ORIGINAL_ARTICLE مقدمه: از آنجا که تأخیر یا اشتباه در تشخیص اختلالات خلقی به‌دلیل تشابه علائم، مانع درمان مؤثر می‌شود، هدف تحقیق حاضر، تشخیص دقیق اختلالات خلقی، شامل روان‌پریشی، اوتیسم، اختلال شخصیت، دوقطبی، افسردگی و اسکیزوفرنی، از طریق مدل‌سازی و تحلیل داده‌های بیماران است. روش: داده‌های جمع‌آوری شده در این پژوهش کاربردی-توسعه‌ای دربردارنده 996 رکورد با 130 ویژگی بود که با مصاحبه و تکمیل پرسشنامه‌ها در یک بیمارستان روان‌پزشکی در شهر ساری، ایران در سال 1400 گردآوری شد. پس از پیش‌پردازش داده‌ها، تعداد ویژگی‌ها با تحلیل همبستگی به 91 و سپس با تحلیل مؤلفه‌های اصلی (PCA) به 35 فاکتور کاهش یافت. مدل‌سازی داده‌ها در نرم‌افزار پایتون با الگوریتم‌های K نزدیک‌ترین همسایه(KNN)، نایو بیز (NB)، درخت تصمیم (DT)، جنگل تصادفی (RF)، رگرسیون لجستیک (LR) و ماشین بردار پشتیبان (SVM) صورت گرفت. عملکرد مدل‌ها ارزیابی گردید و پارامترهای الگوریتم‌های با دقت بالاتر توسط الگوریتم‌های فراابتکاری بهینه‌سازی ازدحام ذرات (PSO) و ژنتیک (GA) تخمین زده شد. نتایج: از بین الگوریتم‌های یادگیری ماشین، دو الگوریتم RF با دقت 91 و SVM با دقت 90 درصد عملکرد بهتری داشتند. GA افزایش دقت قابل‌ملاحظه‌ای ایجاد نکرد، اما درنظرگرفتن مقادیر 30، 150، 0/9، 2 و 2 به‌ترتیب به‌عنوان تعداد ذرات، تعداد تکرار الگوریتم، ضریب اینرسی، ضریب شخصی و ضریب اجتماعی در الگوریتم PSO دقت پیش‌بینی را تا 3/3 درصد بهبود بخشید. نتیجه‌گیری: با خطای طبقه‌بندی کمتر نسبت به پژوهش‌های مشابه، مدل PSO-SVM طراحی شده در این پژوهش با دقت قابل قبولی می‌تواند در پایش داده‌های بیماران به‌کار گرفته شده و در سامانه‌های هوشمند مراکز روان‌پزشکی مورد استفاده قرار گیرد.   http://jhbmi.ir/article-1-712-fa.pdf 2023-01-24 106 119 10.34172/jhbmi.2022.01 اختلال روانی یادگیری ماشین الگوریتم‌های فرا ابتکاری داده‌کاوی پیش‌بینی Introduction: Since the delay or mistake in the diagnosis of mood disorders due to the similarity of their symptoms hinders effective treatment, this study aimed to accurately diagnose mood disorders including psychosis, autism, personality disorder, bipolar, depression, and schizophrenia, through modeling and analyzing patients' data. Method: Data collected in this applied developmental research included 996 records with 130 features obtained by interviewing and completing questionnaires in a mental hospital in the city of Sari, Iran in 2021. After preprocessing, the number of features was reduced to 91, and then through Principal Component Analysis (PCA) reduced to 35 factors.  Modeling was done in Python software with K-Nearest Neighbor (KNN), Naive Bayes (NB), Decision Tree (DT), Random Forest (RF), Logistic Regression (LR), and Support Vector Machine (SVM) algorithms. The models were evaluated to select algorithms with higher accuracy. Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) were applied to determine the optimal parameters of the selected algorithms. Results: Among the machine learning algorithms, random forest with 91% accuracy and support vector machine with 90% accuracy showed better performance. The genetic algorithms did not make any notable increase in prediction accuracy. Whereas considering N=30, T=150, W=0.9, c1=2, and c2=2 in the particle swarm optimization algorithm increased the prediction accuracy up to 3.3 %. Conclusion: With less classification error compared to similar studies, the PSO-SVM model designed in this study can be used in patient data monitoring with acceptable accuracy and can be used in intelligent systems in psychiatric centers. http://jhbmi.ir/article-1-712-en.pdf 2023-01-24 106 119 10.34172/jhbmi.2022.01 Mood Disorder Machine Learning Meta-Heuristic Algorithms Data Mining Prediction Mana Fariborzi maanaafariborzi@gmail.com 1 M.Sc. in Industrial Engineering, Department of Industrial Engineering, Faculty of Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran AUTHOR https://orcid.org/0000-0002-1349-0198 Masoomeh Zeinalnezhad m.zeinalnezhad@gmail.com 2 Ph.D. in Industrial Engineering, Assistant Professor, Department of Industrial Engineering, Faculty of Engineering, West Tehran Branch, Islamic Azad University, Tehran, Iran AUTHOR https://orcid.org/0000-0001-6767-1157 Abbas Saghaei 3 Ph.D. in Industrial Engineering, Professor, Department of Industrial Engineering, Faculty of Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran AUTHOR

ORIGINAL_ARTICLE مقدمه: زنجیره بلوکی، یک فناوری پرکاربرد در حوزه سلامت است؛ اما به کارگیری آن با چالش‌هایی نیز همراه می‌باشد. با شناسایی این چالش‌ها، می‌توان مسیر رسیدن به بلوغ زنجیره بلوکی، در این حوزه را هموارتر نمود. هدف از این پژوهش، شناسایی چالش‌های مدل بلوغ فناوری زنجیره بلوکی در سازمان‌های سلامت محور می‌باشد. روش: در این مطالعه کیفی به شیوه پدیدار‌شناسی، انجام شد. جامعه آماری‌، خبرگان حوزه فناوری زنجیره بلوکی بودند که تعداد 12 نفر از میان آن‌ها جهت انجام مصاحبه عمیق انتخاب شدند. روایی یافته‌ها با روش‌های تطبیق توسط اعضا و بررسی همکار تضمین شد. به طوری که مشارکت‌کنندگان، فرآیند تحلیل داده‌های اولیه (نتایج مصاحبه) را بازبینی و در بررسی همکار، اساتید راهنما، مشاور و دو تن از دانشجویان دکتری در مورد یافته‌ها اظهار نظر کردند. جهت تجزیه و تحلیل داده‌ها از کدگذاری باز و محوری، استفاده شده است. نتایج: چالش‌های مدل‌، در بخش‌های فنی و سازمانی، در قالب الگوی ساختاری ترسیم و ارائه شده است. در مدل حاصل هر یک از مقوله‌ها با زیر مجموعه خود مشخص شده که میزان فراوانی آن‌ها جهت اولویت‌بندی و تعیین میزان اهمیت آن‌ها نیز در مدل مشخص شده‌اند. نتیجه‌گیری: در سازمان‌های سلامت محور، چالش‌های امنیت اطلاعات در بخش فنی و شفافیت در ساختار سازمانی، از جمله مهم‌ترین چالش‌ها مطرح شده‌اند. امنیت داده‌ها به واسطه اهمیت بالای حفظ آن‌ها و نیز ایجاد شفافیت، به دلیل عدم امکان دستکاری داده‌ها، چالش‌هایی هستند که اگر ساده انگارانه از کنار آن‌ها بگذریم، فرآیند رسیدن به بلوغ فناوری در سازمان‌های سلامت محور را با شکست مواجه خواهد کرد.   http://jhbmi.ir/article-1-699-fa.pdf 2023-01-24 120 129 10.34172/jhbmi.2022.02 ریسک‌ها و چالش‌ها مدل بلوغ فناوری زنجیره بلوکی سازمان‌های سلامت محور زنجیره بلوکی پدیدار شناسی Introduction: Blockchain is a widely used technology in the health area; however, it also comes with challenges. By identifying these challenges, the road to blockchain maturity can be made smoother in this field. This study aimed to identify the challenges of the blockchain technology maturity model in health-oriented organizations. Method: In this phenomenological qualitative study, experts in the field of blockchain technology were the statistical population 12 of whom were selected to conduct an in-depth interview. The validity of the findings was guaranteed by the methods of matching by members and peer review. In this manner, the participants reviewed the process of primary data (interview results) analysis. And in the peer review procedure, supervisors, advisors, and two doctoral students commented on the findings. To analyze the data, open and axial coding was used. Results: The challenges of this model, in the technical and organizational sections, have been drawn and presented in the form of a structural model. In the resulting model, each of the categories is specified with its subset, and their frequency is also specified in the model to prioritize and determine their importance. Conclusion: In health-oriented organizations, the challenges of information security in the technology sector and transparency in the organizational structure are among the most important challenges. The security of data, due to the high importance of maintaining them, and creating transparency, due to the impossibility of manipulating data, are challenges that if ignored, the process of reaching technology maturity in health-oriented organizations will fail. http://jhbmi.ir/article-1-699-en.pdf 2023-01-24 120 129 10.34172/jhbmi.2022.02 Risks and Challenges Blockchain Technology Maturity Model Health-Oriented Organizations Blockchain Technology Phenomenology Hamideh Aliakbarpour aliakbarpour@arakmu.ac.ir 1 PhD Student in Information Technology Management, Faculty of Management, Islamic Azad University, South Tehran Branch, Tehran, Iran AUTHOR https://orcid.org/0000-0002-7495-7978 Ashraf Shahmansoury shahmansouryashrf@gmail.com 2 PhD in Business Administration, Assistant Professor, South Tehran Branch, Islamic Azad University, Tehran, Iran AUTHOR https://orcid.org/0000-0002-0519-1198 Ghasemali Bazaee ghasemalibazaee@gmail.com 3 PhD in Management and Administrative Sciences, Assistant Professor, Central Tehran Branch, Islamic Azad University, Tehran, Iran AUTHOR https://orcid.org/0000-0002-7915-4074

ORIGINAL_ARTICLE مقدمه: با رشد سریع فناوری اطلاعات و انتظارات محیط‌های مراقبت بهداشتی، حضور پرستارانی با شایستگی انفورماتیک در محیط مراقبت به منظور استفاده و مدیریت مؤثر اطلاعات مراقبت بهداشتی در ارائه مراقبت بهداشتی ضروری به نظر می‌رسد؛ لذا این مطالعه با هدف ارزیابی صلاحیت فناوری اطلاعات پرستاران بخش‌های مراقبت ویژه از دیدگاه خود آن‌ها انجام شد. روش: این پژوهش یک مطالعه مقطعی بود که با هدف بررسی صلاحیت فناوری اطلاعات پرستاران بخش‌های مراقبت‌های ویژه بیمارستان‌ افضلی‌پور دانشگاه علوم پزشکی کرمان در سال 1401  انجام شد. جامعه این مطالعه پرستاران (اعم از رسمی، پیمانی، قراردادی و طرحی) شاغل در بخش مراقبت‌های ویژه (ICU ,CCU) بودند که تعداد آن‌ها در زمان مطالعه جمعاً 60 نفر بود که به صورت سرشماری وارد مطالعه شدند. ابزار مورد استفاده در این پژوهش، پرسشنامه صلاحیت فناوری اطلاعات پرستاری (Nursing Informatics Competency Assessment Tool) NICAT بود. نتایج: یا یافته‌های مطالعه نشان داد میانگین نمره صلاحیت فناوری اطلاعات پرستاران بخش مراقبت‌های ویژه ( 0/85± 2/70) در محدوده «با صلاحیت» می‌باشد. یافته‌ها نشان داد بیشترین نمره صلاحیت فناوری اطلاعات پرستاران مطالعه مربوط به بعد سواد کامپیوتر (0/93±2/82) و کمترین نمره مربوط به بعد مهارت‌های مدیریت اطلاعات (0/85± 2/58) بود. نتیجه‌گیری: پیشنهاد می‌شود مدیران پرستاری بالینی با اجرای برنامه‌های آموزشی در زمینه «سواد اطلاعاتی در بیمارستان»، به خصوص در بُعد مهارت‌های مدیریت اطلاعات که کمترین میانگین نمره را داشت، صلاحیت فناوری اطلاعات پرستاران را ارتقاء دهند تا آنان بتوانند با استفاده از آخرین شواهد مراقبت مؤثرتری را در بالین ارائه دهند.   http://jhbmi.ir/article-1-732-fa.pdf 2023-01-24 130 137 10.34172/jhbmi.2022.03 صلاحیت فناوری اطلاعات پرستاری مراقبت ویژه Introduction: With the rapid growth of information technology (IT) and the expectations of health care environments, the presence of nurses with informatics skills in the health care environment to effectively use and manage health care information in health care delivery seems necessary; therefore, this study was conducted to evaluate the IT competency of special care nurses from their point of view. Method: This cross-sectional study aimed to investigate the IT competency of nurses in the special care departments of Afzalipur Hospital of Kerman University of Medical Sciences in 1400 SH. The study population included 60 nurses working in the intensive care units (ICU and CCU) who were included in the study using a census method. The Nursing Informatics Competency Assessment Tool (NICAT) was used in this research. Results: The findings of the study showed that the average score of IT qualification of nurses in the special care department (2.70 ± 0.85) is within the range of “competent”. The data showed that the highest score of IT competency of the studied nurses was attributed to the computer literacy section (2.82±0.93), and the lowest score was related to the information management skills section (2.58±0.85). Conclusion: It is suggested that clinical nursing managers improve the IT competency of nurses by implementing educational programs in the field of “IT literacy in the hospital”, especially in the division of information management skills which had the lowest average score, so that they can use the latest evidence to provide more effective care at the bedside.   http://jhbmi.ir/article-1-732-en.pdf 2023-01-24 130 137 10.34172/jhbmi.2022.03 Technology Competency Information Nursing Critical Care Units Jamileh Farokhzadian farokhzadian2010@yahoo.com 1 PhD in Nursing, Associate Professor, Nursing Research Center, Kerman University of Medical Sciences, Kerman, Iran AUTHOR https://orcid.org/0000-0002-9621-3486 Somayeh Jouparinejad 2 MSc in Nursing, Shafa hospital, Kerman University of Medical Sciences, Kerman, Iran AUTHOR Hojjat Farahmandnia hojat.sheikhbardsiri@gmail.com 3 PhD in Health in Disasters and Emergencies, Assistant Professor, Health in Disasters and Emergencies Research Center, Future Research Institute in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR https://orcid.org/0000-0002-3264-6792

ORIGINAL_ARTICLE مقدمه: در دنیای امروزی مفهوم مراقبت سلامت روان الکترونیکی مطرح است که به کمک آن مراقبت‌ها، مهارت‌ها دیگر محدود به موقعیت زمانی و مکانی افراد نمی‌باشد و افراد نیازمند به مراقبت روانی می‌توانند با دریافت و نصب برنامه‌های کاربردی (اپلیکیشن) روی تلفن همراه از این خدمات بهره‌مند شوند. نرم‌افزار کاربردی کاگنو ژن (Cognogene) برای ارائه خدمات سلامت روان الکترونیکی در بستر تلفن‌های هوشمند به وجود آمده است. این پژوهش با هدف بررسی اثر بخشی برنامه کاربردی «کاگنو ژن» ﺑﺮ مهارت‌های ارتباطی در میان دانشجویان انجام شد. روش: جامعه آماری این پژوهش 104 دانشجوی شاغل به تحصیل دانشگاه تهران در نیمسال اول سال تحصیلی 1401-1400 در نظر گرفته شد. تعداد 52 ﻧﻔﺮ در ﮔﺮوه آزﻣﺎیﺶ و 52 ﻧﻔﺮ در ﮔﺮوه ﮐﻨﺘﺮل به صورت تصادفی انتخاب شدند. گروه آزمایش، آﻣﻮزش اﻟﮑﺘﺮوﻧﯿﮑﯽ (شامل ویدئوکلیپ‌ها، تمرین روزانه، برنامه‌های انگیزشی) را در 21 جلسه دریافت کردند و گروه ﮐﻨﺘﺮل مداخله‌ای دریافت نکرد. برای جمع‌آوری داده‌ها، از ﭘﺮﺳﺸﻨﺎﻣﻪ مهارت‌های ارتباطی کوئین دام در دو مرحله ﭘﯿﺶآزﻣﻮن و ﭘﺲآزﻣﻮن استفاده ﺷﺪ. داده‌ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از روش ﺗﺤﻠﯿﻞ واریانس یک طرفه ﺗﺤﻠﯿﻞ شدند. نتایج: یافته‌ها ﻧﺸﺎن داد ﮐﻪ مداخله صورت گرفته باعث ایجاد تفاوتی معنادار در میانگین همه شاخص‌های مورد پژوهش مهارت‌های ارتباطی به جزء شاخص‌های «دریافت و ارسال پیام» و «کنترل عاطفی» گردیده است. نتیجه‌گیری: آموزش از طریق برنامه کاربردی «کاگنو ژن» می‌تواند به عنوان مکمل همراه سایر روش‌های آموزشی دیگر برای بهبود مهارت‌های ارتباطی استفاده گردد.   http://jhbmi.ir/article-1-717-fa.pdf 2023-01-24 138 147 10.34172/jhbmi.2022.04 سلامت الکترونیک مهارت‌های ارتباطی کاگنو ژن Introduction: The notion of electronic mental health care is suggested in today's world. With the aid of this care, people's talents are no longer limited by time or location, and those in need of mental health care can get these services by downloading and installing software on their mobile devices. The Cognogene application software has been created to provide electronic mental health services on the smartphone platform. This study aimed to measure the impact of the mobile app “Cognogene” on university students' communication skills. Method: The statistical population of this study included 104 students studying at Tehran University in the winter semester (2021-2022). They were randomly divided into two 54-member groups (experimental and control). The experimental group received electronic psychological education (consisting of short video clips, daily homework, motivational letters, etc.) in 21 sessions, while the control group did not. To collect data, Queen Dom's communication skills questionnaire was used in two stages: pre-test and post-test. The data were analyzed using the one-way analysis of variance. Results: Results showed that the intervention made a significant difference in the mean score of all components of the study of communication skills except the components of "receiving and sending messages" and "emotional control". Conclusion: This finding suggests that training through the Cognogene application can be used as a complement to other training methods to improve communication skills http://jhbmi.ir/article-1-717-en.pdf 2023-01-24 138 147 10.34172/jhbmi.2022.04 Electronic Health Communication Skills Cognogene Seyed Mostafa Hosseini smhosseini@bmsu.ac.ir 1 PhD in Molecular Genetics, Human Genetics Research Center, Baqiyatallah University of Medical Sciences, Tehran, Iran AUTHOR https://orcid.org/0000-0003-3716-8133 Somaieh Borjalilu sborjalilu@gmail.com 2 PhD and Post-doctorate in Psychology, Assistant Professor, Department of Psychology, Shahid Behashti University, Tehran, Iran AUTHOR https://orcid.org/0000-0001-7348-0672

ORIGINAL_ARTICLE مقدمه: شیوع فشار خون بالا در کودکان رو به افزایش است و این عارضه مهم‌ترین عامل خطر برای بیماری‌های قلبی -عروقی در سنین بالاتر به شمار می‌رود. تشخیص به‌موقع فشار خون بالا و کنترل آن می‌تواند جلوی پیشرفت آن را گرفته و پیامدهای ناشی از آن را کاهش دهد. روش‌های یادگیری ماشین می‌توانند به پیش‌بینی به موقع این عارضه کمک کرده و باعث کاهش هزینه و زمان گردند. این مطالعه با هدف ارائه‌ مدلی مبتنی بر ترکیب روش‌های یادگیری ماشین برای تشخیص و پیش‌بینی دقیق‌تر فشار خون کودکان دبستانی انجام شد. روش: این مطالعه از نوع کاربردی-توسعه‌ای بوده که با استفاده از اطلاعات 1287 نفر از کودکان دبستانی 7 تا 13 ساله‌‌ شهر کاشمر انجام شده است. پس از پیش پردازش داده‌ها، برای تشخیص دقیق‌تر کودکان مبتلا به فشار خون بالا نتایج خروجی پنج روش‌ یادگیری ماشین متداول در تشخیص بیماری‌ها، شامل درخت تصمیم، بیزین ساده، نزدیکترین همسایه‌ها، شبکه عصبی مصنوعی و ماشین بردار پشتیبان با استفاده از روش رأی‌گیری اکثریت وزن‌دار ترکیب می‌شوند. نتایج: نتایج نشان داد که دقت (Accuracy)، حساسیت (Sensitivity) و ویژگی (Specificity) در مدل پیشنهادی به ترتیب 90/31، 80/65 و 93/54 درصد بوده و در مقایسه با مطالعات مشابه، عملکرد بهتری دارد. نتیجه‌گیری: مدل پیشنهادی بهتر می‌تواند پیش‌بینی و تشخیص فشار خون بالا در کودکان را انجام داده و باعث بهبود دقت و کاهش میزان اشتباه گردد. این مدل می‌تواند به عنوان یک ابزار مفید و زودهنگام در تشخیص فشار خون بالا در کودکان، از پیامدها و هزینه‌های ناشی از این عارضه بکاهد و گام بزرگی در مبارزه با فشار خون بالا باشد.   http://jhbmi.ir/article-1-723-fa.pdf 2023-01-24 148 157 10.34172/jhbmi.2022.05 فشار خون بالا کودکان دبستانی روش‌های یادگیری ماشین پیش‌بینی Introduction: The prevalence of hypertension in children is increasing, and this complication is considered the most important risk factor for cardiovascular diseases in older age. Early detection and control of hypertension can prevent its progress and reduce its consequences. Machine learning methods can help predict this complication promptly and reduce cost and time. This study aimed to provide a model based on ensemble machine learning methods to more accurately predict the hypertension of primary school children. Method: This is an applied developmental study that was conducted using the information of 1287 primary school children aged 7-13 years in Kashmar city. After data preprocessing, to achieve a more accurate diagnosis of hypertension in children, the output results of five common machine learning methods in disease diagnosis including decision tree, naive Bayesian, nearest neighbors, artificial neural network, and support vector machine using weighted majority voting method were combined. Results: The results showed that the accuracy, sensitivity, and specificity of the proposed model were 90.31%, 80.65%, and 93.54%, respectively, and compared to similar studies it performed better. Conclusion: The proposed model can better predict and diagnose hypertension in children and improve accuracy and reduce the error rate. This model can be a useful and early tool in the diagnosis of hypertension in children, reducing the consequences and costs of this complication and being a big step in the fight against hypertension. http://jhbmi.ir/article-1-723-en.pdf 2023-01-24 148 157 10.34172/jhbmi.2022.05 Hypertension Primary School Students Machine Learning Methods Prediction Reza Besharati rezabesharati@ymail.com 1 PhD in Health Care Management, Assistant Professor, Department of Nursing, Kashmar Branch, Islamic Azad University, Kashmar, Iran AUTHOR https://orcid.org/0000-0001-9875-8217 Hamidreza Tahmasbi htahma@gmail.com 2 PhD in Computer Engineering, Assistant Professor, Department of Computer Engineering, Kashmar Branch, Islamic Azad University, Kashmar, Iran AUTHOR https://orcid.org/0000-0001-9875-8271

REVIEW_ARTICLE مقدمه: با تغییر اپیدمیولوژی بیماری‌ها، نارسایی مزمن کلیوی در جهان رشد قابل توجهی را نشان می‌دهد. پیوند کلیه به عنوان یک درمان انتخابی برای بهبود کیفیت زندگی این بیماران می‌باشد. چالش اساسی در زمینه بهره­مندی بهینه از کلیه بیماران مرگ‌مغزی، انتخاب گیرنده مناسب در فرصت بسیار محدود می‌باشد.‏ هدف از این مطالعه، مرور ملزومات طراحی و پیاده‌سازی و ارزیابی سیستم‌های تصمیم‌یار بالینی برای تخصیص کلیه پیوندی از دهنده مرگ مغزی و چالش‌های پیش‌رو بود. روش: این مطالعه مروری حیطه ای با جستجو در پایگاه‌های اطلاعاتی PubMed،Scopus  و Google Scholar برای مقالات تمام متن به زبان انگلیسی تا انتهای 2021 انجام شد. آنالیز مقالات بر اساس اهداف مطالعه، فاکتور‌ها و الگوریتم‌‌های مورد استفاده در تصمیم‌گیری برای تطبیق اهداکننده و گیرنده، و نحوه ارزیابی الگوریتم‌ها صورت گرفت. نتایج: دو دسته کلی از فاکتورهای پزشکی (شامل کیفیت کلیه اهدایی) و فاکتورهای عدالت در اکثر الگوریتم‌های تخصیص استفاده شده بود، درباره تعداد، نحوه و ترتیب اعمال تأثیر این فاکتور‌ها در مطالعات مختلف تفاوت وجود داشت. با این که مطالعات چالش‌های متنوعی ذکر کرده بودند، ولی اکثریت آنها تاثیر مثبت سیستم‌های تصمیم‌یار را در مدیریت فرآیند تخصیص گزارش نموده¬اند. نتیجه‌گیری: یکی از چالش‌های اساسی در مدیریت بهینه این فرایند، برخورداری از پروتکل‌ها و الگوریتم‌هایی بومی است که اعضای تیم‌های  پیوند در مورد نحوه، ترتیب و وزن هرکدام از فاکتور‌های پزشکی و عدالت در این الگوریتم‌ها اتفاق نظر داشته باشند. با توجه به اینکه در مطالعات مروری الگوریتم‌های مبتنی بر امتیازدهی، بیشترین پذیرش را داشته‌اند، به نظر می‌رسد احتمال استفاده از سیستمی تصمیم‌یار بر این اساس، بیشتر خواهد بود.   http://jhbmi.ir/article-1-716-fa.pdf 2023-01-24 158 179 10.34172/jhbmi.2022.06 پیوند کلیه سیستم تخصیص کلیه اهداکننده مرگ مغزی سیستم تصمیم یار بالینی سیستم نمره‌دهی سیستم تطبیق اهداکننده و گیرنده کلیه پیوندی مطالعه مروری Introduction: With the change in the epidemiology of diseases, chronic kidney disease has shown a significant increase worldwide. Kidney transplantation is the optimal treatment option to improve patient quality of life. The main challenge in benefiting from a brain-dead patient's kidney is the selection of a right recipient in limited time. The purpose of this study was to review the requirements for designing and implementing clinical decision support systems for allocating brain-dead kidneys and the challenges facing them. Method: This scoping review was conducted by searching Scopus, PubMed, and Google scholar to find full-text English articles published until the end of 2021. The articles were analyzed based on the objectives of the study, the factors used in decision-making for allocation, the algorithms used in the decision-making process, and their outcome evaluations. Results: Two categories of medical (including the quality of the donated kidney) and equity/fairness factors were used in most allocation algorithms. However, the number of factors, the method, and the order of their application were different in different studies. Studies have reported different challenges but a positive impact using decision support systems. Conclusion: One of the main challenges in the proper management of kidney transplants from brain-dead donors is to have local, agreed-upon protocols and algorithms regarding the methods, order, and weight of each of the medical and equity factors in the proposed protocol. Algorithms based on scoring have mostly been favored. Therefore, the probability of using a decision support system on this base seems to be higher.   http://jhbmi.ir/article-1-716-en.pdf 2023-01-24 158 179 10.34172/jhbmi.2022.06 kidney transplant kidney allocation system cadaver donor clinical decision support system scoring system donor-recipient matching system review study Marziye Moniri m.moniri73@yahoo.com 1 MSc Student of Medical Informatics, Department of Health Information Technology, Urmia University of Medical Sciences, Urmia, Iran AUTHOR https://orcid.org/0000-0001-9183-354X Zahra Niazkhani niazkhani.z@umsu.ac.ir 2 PhD in Medical Informatics, Associate Professor, Nephrology and Kidney Transplant Research Center, Urmia University of Medical Sciences, Urmia, Iran AUTHOR https://orcid.org/0000-0003-2662-9731 Khadijeh Makhdoomi makhdoomikhadijeh@yahoo.com 3 Subspecialist in Nephrology, Associate Professor, Nephrology and Kidney Transplant Research Center, Urmia University of Medical Sciences, Urmia, Iran AUTHOR https://orcid.org/0000-0002-4503-0612 Parviz Rashidi Khazaee P.rashidi@uut.ac.ir 4 PhD in Information Technology, Assistant Professor, Faculty of Information Technology and Computer Engineering, Urmia University of Technology, Urmia, Iran AUTHOR https://orcid.org/0000-0001-8498-0058 Habibollah Pirnejad pirnejad.h@umsu.ac.ir 5 PhD in Medical Informatics, Associate Professor, Patient Safety Research Center, Clinical Research Institute, Urmia University of Medical Sciences, Urmia, Iran AUTHOR https://orcid.org/0000-0001-9284-5702

REVIEW_ARTICLE مقدمه: حوزه سلامت دارای الزامات منحصر به فردی چون امنیت و حریم خصوصی، قابلیت همکاری، اشتراک‌گذاری، انتقال و کنترل دسترسی می‌باشد. از طرفی مزیت‌های بلاکچین و مطابقت این مزیت‌ها با الزامات سلامت، سبب ترغیب محققان به بررسی روش‌های به‌ کارگیری بلاکچین در سلامت شده است. این افزایش سریع تحقیقات پیرامون بلاکچین و سلامت، کاربردهای بسیاری ایجاد کرده است. با وجود پتانسیل بالای این فناوری برای به ‌کارگیری در سلامت، هنوز چالش‌هایی وجود دارد که باید بررسی شود. در این مطالعه، مروری روایی بر کاربردها و چالش‌های بلاکچین در صنعت سلامت ارائه شده است. روش: در این مرور روایی، مطالعات انجام شده تا اکتبر 2022 موجود در پایگاه‌های PubMed، IEEE Xplore،  Web of Science و Scopus جستجو و از 254 مطالعه مرتبط، 171 مقاله بر اساس عنوان شناسایی شد. پس از اعمال معیارهای ورود و خروج، در نهایت 30 مطالعه برای بررسی انتخاب شد. نتایج: براساس نتایج، 10 کاربرد بلاکچین در سلامت عبارت‌اند از: اشتراک‌گذاری ایمن داده‌های سلامت،  ایجاد پرونده پزشکی الکترونیکی، رهگیری سوابق پزشکی، رهگیری تجویز مواد افیونی، یادگیری عمیق، زنجیره تأمین دارو، کارآزمایی‌های بالینی، مدیریت پاندمی کووید-19 و نظارت بیماران از راه‌ دور. همچنین چالش­های بلاکچین در سلامت عبارت‌اند از: قابلیت همکاری، امنیت و حریم خصوصی، غیر قابل تغییر بودن، مقیاس‌‌پذیری، درگیری بیمار، شفافیت و محرمانه بودن. نتیجه‌گیری: تطابق بین الزامات سلامت و ویژگی‌های بلاکچین، بستری مناسب برای به‌کارگیری این فناوری در سلامت ایجاد کرده است؛ با این وجود چالش‌هایی نیز در مسیر این کاربردها وجود دارد که باید حل شود.   http://jhbmi.ir/article-1-728-fa.pdf 2023-01-24 180 192 10.34172/jhbmi.2022.07 بلاکچین مراقبت سلامت کاربردها و چالش‌ها مرور روایی Introduction: Healthcare as an industry has unique requirements such as patient security and privacy, interoperability, sharing, transmission, and access control of patient data. On the other hand, the advantages of blockchain technology and the compliance of these advantages with the requirements of the health industry have encouraged researchers to investigate the methods of applying blockchain in healthcare. The rapid increase in blockchain and health research has created many applications. Despite the high potential of this technology for health applications, there are still challenges to be reviewed. In this article, we provide a narrative overview of blockchain applications and challenges in the healthcare industry. Method: In this narrative review, published studies until October 2022 that were accessible in PubMed, IEEE Xplore, Web of Science, and Scopus databases were searched; from 254 related studies, 171 were identified by their titles, and finally, after applying inclusion and exclusion criteria, 30 articles were selected to be reviewed. Results: The results showed that 10 applications of blockchain technology in healthcare are as follows: safe sharing of health data, establishing electronic medical records, medical record tracking, opioid prescription tracking, deep learning, drug supply chain, clinical trials, COVID-19 pandemic management, and remote patient monitoring. The application of blockchain technology in healthcare also has challenges such as interoperability, security and privacy, immutability, scalability, patient engagement, transparency, and confidentiality. Conclusion: The compatibility between the requirements of the health industry and the characteristics of the blockchain has created a suitable platform for the use of this technology in the health industry. However, there are challenges in the path of these applications that must be solved.   http://jhbmi.ir/article-1-728-en.pdf 2023-01-24 180 192 10.34172/jhbmi.2022.07 Blockchain Healthcare Applications and Challenges Narrative Review Zahra Anvari Sadi zahra_anvari@modares.ac.ir 1 M.Sc. Student of Medical Informatics, Faculty of Medical Sciences, Tarbiat Modares University, Tehran, Iran AUTHOR Aliasghar Safaei aa.safaei@modares.ac.ir 2 Associate Professor, PhD in Computer Engineering (Software), Department of Medical Informatics, Faculty of Medical Sciences, Tarbiat Modares University, Tehran, Iran AUTHOR https://orcid.org/0000-0003-1985-8720

OTHERS_CITABLE مقاله از نوع نامه به سردبیر است لذا فاقد چکیده می باشد. http://jhbmi.ir/article-1-749-fa.pdf 2023-01-24 193 195 10.34172/jhbmi.2022.08 هوش مصنوعی سلامت The article is a letter to the editor, so it has no abstract. http://jhbmi.ir/article-1-749-en.pdf 2023-01-24 193 195 10.34172/jhbmi.2022.08 Artificial Intelligence Healthcare Amirhosein Nabizadeh hossein.nabizadeh.r@gmail.com 1 PhD in Artificial Intelligence Institute of Systems and Computer Engineering, Research and Development (INESC-ID, Lisbon, Portugal)/ Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR