ORIGINAL_ARTICLE مقدمه: استفاده از آموزش الکترونیک با توجه به رشد فناوری و از طرفی شیوع  ویروس کرونا و لزوم حفظ فاصله‌گذاری اجتماعی افزایش یافته است. همچنین برای ارزیابی دانشجویان از سامانه‌های آزمون الکترونیک استفاده می‌شود. این مطالعه با هدف ارزیابی کاربردپذیری سامانه آزمون از دید کاربران انجام شده است. روش بررسی: این پژوهش یک مطالعه توصیفی -مقطعی است. جامعه آماری تمام دانشجویان و اعضای هیئت علمی دانشکده بهداشت دانشگاه علوم پزشکی شهید صدوقی یزد بوده است. تعداد  318 دانشجو به عنوان نمونه به صورت تصادفی و نیز اعضای هیئت علمی به صورت سرشماری انتخاب شدند. داده‌های پژوهش براساس پرسشنامه استاندارد ارزیابی کاربردپذیری کوئیز نسخه 5.5 که روایی و پایایی آن توسط مطالعات قبل ارزیابی شده، به دست آمد. یافته‌ها: به‌طور‌کلی کاربردپذیری سامانه آزمون از دیدگاه دانشجویان در سطح «متوسط» و از دیدگاه اساتید سطح  «خوب» ارزیابی شد. از دیدگاه هر دو گروه دانشجویان و اساتید بیشترین میانگین امتیاز دریافتی به بخش «قابلیت یادگیری نرم­ افزار کاربردی توسط کاربر» تعلق داشته، اما از نظر کمترین امتیاز نظر آن‌ها متفاوت بود به‌طوری‌که دانشجویان «قابلیت‌های کلی نرم­ افزار» و اساتید «اصطلاحات و اطلاعات استفاده شده در نرم­ افزار کاربردی» را انتخاب کردند. نتیجه‌گیری: با توجه به نتایج این پژوهش، باید به نظرات دانشجویان در مورد سامانه آزمون الکترونیک بیشتر توجه نمود و مشکلات آن را برطرف کرد، همچنین انجام مطالعات بیشتر در سایر دانشگاه‌ها باعث بهبود کیفیت و افزایش کاربردپذیری و مقبولیت آموزش و آزمون الکترونیک از دیدگاه کاربران خواهد شد. http://jhbmi.ir/article-1-874-fa.pdf 2025-02-17 176 185 10.34172/jhbmi.2024.23 آزمون آنلاین ارزیابی کاربردپذیری آموزش الکترونیکی آزمون الکترونیکی مسائل فنی آزمون دانشگاه علوم پزشکی Introduction: Electronic education has increased due to the growth of technology, the spread of the Coronavirus, and the need to maintain social distancing. Electronic test systems are used to evaluate students. This study aims to evaluate the usability of the test system from the users' perspective. Method: This research is a descriptive cross-sectional study. The statistical population was all the students and faculty members of Shahid Sadoughi University of Medical Sciences. A random sample of 318 students was selected, and faculty members were selected using a Census approach. The research data were obtained based on the standard questionnaire for evaluating the usability of Quiz version 5.5. Results: Students rated the usability of the test system as "average," whereas faculty members rated it as "good." Both groups identified "Learning by the user" as the section with the highest average score. However, their opinions diverged regarding the lowest-scoring section: students indicated "system capabilities," while faculty members pointed to "terminology and system information." Conclusion: The findings of this research suggest that more attention should be given to students' opinions regarding the electronic testing system, and its problems should be addressed. Furthermore, conducting additional studies with other universities could enhance the system and increase user satisfaction. http://jhbmi.ir/article-1-874-en.pdf 2025-02-17 176 185 10.34172/jhbmi.2024.23 Online test Usability Evaluation E-Education e-test E-Test Technical issues of the exam University of Medical Sciences Jalal Nikokaran jalal.nikukaran@yahoo.com 1 PhD in Computer Simulation, Department of Health Information Technology and Management, School of Public Health, Shahid Sadoughi University of Medical Sciences, Yazd, Iran AUTHOR https://orcid.org/0000-0003-4487-4546 Seyed Ali Fatemi Aghda afatamy@yahoo.com 2 PhD Student in Medical Informatics, Student Research and Technology Committee, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran AUTHOR https://orcid.org/0000-0002-4099-1879 Hamidreza Dehghan hamidreza.dehghan@gmail.com 3 Research Center for Health Technology Assessment and Medical Informatics, School of Public Health, Shahid Sadoughi University of Medical Sciences, Yazd, Iran AUTHOR https://orcid.org/0000-0002-6772-7170 Mojgan Mirfakhraei mirfakhraei.mj@gmail.com 4 Master of Computer Engineering, Research Center for Health Technology Assessment and Medical Informatics, School of Public Health, Shahid Sadoughi University of Medical Sciences, Yazd, Iran AUTHOR https://orcid.org/0000-0003-4983-0390 Mohammad Mehdi Poornematy mpornematy100@yahoo.com 5 Bachelor in Operating Room, Research Center for Health Technology Assessment and Medical Informatics, School of Public Health, Shahid Sadoughi University of Medical Sciences, Yazd, Iran AUTHOR https://orcid.org/0009-0008-2489-1107 Mahdi Mirfakhraei mirfakhraei@ssu.ac.ir 6 Master of Computer Engineering, Research Center for Health Technology Assessment and Medical Informatics, School of Public Health, Shahid Sadoughi University of Medical Sciences, Yazd, Iran AUTHOR https://orcid.org/0000-0003-3734-8353

ORIGINAL_ARTICLE مقدمه:  هپاتوسلولار کارسینوما یکی از سرطان‌های شایع در دنیا  است. در این مطالعه با استفاده از آنالیز بیوانفورماتیک به بررسی و کاندید نمودن ژن‌های موجود در مسیرهای هپاتوسلولار کارسینوما با HCV پرداخته شد. روش کار: با مراجعه به پایگاه داده GEO دیتاست مناسب برای آنالیز انتخاب گردید. این دیتاست شامل پروفایل بیان ژنی در هپاتوسلولار کارسینوما همراه با HCV بود. کلاسترهای ژنی با بیان بالا و پایین دسته‌بندی شدند. همچنین از پایگاه‌های داده غنی همچون Enrichr، STRING و GEPIA استفاده شد. در نهایت ژن‌های کاندید شده جدا شدند. یافته‌ها: 512 ژن با بیان بالا و 500 ژن با بیان پایین در مسیرهای پیشرفت سرطان هپاتوسلولار کارسینوما نقش داشتند. مسیر‌های چرخه سلولی، چسبندگی سلولی، AMPK, PPAR و MAPK به صورت بارزی مشاهده شدند. پس از ارزیابی ارتباط بین شبکه‌های پروتئینی، ADH4, FBP1 و ACS1 افزایش بیان و ژن‌های CDK4 و E2F1 و MAPK3  کاهش بیان داشتند. تمامی این ژن‌ها در منحنی بقا، در بازه حدود 15 ماه، زنده مانی بیماران کمتر از 20% مشاهده شدند.  mir-21-5p، hsa-mir-24-3p و hsa-mir-25-3p به صورت بارزی در تنظیم این ژن‌ها مؤثرتر بودند. نتیجه‌گیری: آنالیزهای بیوانفورماتیک ژن‌های کلیدی و مهمی را با بررسی در سطح داده‌های پروفایل بیان ژن معرفی کردند، ژن‌های ADH4, FBP1 و ACS1 افزایش بیان و ژن‌های CDK4 و E2F1 و MAPK3  کاهش بیان داشت. که می‌توانند نقش مهمی را در هدف قرار دادن ژن‌های دخیل در هپاتوسلولار کارسینوما با HCV به همراه داشته باشند. http://jhbmi.ir/article-1-875-fa.pdf 2025-02-20 186 202 10.34172/jhbmi.2024.24 هپاتوسلولار کارسینوما MiRNAs پروفایل بیان ژن آنالیز بیوانفورماتیک ویروس هپاتیت C Introduction: Hepatocellular carcinoma is one of the most common cancers in the world. In this study, we examined and nominated the genes present in the pathways of hepatocellular carcinoma associated with HCV using bioinformatics analysis. Method: The appropriate dataset for analysis was selected from the GEO database. This dataset included gene expression profiles in hepatocellular carcinoma associated with HCV. Gene clusters with high and low expression levels were categorized. Rich databases such as Enrichr, STRING, and GEPIA were also used. Finally, the candidate genes were isolated. Results: A total of 512 genes with high expression and 500 genes with low expression were involved in the progression pathways of hepatocellular carcinoma. The pathways associated with the cell cycle, cell adhesion, AMPK, PPAR, and MAPK were clearly observed. After evaluating the relationship between protein networks, ADH4, FBP1, and ACS1 showed increased expression, while CDK4, E2F1, and MAPK3 genes displayed decreased expression. All these genes were noted in the survival curve; over a period of about 15 months, the survival rate of patients was less than 20%. miR-21-5p, hsa-miR-24-3p, and hsa-miR-25-3p were significantly more effective in regulating these genes. Conclusion: Bioinformatics analyses of key and important genes were introduced through the examination of gene expression profile data. ADH4, FBP1, and ACS1 genes showed increased expression, whereas the CDK4, E2F1, and MAPK3 genes displayed decreased expression, which may play an important role in targeting the genes involved in hepatocellular carcinoma associated with HCV. http://jhbmi.ir/article-1-875-en.pdf 2025-02-20 186 202 10.34172/jhbmi.2024.24 Hepatocellular Carcinoma MiRNAs Gene Expression Profile Bioinformatics Analysis Hepatitis C virus Seyedeh Fatemeh Mousavi Kardar nazaninmousavi1374@gmail.com 1 MSC in Biology, Department of Biology, Faculty of Basic Sciences, Islamic Azad University, Islamshahr Branch of Islamic Azad University, Islamshahr, Tehran, Iran AUTHOR Mahnaz Mohammadi mh_mohamadi@yahoo.com 2 Assistant Professor, Department of Biology, IsI.C., Islamic Azad University, Islamshahr, Iran. AUTHOR https://orcid.org/2162-3376-0002-0000 Behnaz Esfandiari me_esfandiari2000@yahoo.com 3 Assistant Professor, Department of Biology, IsI.C., Islamic Azad University, Islamshahr, Iran. AUTHOR https://orcid.org/5830-0730-0002-0000

REVIEW_ARTICLE مقدمه: دوقلوی دیجیتال (Digital Twins) یک مدل دیجیتالی از یک محصول، سیستم یا فرآیند فیزیکی است که برای شبیه‌سازی، نظارت و بهینه‌سازی استفاده می‌شود. در حوزه سلامت، این فناوری با ایجاد مدل‌های مجازی از بیماران، تحولی در مراقبت‌های درمانی ایجاد کرده و امکان پیش‌بینی و بهینه‌سازی نتایج سلامتی را فراهم می‌کند. در این مطالعه، ما به بررسی مزایا، چالش‌ها، الزامات پیاده سازی وجهت گیری‌های آینده این تکنولوژی در سلامت می‌پردازیم و هدف این مطالعه مرور و جمع‌‌بندی مقالات پیشین و جلوگیری از تکرار مطالعات است. روش: این مطالعه به شکل روایتی (Narrative) در زمینه دوقلوی دیجیتالی در حوزه سلامت نوشته شده به طوری که در این مطالعه از روش نظام‌مندی استفاده نشد و تنها با استفاده از تجریبات خود و مدل‌ها و فرضیه‌های موجود، نتیجه‌گیری کلی را ارائه شده است. نتایج: در این مطالعه بیان شد که چگونه دوقلوی دیجیتالی توانسته پزشکی شخصی‌سازی شده، نتایج جراحی، بیماری‌های مزمن، آزمایشات بالینی، و عملیات بیمارستان‌ها را ساده‌سازی، مدیریت و بهینه کند. علاوه بر این، چالش‌های این تکنولوژی از جمله پیامدهای اخلاقی، حریم خصوصی و نظارتی این فناوری را بیان کرد و بر نیاز به حاکمیت قوی داده‌ها و همکاری میان رشته‌ای برای تحقق کامل قابلیت های این تکنولوژی تأکید کرد. در آخر، این مطالعه به بحث در مورد برخی از زمینه‌های بالقوه و کلیدی توسعه آینده این تکنولوژی پرداخت. نتیجه‌گیری:  الزامات، چالش‌ها، مزایا و سوگیری‌های آینده ارائه شده در این مطالعه می‌تواند به طراحی و پیاده سازی یک دوقلوی دیجیتال دقیق و هوشمند در حوزه سلامت کمک کند.   http://jhbmi.ir/article-1-883-fa.pdf 2025-02-17 203 213 10.34172/jhbmi.2024.25 دوقلوی دیجیتال همزاد دیجیتال سلامت هوش مصنوعی Introduction: Digital Twin (DT) refers to a digital model of a physical product, system, or process used for simulation, monitoring, and optimization. In healthcare, this technology has transformed patient care by generating virtual models of patients, enabling the prediction and optimization of health outcomes. This study examines the benefits, challenges, implementation requirements, and future directions of this technology in healthcare, aiming to review and summarize prior studies while avoiding duplication of research. Method: This study employs a narrative approach in the context of digital twins in healthcare. It does not follow a systematic methodology but rather relies on existing models, hypotheses, and personal expertise to derive general conclusions. Results: This study describes how DT has facilitated personalized medicine, improved surgical outcomes, managed chronic diseases, streamlined clinical trials, and optimized hospital operations. Additionally, it highlights challenges associated with DT in healthcare, such as ethical implications, privacy concerns, and regulatory issues. It emphasizes the need for strong data governance and interdisciplinary collaboration to fully leverage the potential of DT. Finally, this research explores key areas for the future development of this technology. Conclusion: The requirements, challenges, benefits, and future directions presented in this study can guide the design and implementation of accurate and intelligent DT in the healthcare domain http://jhbmi.ir/article-1-883-en.pdf 2025-02-17 203 213 10.34172/jhbmi.2024.25 Digital Twins Healthcare Artificial Intelligence Amir Hossein Nabizadeh hossein.nabizadeh.r@gmail.com 1 Assistant Professor of Artificial Intelligence, Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran / INESC-ID, Lisbon, Portugal AUTHOR https://orcid.org/https://orcid.org/0000-0003-2613-216X Mohammad Mehdi Ghaemi 2 Assistant Professor of Medical Informatics, Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR

ORIGINAL_ARTICLE مقدمه:  بیماری کرونا (COVID-19) یک بیماری عفونی است که توسط ویروس SARS-CoV-2 ایجاد می­شود. شناسایی ترکیبات گیاهی مفید و به‌کارگیری آن­ها جهت هدف­ گیری پروتئین­ های مهم دخیل در آلوده‌سازی و تکثیر ویروس کرونا، گزینه ­ای کارآمد در مبارزه علیه این بیماری محسوب می­شود. هدف از این پژوهش بررسی برهمکنش ترکیبات گیاهی دارویی بومی علیه پروتئازMpro گونه ­های مختلف ویروس SARS -COV2 و تعیین و ارزیابی ترکیب نهایی با روش HPLC بود. روش کار: ساختار سه‌بعدی پروتئاز Mpro از بانک داده PDB به دست آمد. ترکیبات مختلف ضدویروسی گیاهی از پایگاه­ های داده و مقالات مختلف گردآوری شد. داکینگ مولکولی با استفاده از AutoDock Vina انجام شد. با استفاده از سرورهای مختلف ویژگی­ ها و خصوصیات ترکیبات منتخب بررسی شد. جهش­ زایی برای آمینواسید متیونین 49 انجام و ساختار جدید سه‌بعدی پروتئین Mpro در گونه‌های مختلف ویروس مدل­سازی شد. آنالیز داکینگ برای چهار ترکیب منتخب به لحاظ انرژی اتصال انجام شد. شبیه­ سازی دینامیک مولکولی (MD) برای بررسی پایداری ساختار نهایی و HPLC برای ارزیابی حضور ترکیب موثره در گیاه موردنظر انجام شد. یافته‌ها: نتایج داکینگ نشان داد ترکیب Cyanidin-3 5-di-o-glucoside به لحاظ مجموع انرژی اتصال برای مهار Mpro مطلوب است. خصوصیات فارماکوکینتیک این ترکیب تعیین شد. نتایج MD نشان داد کمپلکس Mpro-Cyanidin-3 5-di-o-glucoside  دارای ثبات است. با روش HPLC تأیید شد که  Cyanidin-3 5-di-o-glucoside در عصاره انار ایرانی موجود است. نتیجه‌گیری: ترکیب  Cyanidin-3 5-di-o-glucoside که در عصاره انار بومی ایران یافت می­شود می‌تواند با میل اتصال بالایی به Mpro متصل شده و آن را مهار کند و به ­عنوان دارویی که مستقیم بر ویروس کرونا تأثیر بگذارد مورد ارزیابی قرار گیرد.   http://jhbmi.ir/article-1-876-fa.pdf 2025-02-17 214 228 10.34172/jhbmi.2024.26 Mpro کرونا گیاهان بومی داکینگ مولکولی شبیه‌سازی دینامیک مولکولی Introduction: COVID-19 is an infectious disease caused by the SARS-CoV-2 virus. The identification of beneficial plant compounds and their use for targeting important proteins involved in the infection and replication of the coronavirus is considered an effective option in the fight against this disease. The aim of this research was to investigate the interaction of native medicinal plant compounds against the Mpro protease of different SARS-CoV-2 strains and to determine and evaluate the final compound using the HPLC method. Methods: The three-dimensional structure of the Mpro protease was obtained from the PDB database. Various antiviral plant compounds were collected from databases and articles. Molecular docking was performed using AutoDock Vina. The features and properties of the selected compounds were examined using different servers. Mutagenesis for the methionine amino acid 49 was performed, and a new three-dimensional structure of the Mpro protein was modeled for different virus strains. Docking analysis for four selected compounds was conducted based on binding energy. Molecular dynamics simulation (MD) was carried out to examine the stability of the final structure, and HPLC was used to evaluate the presence of the effective compound in the desired plant. Results: Docking results showed that the compound Cyanidin-3, 5-di-o-glucoside is effective in inhibiting Mpro, as indicated by its favorable total binding energy. The pharmacokinetic properties of this compound were also determined. MD results indicated that the Mpro-Cyanidin-3, 5-di-o-glucoside complex is stable. HPLC confirmed the presence of Cyanidin-3, 5-di-o-glucoside in Iranian pomegranate extract. Conclusion: The compound Cyanidin-3, 5-di-o-glucoside found in Iranian pomegranate extract can bind to Mpro with high affinity and inhibit its activity, potentially serving as a drug that directly targets the coronavirus. http://jhbmi.ir/article-1-876-en.pdf 2025-02-17 214 228 10.34172/jhbmi.2024.26 Mpro Protein Coronavirus Native plants Molecular docking Molecular dynamics Roya Fallah Pour royafalahpour@yahoo.com 1 MSc of Science, Islamic Azad University, Medical Branch, Tehran, Iran AUTHOR Seyed Hamid Jamaldini hjam1358@yahoo.co.uk 2 Assistant professor, Islamic Azad University, Medical Branch, Tehran, Iran AUTHOR Najaf Allahyari Fard allahyar@nigeb.ac.ir 3 Assistant professor, National Institute of Genetic Engineering and Biotechnology, Tehran, Iran AUTHOR https://orcid.org/0000-0001-7590-5179

ORIGINAL_ARTICLE مقدمه:  بیماری قلبی یکی از علل اصلی مرگ‌ومیر است و پیش‌بینی می‌شود تا سال 2030 مرگ‌ومیر ناشی از بیماری‌های قلبی- عروقی به 23/3 میلیون نفر افزایش یابد. نارسایی قلبی و شوک کاردیوژنیک سهم بالایی از این مرگ‌ومیرها دارند و به‌عنوان اورژانس پزشکی نیازمند درمان به‌موقع هستند. هدف این پژوهش، پیش‌بینی سریع مرگ در بیماران نارسایی قلبی با شوک کاردیوژنیک با استفاده از ویژگی‌های کمتر است. روش کار: این پژوهش به روش تحلیلی - مقطعی با نمونه‌گیری تمام شماری صورت گرفت. داده‌های 201 بیمار قلبی بالای 18 سال که در سال 2020 در بیمارستان روحانی بابل دچار شوک کاردیوژنیک شده بودند، بررسی شدند. از 34 ویژگی مانند سن، سابقه جراحی قلب باز، pH، لاکتات، دیابت و فشارخون استفاده شد و مرگ یک‌ماهه از طریق تماس تلفنی بررسی شد. برای پیش‌بینی مرگ از رگرسیون لجستیک و الگوریتم GBM استفاده شد. یافته ها: میانگین سن بیماران 69/44±15/71 سال بود. از این تعداد، 47/7 درصد فوت کردند. چهار ویژگی شامل سن، لاکتات، دیابت و گیجی به‌عنوان مهم‌ترین ویژگی‌ها انتخاب شدند. با یک سال افزایش در سن، احتمال مرگ 7 درصد افزایش می‌یابد. احتمال مرگ در افراد دیابتی بیش از دوبرابر است. گیجی خطر مرگ را 4 برابر و افزایش لاکتات خطر مرگ را 1/5 برابر افزایش می‌دهد. نتیجه‌گیری: نتایج نشان داد انتخاب ویژگی‌های مؤثر در پیش‌بینی مرگ بیماران نارسایی قلبی با شوک کاردیوژنیک با رگرسیون لجستیک و الگوریتم GBM امکان‌پذیر است و می‌تواند به بهبود برنامه‌های ارجاع درمانی و کاهش هزینه‌های پزشکی کمک کند.   http://jhbmi.ir/article-1-877-fa.pdf 2025-02-17 229 243 10.34172/jhbmi.2024.27 نارسایی قلبی شوک کاردیوژنیک پیش‌بینی مرگ رگرسیون لجستیک انتخاب ویژگی Introduction: Cardiovascular diseases remain a leading global cause of mortality, with ischemic heart disease projected to account for 23.3 million deaths by 2030. Heart failure and cardiogenic shock account for a significant proportion of these deaths and require timely treatment as medical emergencies. This study aims to predict mortality within one month in patients experiencing cardiogenic shock secondary to heart failure using a concise set of predictive features. Method: An analytical cross-sectional study was conducted at Babol Razi Hospital, involving 201 adult patients (≥18 years) treated for cardiogenic shock in 2020. Data from 34 clinical variables, including age, history of cardiac surgery, pH levels, lactate concentration, diabetes status, and blood pressure, were meticulously analyzed. Mortality outcomes within one month were assessed via structured telephone follow-up. Logistic regression and Gradient Boosting Machine (GBM) algorithms were used for predictive modeling. Results: The average age of patients was 69.44 ±15.71 years. Among them, 47.7% died. The study identified age, lactate levels, diabetes, and initial confusion as significant predictors of mortality risk. Each additional year of age was associated with a 7% higher probability of mortality. Diabetic patients faced more than double the mortality risk compared to non-diabetics. Confusion at presentation increased the mortality risk fourfold, while elevated lactate levels raised it by 1.5 times. Conclusion: Logistic regression and GBM algorithms demonstrated effectiveness in predicting one-month mortality among cardiogenic shock patients with heart failure based on selected features. This approach holds promise for improving referral processes and reducing costs in healthcare settings. http://jhbmi.ir/article-1-877-en.pdf 2025-02-17 229 243 10.34172/jhbmi.2024.27 Heart Failure Cardiogenic Shock Death Prediction Logistic Regression Feature Selection Shiva Kanani shiva.kanani400@gmail.com 1 PhD Student in Industrial Engineering, Mazandaran University of Science and Technology, Babol, Iran AUTHOR Iraj Mahdavi irajustmb@gmail.com 2 Professor, Department of Industrial Engineering, University of Science and Technology of Babol, Babol, Iran AUTHOR Naghmeh Ziaie ziaiexn@yahoo.com 3 Assistant Professor, Department of Cardiology, Fellowship of Heart Failure and Transplantation, Babol University of Medical ‎Sciences, Rouhani Hospital Research Center, Babol, Iran AUTHOR Bagher Rahimpour Cami Rc_bagher@yahoo.com 4 Assistant Professor, Department of Computer Engineering, University of Science and Technology of Babol, Babol, Iran AUTHOR

ORIGINAL_ARTICLE مقدمه: انتخاب مدل مناسب برای تشخیص سرطان سینه اهمیت زیادی دارد، زیرا مدل‌های نامناسب ممکن است دقت تشخیص را کاهش دهند و منجر به نتایج نادرست شوند. این خطاها می‌توانند به تصمیم‌گیری‌های نادرست بالینی منجر شوند. در این راستا، آینده‌پژوهی می‌تواند ابزار مؤثری برای شناسایی و انتخاب مدل‌های مناسب تشخیصی باشد. روش کار: این مطالعه با استخراج مقالات مرتبط با تشخیص سرطان سینه مبتنی بر هوش مصنوعی آغاز شد. تعداد مقالات مربوط به هر الگوریتم مشخص و الگوریتم‌هایی با کمتر از 50 مقاله حذف شدند. سپس روند سالانه انتشار مقالات تحلیل شد. یک مدل سری زمانی مبتنی بر شبکه عصبی مصنوعی برای پیش‌بینی روند تحقیقات در دو سال آینده طراحی شد که الگوریتم‌های با بیشترین تمرکز پژوهشی را شناسایی می‌کند. یافته‌ها: پس از حذف مقالات زیر حد آستانه، 2308 مقاله در هشت دسته شامل یادگیری عمیق، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، منطق فازی، خوشه‌بندی، درخت تصمیم، بیزین و رگرسیون لجستیک قرار گرفتند. هشت مدل سری زمانی با استفاده از داده‌های هفت سال گذشته، پیش‌بینی کردند که یادگیری عمیق و شبکه عصبی مصنوعی بیشترین تمرکز پژوهشی آینده را به خود اختصاص خواهند داد. نتیجه‌گیری: این پژوهش نشان داد که آینده‌پژوهی رویکردی مؤثر برای انتخاب روش‌های تشخیص سرطان سینه است. نتایج نشان می‌دهد که الگوریتم‌های شبکه عصبی مصنوعی و یادگیری عمیق بهترین عملکرد را دارند و می‌توانند راهنمایی برای پژوهش‌های آینده باشند.   http://jhbmi.ir/article-1-887-fa.pdf 2025-02-18 244 256 10.34172/jhbmi.2024.28 آینده‌پژوهی تشخیص سرطان سینه شبکه عصبی مصنوعی یادگیری عمیق Introduction: Selecting an appropriate model for breast cancer diagnosis is critical. Unsuitable models can compromise diagnostic accuracy, lead to incorrect outcomes, and impact clinical decision-making. In this context, foresight models are valuable tools for identifying and selecting the most effective diagnostic models. The objective of this study was to identify optimal models for breast cancer detection using foresight models.  Method: This study began by extracting articles related to artificial intelligence-based breast cancer diagnosis. The number of articles associated with each algorithm was determined, and algorithms referenced in fewer than 50 articles were excluded. Subsequently, annual publication trends were analyzed. A time series model based on artificial neural networks was developed to predict research trends over the next two years and to identify the algorithms expected to receive more research attention.  Results: After applying the exclusion criteria, a total of 2,308 articles were categorized into eight groups: deep learning, artificial neural networks, support vector machines, fuzzy logic, clustering, decision trees, Bayesian methods, and logistic regression.  Additionally, eight time series models were constructed using data from the past seven years, predicting that deep learning and artificial neural networks will lead future research efforts in breast cancer diagnosis.  Conclusion: This study highlights the effectiveness of foresight as a methodological approach for selecting optimal techniques for breast cancer diagnosis. The results indicate that artificial neural networks and deep learning demonstrate superior performance and are likely to be pivotal methodologies for future research in this area. http://jhbmi.ir/article-1-887-en.pdf 2025-02-18 244 256 10.34172/jhbmi.2024.28 Foresight Diagnosis Breast Cancer Artificial Neural Network Deep Learning Abdolhossein Shakibaeinia h.shakibaeenia@iau.ac.ir 1 Department of Computer Engineering, Dezful Branch, Islamic Azad University, Dezful, Iran AUTHOR Mohsen Chegin chegin@iaud.ac.ir 2 Department of Computer Engineering, Dezful Branch, Islamic Azad University, Dezful, Iran AUTHOR Amin Golabpour a.golabpour@shmu.ac.ir 3 Shahroud University of Medical Sciences, Shahroud, Iran AUTHOR Ahmad Khosravi a.khosravi@shmu.ac.ir 4 Shahroud University of Medical Sciences, Shahroud, Iran AUTHOR

ORIGINAL_ARTICLE مقدمه: ظهور نسخه‌نویسی الکترونیکی، شیوه تجویز و توزیع دارو‌ها را در داروخانه‌‌ها متحول کرده است هدف این مطالعه، تبیین عوامل مؤثر بر گردش کاری، تعامل با بیمار و ایمنی دارو در سیستم نسخه‌نویسی الکترونیکی داروخانه‌‌ها از دیدگاه داروسازان و تکنسین‌‌های دارویی است. روش کار: این پژوهش، از نوع مطالعه توصیفی – کاربردی بوده که به صورت مقطعی در سال 1402 در داروخانه‌های منتخب شهر ارومیه در دو مرحله انجام شد. در مرحله اول، با مرور نظام‌مند و انتخاب مطالعات مرتبط و بر اساس معیارهای ورود، عوامل مؤثر مشخص و در مرحله دوم با روش نمونه‌گیری هدفمند دلفی دو مرحله‌ای و گلوله برفی، عوامل تعیین شده، نهایی گردید. تحلیل داده‌‌ها با استفاده از آمار توصیفی در نرم‌افزار SPSS نسخه 26 انجام شد.     یافته‌ها: متخصصین داروسازی و تکنسین‌‌های دارویی منتخب در سطح داروخانه‌‌های ارومیه که در مرحله اول دلفی مشارکت داشتند وارد مرحله دوم دلفی شدند. از این تعداد 50 درصد داروساز و 50 درصد تکنسین دارویی بوده‌اند و زنان و مردان به صورت مساوی در این مرحله مشارکت داشته‌اند. بیشترین گروه سنی مشارکت کنندگان بین 39-35 سال و بیشترین سابقه کار 10-5 سال بود. بعد از دو مرحله دلفی 11 گویه متغییر گردش کاری، 6 گویه تعامل با بیمار و 11 گویه ایمنی دارو تأیید شدند. نتیجه‌گیری: در این مطالعه، عوامل تأثیرگذار شناسایی شده اند.  این عوامل می‌تواند از جانب سیاست‌گذاران سلامت و توسعه‌دهندگان چنین سیستم‌هایی در بهبود کارایی سیستم نسخه‌نویسی الکترونیک مورد استفاده قرار گرفته و به عنوان چارچوبی برای تدوین برنامه‌های بلندمدت و کوتاه مدت ایشان عمل کند. http://jhbmi.ir/article-1-890-fa.pdf 2025-02-17 257 270 10.34172/jhbmi.2024.29 سیستم نسخه‌نویسی الکترونیکی گردش کاری تعامل با بیمار ایمنی دارو Introduction: The emergence of electronic prescriptions has transformed the methods of prescribing and distributing medications in pharmacies. The aim of this study is to explain the factors affecting workflow, patient communication, and medication safety within the electronic prescription system from the perspectives of pharmacists and pharmacy technicians. Method: This research is a descriptive and cross-sectional study conducted in 2023 in selected pharmacies in the city of Urmia. It was carried out in two stages. In the first stage, relevant studies were systematically reviewed and selected based on entry criteria to identify the influencing factors. In the second stage, the two-stage Delphi method was used with purposive and snowball sampling to finalize the identified factors. Results: The results of this study consisted of two stages. In the first stage, the factors affecting workflow, patient communication, and medication safety in pharmacies within the electronic prescription system were identified. In the second stage, the validity of the factors identified in the first stage was determined using a two-stage Delphi method. After two rounds of Delphi, 11 items related to workflow variables, 6 items for patient communication, and 11 items for medication safety were confirmed. Conclusion: This study has identified the factors that can be utilized by health policymakers and developers of electronic prescription systems to improve efficiency and serve as a framework for formulating both long-term and short-term plans. http://jhbmi.ir/article-1-890-en.pdf 2025-02-17 257 270 10.34172/jhbmi.2024.29 Electronic Prescription Workflow Patient Communication Medication Safety Maryam Mohaghegh-Montazeri maryam.mohaghegh.montazeri1@gmail.com 1 M.Sc. Student in Health Information Technology, School of Allied Medical Sciences, Urmia University of Medical Sciences, Urmia, Iran AUTHOR Elahe Gozali elahe.gozali@gmail.com 2 Health and Biomedical Informatics Research Center, Urmia University of Medical Sciences, Urmia, Iran AUTHOR https://orcid.org/0000-0002-9211-5934 Mohamad Jebraeily jabraily@gmail.com 3 Health and Biomedical Informatics Research Center, Urmia University of Medical Sciences, Urmia, Iran AUTHOR https://orcid.org/0000-0001-7123-9252 Nematollah Ahangar dr.n.ahangar@gmail.com 4 Ph. D in Pharmacology, Professor, Department of Pharmacology, School of Medicine, Guilan University of Medical Sciences, Rasht, Iran AUTHOR https://orcid.org/0000-0001-7712-8537

REVIEW_ARTICLE مقدمه:  تصمیم‌گیری مشترک فرآیندی است که در آن ارائه‌دهندگان خدمات بهداشتی شواهد را با بیماران به اشتراک می‌گذارند و به آن‌ها این امکان را می‌دهند که بر اساس ارزش‌ها و ترجیحات خود تصمیمات آگاهانه‌ای اتخاذ کنند. سلامت همراه می‌تواند به تسهیل تصمیم گیری مشترک کمک کند که منجر به بهبود نتایج بالینی می‌شود. بنابراین، این مطالعه به بررسی مطالعات مربوط به مداخلات سلامت همراه که تصمیم گیری مشترک را تسهیل می‌کنند، می‌پردازد. روش کار: در نوامبر 2022، سه پایگاه داده پابمد، اسکوپوس و وب آو ساینس  جهت بازیابی مقالاتی درباره مداخلات سلامت همراه که تسهیل‌کننده تصمیم‌گیری مشترک هستند، مورد جستجو قرار گرفتند. نام نویسنده اول، سال انتشار، کشور مورد مطالعه، هدف مطالعه، نوع بیماری، نوع مداخله سلامت همراه و نتایج مداخلات از مطالعات انتخاب شده استخراج شد. از آمار توصیفی برای تحلیل داده‌ها استفاده شد. یافته ها: از ۳۲ مقاله وارد شده در مطالعه، بیشتر مطالعات در سال 2021 (25%) و 2022 (21%) منتشر شده‌اند. اغلب مطالعات (43/5%) در ایالات متحده صورت گرفته بود. 15 مطالعه (47%) سطح رضایت شرکت‌کنندگان در استفاده از سلامت همراه برای تصمیم‌گیری مشترک و ۱۴ مطالعه (43/5%) قابلیت استفاده از سلامت همراه را اندازه گیری کردند. بخش عمده ای از مطالعات (84/5%) از برنامه‌های کاربردی مبتنی بر تلفن همراه جهت تصمیم گیری مشترک استفاده کردند. اکثر  مطالعات تاثیر استفاده از تصمیم گیری مشترک را روی بیماری‌های اسکلتی-عضلانی (18/5%)، سرطان‌ (15/5%)، بیماری‌های قلبی-عروقی (15/5%) و بیماری‌های روانی (12/5%) سنجیدند. همچنین اغلب مطالعات نشان دادند (97%) استفاده از سلامت همراه تأثیر مثبتی بر تصمیم گیری مشترک داشته است. نتیجه‌گیری: سلامت همراه به بیماران در اتخاذ تصمیمات آگاهانه درباره درمان کمک می‌کند و فرآیند تصمیم‌گیری مشترک را تسهیل می‌نماید. بیماران می‌توانند از این فناوری در خانه استفاده کنند تا بر موانع ناشی از کمبود ملاقات‌های حضوری غلبه کنند. یافته‌های این تحقیق می‌تواند به ارائه‌دهندگان خدمات بهداشتی کمک کند تا از فناوری‌های مقرون به صرفه و قابل دسترس برای درگیر کردن بیماران در انتخاب بهترین گزینه‌های درمانی استفاده کنند.   http://jhbmi.ir/article-1-893-fa.pdf 2025-02-20 271 281 10.34172/jhbmi.2024.30 تصمیم‌گیری مشترک سلامت همراه مرور نظام مند Introduction: Shared Decision Making (SDM) is a process in which healthcare providers share evidence with patients, enabling them to make informed decisions based on their values and preferences. Mobile health (mHealth) can support SDM, leading to improved clinical outcomes. Therefore, this study aims to review the literature on mHealth interventions that facilitate SDM. Method: In November 2022, the PubMed, Scopus, and Web of Science databases were searched for papers on mHealth interventions that facilitate SDM. The first author's name, year of publication, country of the study, study objective, type of disease, type of mHealth intervention, and outcomes of the interventions were extracted from the selected studies. Descriptive statistics were used to analyze the data. Results: Of the 32 articles included in the study, most were published in 2021 (25%) and 2022 (21%). The majority of studies (43.5%) were conducted in the United States. Fifteen studies (47%) evaluated participants' satisfaction with using mobile health for shared decision-making, and fourteen studies (43.5%) measured the usability of mobile health. In most studies (84.5%), mobile-based applications were used for shared decision-making. Most studies assessed the impact of shared decision-making on musculoskeletal diseases (18.5%), cancer (15.5%), cardiovascular diseases (15.5%), and mental health disorders (12.5%). Most studies (97%) found that using mobile health had a positive impact on shared decision-making. Conclusion: mHealth assists patients in making informed decisions about their treatment by facilitating SDM. Patients can use this technology at home to overcome barriers posed by a lack of face-to-face visits. The findings of this research can guide healthcare providers in leveraging affordable and accessible technology to engage patients in selecting the best treatment options. http://jhbmi.ir/article-1-893-en.pdf 2025-02-20 271 281 10.34172/jhbmi.2024.30 Shared Decision Making Mobile Health Systematic Review Sadrieh Hajesmaeel-Gohari sadriehhajesmaili@yahoo.com 1 Ph.D. in Health Information Management, Assistant Professor, Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR https://orcid.org/https://orcid.org/0000-0001-5212-6148 Elaheh Shafiei e.shafiei.sh@gmail.com 2 Ph.D. Candidate in Medical Informatics, Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR https://orcid.org/https://orcid.org/0000-0002-7746-9355 Maryam Gholipoor maryamgholipoor9@gmail.com 3 MSc in Medical Informatics, Department of Health Information Sciences, Faculty of Management and Health Information Sciences, Kerman University of Medical Sciences, Kerman, Iran AUTHOR