساس امنیت و راحتی با فناوری" بودند. به طور کلی نتایج نشان داد استفاده از فناوری در توانبخشی ابتدا با احساس ناآشنایی و اضطراب همراه بوده، اما ب همرور با افزایش اعتماد به نفس و حمایت متخصصان و خانواده، سازگاری بهبود یافت. این فناوری موجب افزایش انگیزه و مشارکت فعال بیماران در درمان، تداوم تمرین ها و تجربه لذت بخش تر از فرایند توانبخشی شد. همچنین، افزایش استقلال، خودکارآمدی و کاهش وابستگی به اطرافیان از دیگر پیامدهای مهم بود. در نهایت، فناوری با تقویت احساس امنیت، کنترل و کاهش استرس و درد حین تمرین ها، تجربه کلی درمان را بهبود بخشید. نتیجه گیری : توا نبخشی مبتنی بر کینکت می تواند مشارکت، استقلال و رضایت بیماران سالمندِ دچار سوختگی را ارتقاء دهد، اما لازم است چالش های فردی و زمینه ای مرتبط با استفاده از این فناوری، به ویژه در جمعیت سالمندان، مورد توجه قرار گیرد. Introduction: Elderly burn victims face physical limitations that hinder rehabilitation. Technologies like Kinect motion systems have been used to boost patient participation; however little is known about their experiences and perceptions. This study explores elderly burn patients’ experiences with Kinect-based motor rehabilitation. Method: This qualitative study was conducted in the spring of 2025 using a conventional content analysis approach. Participants were purposively selected from hospitalized older adults with burn injuries admitted to the Burn Unit of Imam Reza Hospital in Mashhad, Iran, all of whom had experience participating in a Kinect‑based technology‑assisted rehabilitation program. Data were collected through semi‑structured interviews. Following transcription, the data were managed in Microsoft Excel (version 2019) and systematically coded and categorized. Results: Analysis of 18 individual interviews and one focus group discussion yielded 215 initial codes, organized into four main categories and 12 subcategories. The four themes were: "from confusion to adaptation", "enhanced motivation and engagement in the treatment process", "perceived independence and self- efficacy", and "sense of safety and comfort with technology". Findings revealed that while the use of technology in rehabilitation was initially associated with feelings of unfamiliarity and anxiety, adaptation improved over time through increased selfconfidence and support from healthcare professionals and family members. Technology enhanced patients’ motivation, active participation, and adherence to rehabilitation exercises, making the process more enjoyable. Additionally, increased independence, improved selfefficacy, and reduced reliance on others emerged as key outcomes. Ultimately, the technology fostered a sense of safety and control, reduced stress and pain during exercises, and improved the overall rehabilitation experience. Conclusion: Kinect-based rehabilitation can enhance elderly burn victims’ participation, independence, and satisfaction; however, individual and contextual challenges must be addressed for effective use in this population. Rehabilitation, Kinect, Elderly, Burns, Qualitative Study, Lived Experience توانبخشی, کینکت, سالمندان, سوختگی, مطالعه کیفی, تجربه زیسته 265 276 http://jhbmi.ir/browse.php?a_code=A-10-1207-1&slc_lang=fa&sid=1 2024/06/32025/06/12025/09/152025/09/29 1404/7/7 2024/12/92025/10/272025/12/82025/11/27 1404/9/6 Kolsoum Deldar Assistant Professor, PhD in Medical Informatics, Department of Health Information Technology, School of Allied Medical Sciences, Shahrud University of Medical Sciences, Shahroud, Iran کلثوم دلدار deldark@gmail.com 00319475328460010893 00319475328460010893 No دکترای انفورماتیک پزشکی، استادیار گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران Seyed Hasan Tavousi Associate Professor, MD, Department of General Surgery, School of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran سیدحسن طاووسی TavoosiH@mums.ac.ir 00319475328460010894 00319475328460010894 No پزشک، دانشیار گروه جراحی عمومی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران Farnoosh Khodabandeloo MD, Department of Surgery, School of Medicine, North Khorasan University of Medical Sciences, Bojnourd, Iran فرنوش خدابنده لو f.khodabandeloo@yahoo.com 00319475328460010895 00319475328460010895 No پزشک، گروه جراحی، دانشکده پزشکی، دانشگاه علوم پزشکی خراسان شمالی، بجنورد، ایران Mohsen Rakhsha MD, Department of Surgery, School of Medicine, North Khorasan University of Medical Sciences, Bojnourd, Iran محسن رخشا narges142001@yahoo.com 00319475328460010896 00319475328460010896 No پزشک، گروه جراحی، دانشکده پزشکی، دانشگاه علوم پزشکی خراسان شمالی، بجنورد، ایران Razieh Froutan Associate Professor, PhD in Nursing, Nursing and Midwifery Care Research Center, Mashhad University of Medical Sciences, Mashhad, Iran راضیه فروتن rfrotan@yahoo.com 00319475328460010897 00319475328460010897 Yes دکترای پرستاری، دانشیار مرکز تحقیقات مراقبت‌های پرستاری و مامائی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

fa مرور نقادانه نوآوری‌های هوش مصنوعی در پیش‌بینی سمیت و مراقبت‌های شخصی‌سازی‌شده مقدمه: سم‌شناسی پیش‌بینانه با بهره‌گیری از هوش مصنوعی(Artificial Intelligence) AI به‌عنوان یک رویکرد نوین، امکان ارزیابی سریع، دقیق و مقرون‌به‌صرفه سمیت مواد شیمیایی، داروها و آلاینده‌های محیطی را فراهم کرده است. این حوزه با کاهش وابستگی به آزمون‌های سنتی آزمایشگاهی و حیوانی، نقش مهمی در توسعه دارو، پزشکی شخصی‌سازی‌شده و ارتقای سلامت محیطی ایفا می‌کند. هدف از این مطالعه، مرور نقادانه پیشرفت‌های اخیر در کاربردهای هوش مصنوعی در سم‌شناسی پیش‌بینانه و بررسی فرصت‌ها و چالش‌های موجود در این زمینه است. روش کار: این مرور نقادانه روایی با جستجوی سیستماتیک در پایگاه‌های علمی PubMed، Scopus، ScienceDirect و Google Scholar انجام شد. کلیدواژه‌هایی نظیر Artificial Intelligence، Predictive Toxicology و Personalized Medicine برای شناسایی مقالات مرتبط استفاده شدند. مقالات بر اساس معیارهای ورود (تمرکز بر روش‌های یادگیری ماشین، انتشار از 2000 به بعد، دسترسی به متن کامل) و خروج (مقالات غیرمرتبط یا فاقد داده‌های تجربی) انتخاب و به‌صورت انتقادی بررسی شدند. یافته‌ها: الگوریتم‌های یادگیری ماشین و یادگیری عمیق، مدل‌های پیش‌بینانه مانند QSAR، سم‌ژن‌شناسی و مدل‌سازی مولکولی را تقویت کرده‌اند. این فناوری‌ها دقت پیش‌بینی سمیت را افزایش داده، غربالگری ترکیبات را تسریع کرده و نیاز به آزمایش‌های حیوانی را کاهش داده‌اند. در پزشکی شخصی، AI با تحلیل پروفایل‌های ژنتیکی، سمیت داروها را پیش‌بینی و دوزهای درمانی را بهینه می‌کند. در سلامت محیطی، داده‌های حسگرهای پوشیدنی برای پایش اثرات آلاینده‌ها تحلیل می‌شوند. چالش‌هایی مانند کمبود داده‌های باکیفیت، تفسیرپذیری محدود مدل‌ها و موانع نظارتی همچنان وجود دارند. نتیجه‌گیری: هوش مصنوعی ظرفیت بالایی برای تحول سم‌شناسی پیش‌بینانه و ارتقای ایمنی انسان و محیط زیست دارد. استانداردسازی داده‌ها، توسعه مدل‌های هوش مصنوعی قابل توضیح و تدوین چارچوب‌های نظارتی کارآمد، برای بهره‌برداری کامل از این فناوری ضروری است. جهت‌گیری‌های آینده شامل پایش بلادرنگ سمیت و ادغام هوش مصنوعی با فناوری‌های نوظهور مانند CRISPR خواهد بود. این رویکردها می‌توانند به تصمیم‌گیری دقیق‌تر، کاهش عدم‌قطعیت در ارزیابی ریسک و تسریع گذار به سم‌شناسی پیشگیرانه و شخصی‌سازی‌شده منجر شوند. Introduction: Predictive toxicology utilizing artificial intelligence (AI) enables rapid, accurate, and cost-effective assessment of the toxicity of chemicals, pharmaceuticals, and environmental pollutants. By reducing reliance on traditional in vitro and animal testing, this field plays a critical role in drug development, personalized medicine, and environmental health. This study reviews recent advances in AI applications in predictive toxicology and examines the associated opportunities and challenges. Method: This narrative critical review was conducted through a systematic search of scientific databases, including PubMed, Scopus, ScienceDirect, and Google Scholar. Keywords such as "Artificial Intelligence", "Predictive Toxicology," and "Personalized Medicine" were used to identify relevant articles. Articles were selected based on inclusion criteria (focusing on machine learning methods, published from 2000 onward, and full-text availability) and exclusion criteria (irrelevant articles or those lacking experimental data), and were critically evaluated. Results: Machine learning and deep learning algorithms have enhanced predictive models such as QSAR, toxicogenomics, and molecular modeling. These technologies have improved the accuracy of toxicity predictions, accelerated compound screening, and reduced the need for animal testing. In personalized medicine, AI predicts drug toxicity and optimizes therapeutic dosages by analyzing genetic profiles. In environmental health, wearable sensor data are analyzed to monitor the pollution effects. However, challenges include limited high-quality data, restricted model interpretability, and regulatory barriers. Conclusion: Artificial intelligence has significant potential to transform predictive toxicology and enhance human and environmental safety. To fully harness this technology, data standardization, the development of explainable AI models, and the establishment of effective regulatory frameworks are essential. Future directions include real-time toxicity monitoring and the integration of AI with emerging technologies such as CRISPR. These approaches can lead to more informed decision-making, reduced uncertainty in risk assessment, and an accelerated transition toward preventive and personalized toxicology. Artificial Intelligence, Toxicity Prediction, Personalized Medicine, Machine Learning, Toxicogenomics, Molecular Modeling هوش مصنوعی, پیش‌بینی سمیت, پزشکی شخصی‌سازی‌شده, یادگیری ماشین, سم‌ژن‌شناسی, مدل‌سازی مولکولی 277 293 http://jhbmi.ir/browse.php?a_code=A-10-1185-1&slc_lang=fa&sid=1 2024/06/32025/06/12025/09/152025/09/292025/07/13 1404/4/22 2024/12/92025/10/272025/12/82025/11/272025/11/11 1404/8/20 Sakineh Khanamani Falahatipour Assistant Professor, Department of Comparative Biosciences, Faculty of Veterinary Medicine, University of Tehran, Tehran, Iran. سکینه خنامانی فلاحتی پور falahatipour@ut.ac.ir 00319475328460010884 00319475328460010884 No استادیار، گروه علوم زیستی مقایسه ای، دانشکده دامپزشکی دانشگاه تهران، تهران، ایران Motahareh Soltani Researcher, Pistachio Safety Research Center, Rafsanjan University of Medical Sciences, Rafsanjan, Iran مطهره سلطانی motahareh.soltani@gmail.com 00319475328460010885 00319475328460010885 No Somayyeh Karami-Mohajeri Associate Professor, Pharmaceutical Research Center, Institute of Neuropharmacology, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran سمیه کرمی مهاجری somayyehkarami3@gmail.com 00319475328460010886 00319475328460010886 No دانشیار، مرکز تحقیقات فارماسیوتیکس، پژوهشکده نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران Amirreza Ghasemloo Faculty of Mathematical Sciences and Computer, Kharazmi University, Tehran, Iran امیررضا قاسملو ar.ghassemlou.2015@gmail.com 00319475328460010887 00319475328460010887 No پژوهشگر، دانشکده علوم ریاضیات و کامپیوتر ، دانشگاه خوارزمی، تهران، ایران Soudeh Khanamani Falahati-pour Associate Professor, Pistachio Safety Research Center, Rafsanjan University of Medical Sciences, Rafsanjan, Iran سوده خنامانی فلاحتی پور FALAHATI7777@yahoo.com 00319475328460010888 00319475328460010888 No دانشیار، مرکز تحقیقات سلامت پسته، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران Salimeh Khanamani Falahatipour Researcher, Computer Engineering Department, Faculty of Engineering, Shahid Bahonar University, Kerman, Iran سلیمه خنامانی فلاحتی پور Sali.falahati@gmail.com 00319475328460010889 00319475328460010889 No پژوهشگر، گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران Zohreh Oghabian Assistant Professor, Pharmaceutical Research Center, Institute of Neuropharmacology, Faculty of Pharmacy, Kerman University of Medical Sciences, Kerman, Iran زهره عقابیان zoghabian@yahoo.com 00319475328460010890 00319475328460010890 Yes استادیار، مرکز تحقیقات فارماسیوتیکس، پژوهشکده نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران

fa راندهای بالینی مبتنی بر پزشکی از راه دور: راهکاری برای ارتقای ایمنی بیماران در بیمارستان‌های آموزشی 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. Medical Education, Telemedicine, Health Informatics, Clinical Rounds آموزش پزشکی, پزشکی از راه دور, انفورماتیک سلامت, راند بالینی 294 297 http://jhbmi.ir/browse.php?a_code=A-10-1212-1&slc_lang=fa&sid=1 2024/06/32025/06/12025/09/152025/09/292025/07/132025/10/6 1404/7/14 2024/12/92025/10/272025/12/82025/11/272025/11/112025/12/7 1404/9/16 Amin Beigzadeh Ph.D. in Medical Education, Assistant Professor, Education Development Center, Sirjan School of Medical Sciences, Sirjan, Iran. امین بیگ زاده beigzadeh.amin@gmail.com 00319475328460010891 00319475328460010891 No دکتری تخصصی آموزش پزشکی، استادیار، مرکز مطالعات و توسعه آموزش پزشکی، دانشکده علوم پزشکی سیرجان، سیرجان، ایران Mahdieh Montazeri Ph.D. in Medical Informatics, Assistant Professor, Department of Health Information Sciences, Faculty of Management and Medical Information Sciences, Kerman University of Medical Sciences, Kerman, Iran مهدیه منتظری Mahdiehmontazeri@yahoo.com 00319475328460010892 00319475328460010892 Yes دکتری تخصصی انفورماتیک پزشکی، استادیار، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران