ORIGINAL_ARTICLE مقدمه: سبک زندگی مدرن امروزی باعث ایجاد انواع مختلف اختلالات سلامت روان در بسیاری از افراد و  مشکلات روانی زیادی مانند اضطراب، استرس و افسردگی شده است. در انجام مصاحبه، روانشناس با مشکلاتی مواجه است که معلول فرآیند مصاحبه، مصاحبه شونده و مصاحبه‌گر می‌باشند که این اشتباهات را می‌توان معلول شبکه بغرنج و بسیار پیچیده کنش‌هایی دانست که در روابط چهره به چهره بین مصاحبه‌گر و مصاحبه شونده صورت می‌گیرد. با توجه به اینکه انسان و روابط انسانی همیشه مستعد بروز خطا بوده و تشخیص اختلالات، بعضاً تابعی از عواطف و احساسات مراجع و درمانگر می‌باشد، استفاده از ابزاری که بتواند بدون دخالت انسان و با دقت بسیار بالا افسردگی را پیش‌بینی کند، ضروری‌است. روش کار: در این پژوهش، از داده‌های واقعی برای پیش‌بینی افسردگی و معرفی روش پیشنهادی استفاده شد. این داده‌ها مربوط به 600 نفر مراجعه کننده است که از میان آن‌ها 297 نفر بدون افسردگی و 303 نفر نیز دارای افسردگی تشخیص داده شده‌اند. در این پژوهش از درخت تصمیم C5.0  جهت استخراج قوانین و از الگوریتم ژنتیک برای انتخاب بهترین قوانین با بالاترین دقت پیش‌بینی استفاده گردید. ارزیابی روش پیشنهادی با استفاده از معیار تعداد نمونه‌های به‌درستی پیش‌بینی‌شده با وزن‌دهی انجام شد. یافته‌ها: نتایج نشان داد که روش پیشنهادی دقتی به مراتب بالاتر از بسیاری از روش‌های یادگیری ماشین ارائه می‌دهد همچنین از میان تمامی قوانین استخراج شده، همچنین از میان تمامی قوانین استخراج‌شده، قوانینی انتخاب گردیدند که بیشترین تأثیر و کمترین همپوشانی و تعارض را در تشخیص افسردگی یا عدم افسردگی داشتند. افزون بر این مؤثرترین ویژگی‌های دخیل در افسردگی نیز توسط الگوریتم مشخص گردید. براساس داده‌های مورد بررسی، به ترتیب انگیزه خودکشی، خود بیمار انگاری یا هیپوکندریازیس و ترومای دوران کودکی، به عنوان سه عامل مهم و مؤثر در افسردگی تشخیص داده شدند. نتیجه‌گیری: استفاده از تکنیک‌های داده کاوی و ابزارهای یادگیری ماشین در پیش‌بینی افسردگی بسیار کارا و مؤثر است. استخراج مهم‌ترین ویژگی‌های تأثیرگذار بر متغیر خروجی می‌تواند تأثیر بسزایی در کاهش زمان و هزینه مراجعان و همچنین افزایش دقت تشخیص درمانگر داشته باشد. http://jhbmi.ir/article-1-915-fa.pdf 2026-09-19 1 11 10.34172/jhbmi.2026.08 داده کاوی افسردگی هوش مصنوعی الگوریتم ژنتیک درخت تصمیم Introduction: Modern lifestyles have led to various mental health disorders and significant psychological issues—such as anxiety, stress, and depression—in many individuals. Psychologists encounter challenges during the interview process that stem from the process itself, the interviewee, and the interviewer; these errors can be attributed to the intricate and highly complex network of interactions occurring during face-to-face exchanges between the interviewer and the interviewee. Given that human beings and human interactions are inherently prone to error, and that the diagnosis of disorders is often influenced by the emotions and feelings of both the client and the therapist, there is a critical need for a tool capable of predicting depression with high accuracy and without human intervention. Method: In this study, real data was used to predict depression and demonstrate the proposed method. The dataset comprised 600 individuals, of whom 297 were diagnosed as not having depression and 303 as having depression. The C5.0 decision tree was employed to extract rules, while a genetic algorithm was used to select the optimal rules yielding the highest prediction accuracy. The proposed method was evaluated based on the weighted count of correctly predicted samples. Results: The results demonstrated that the proposed method offers significantly higher accuracy than many existing machine learning techniques. Furthermore, among all the extracted rules, those exhibiting the greatest impact—along with minimal overlap and conflict—regarding the detection of the presence or absence of depression were selected. Additionally, the algorithm identified the most influential features associated with depression. Based on the analyzed data, suicidal ideation, hypochondriasis, and childhood trauma were identified, in that order, as three significant and influential factors in depression. Conclusion: The use of data mining techniques and machine learning tools is highly efficient and effective for predicting depression. Extracting the most significant features influencing the output variable can substantially reduce time and costs for clients while enhancing the accuracy of the therapist's diagnosis. http://jhbmi.ir/article-1-915-en.pdf 2026-09-19 1 11 10.34172/jhbmi.2026.08 Data Mining Depression Artificial Intelligence Genetic Algorithm Decision Tree Behzad Rabiee-Ghahfarrokhi b.rabiee1364@gmail.com 1 B.S.c in Psychology, Faculty of Psychology, Payam Noor University, Farrokh Shahr Center, Chaharmahal and Bakhtiari, Iran AUTHOR Zahra Babadi Akashe zakashe@pnu.ac.ir 2 Assistant Professor, Department of Education, Payame Noor University, Tehran, Iran AUTHOR

ORIGINAL_ARTICLE مقدمه: سلامت، یکی از بنیادی‌ترین ابعاد زندگی انسان است و بیماری‌های مزمن تهدیدی جدی در این حوزه محسوب می‌شوند که عوارض گسترده‌ای به‌دنبال دارند. با پیشرفت‌های سریع هوش مصنوعی، سامانه‌های تشخیص پزشکی هوشمند در زمینه تشخیص زودهنگام، کاهش هزینه‌ها و کمک به تصمیم‌گیری دقیق‌تر پزشکان توسعه چشم‌گیری یافته‌اند. با وجود کاربرد روش‌های گوناگون داده‌کاوی، پیچیدگی و ابعاد بالای داده‌های پزشکی همچنان چالش‌برانگیز است. در این میان، روش‌های یادگیری عمیق و مدل‌های مولد ابزارهایی توانمند برای تحلیل این داده‌ها هستند. روش‌کار: در این پژوهش، روشی نوین برای بهبود تشخیص بیماری‌های کبدی پیشنهاد شده است که بر پایه پیش‌پردازش و افزایش داده‌ها با استفاده از شبکه‌های مولد تخاصمی (GAN) و یادگیری تجمعی از نوع استکینگ (Stacking) قرار دارد. برای ارزیابی، از مجموعه‌داده استاندارد بیماران کبدی هند (ILPD) استفاده شد. در مرحله نخست، مدل تجمعی با اعتبارسنجی متقابل ۱۰-مرحله‌ای دقت ۷۷ درصد را به‌دست آورد. سپس، با استفاده از تکنیک افزایش داده مبتنی بر GAN، مجدداً مدل آموزش داده شد که این بار دقت چشمگیر ۹۹ درصد حاصل گردید. یافته‌ها: نتایج نشان می‌دهد که به‌کارگیری مناسب روش‌های پیش‌پردازش و افزایش داده، تأثیر بسزایی در بهبود عملکرد مدل و ارتقای دقت تشخیص زودهنگام بیماری کبد دارد. نتیجه‌گیری: چارچوب هوشمند پیشنهادی با غلبه بر چالش‌ پیچیدگی و عدم توازن داده‌های پزشکی، مدلی بسیار دقیق و قابل‌اتکا ارائه می‌دهد. این رویکرد می‌تواند به‌عنوان یک سیستم پشتیبان تصمیم‌گیری بالینی کارآمد در حوزه انفورماتیک سلامت، به متخصصان در تشخیص زودهنگام و مدیریت بهتر بیماری‌های کبدی کمک شایانی نماید.   http://jhbmi.ir/article-1-941-fa.pdf 2026-09-19 12 23 10.34172/jhbmi.2026.09 شبکه مولد متخاصم بیماری کبد یادگیری ماشین یادگیری عمیق هوش مصنوعی تشخیص بیماری Introduction: Health is one of the fundamental aspects of human life, and chronic diseases pose a serious threat in this realm, entailing far-reaching consequences. With rapid advancements in artificial intelligence, intelligent medical diagnostic systems have seen significant development, facilitating early diagnosis, cost reduction, and more accurate clinical decision-making. Despite the application of various data mining techniques, the complexity and high dimensionality of medical data remain challenging. In this context, deep learning methods and generative models serve as powerful tools for analyzing such data. Methods: This study proposes a novel method for improving the diagnosis of liver diseases, based on data preprocessing and augmentation using Generative Adversarial Networks (GANs) alongside a stacking ensemble learning approach. The Indian Liver Patient Dataset (ILPD) was used for evaluation. In the initial phase, the ensemble model achieved an accuracy of 77% using 10-fold cross-validation. Subsequently, the model was retrained using a GAN-based data augmentation technique, yielding an impressive accuracy of 99%. Results: The results indicate that the appropriate application of preprocessing and data augmentation methods has a significant impact on improving model performance and enhancing the accuracy of early liver disease detection. Conclusion: The proposed intelligent framework successfully overcomes the challenges of complexity and data imbalance in medical datasets, delivering a highly accurate and reliable model. This approach can serve as an efficient clinical decision-support system within the field of health informatics, offering significant assistance to healthcare professionals in the early diagnosis and improved management of liver diseases. http://jhbmi.ir/article-1-941-en.pdf 2026-09-19 12 23 10.34172/jhbmi.2026.09 Early Liver Disease Diagnosis Deep learning Adversarial Generating Network Machine Learning Nazila Valizadeh nazila.valizadeh76@gmail.com 1 M.Sc. Student, Department of Information Technology, Faculty of Modern Science & Technology, Urmia University of Technology, Urmia, Iran AUTHOR Omid Reza Bolouki Speily speily@uut.ac.ir 2 Ph.D in Information Technology Engineering, Assistant Proffessor, Department of Information Technology, Faculty of Modern Science & Technology, Urmia University of Technology, Urmia, Iran AUTHOR Parviz Ghorbanzadeh p.ghorbanzadeh@gmail.com 3 Ph. D in Artificial Intelligence, Urmia University of Technology, Urmia, Iran AUTHOR

REVIEW_ARTICLE مقدمه:  امروزه تحول دیجیتال در باشگاه‌های ورزشی سالمندی، به‌عنوان رویکردی نوین برای ارتقای فعالیت بدنی و سلامت جسمانی سالمندان، در سطح جهانی مورد توجه قرار گرفته است. با این حال، در ایران هنوز چارچوب مفهومی جامعی برای بهره‌گیری بهینه از فناوری‌های دیجیتال در این باشگاه‌ها طراحی و بومی‌سازی نشده است. هدف این مطالعه، مروری روایتی بر ورزش‌های الکترونیک و فناوری‌های پوشیدنی، با تأکید بر چالش‌های بومی، و ارائه مدلی مفهومی برای تحول دیجیتال در باشگاه‌های ورزشی ایران به‌منظور جذب سالمندان بود. روش کار: این مطالعه به‌صورت مرور روایتی ساختاریافته با رویکرد میان‌رشته‌ای طراحی شد. جستجوی نظام‌مند منابع فارسی و انگلیسی منتشرشده بین سال‌های ۲۰۱۰ تا ۲۰۲۵ در پایگاه‌های معتبر ملی و بین‌المللی انجام گرفت. کلیدواژه‌ها با تمرکز بر تحول دیجیتال، ورزش سالمندی، فناوری‌های پوشیدنی و باشگاه‌های ورزشی انتخاب شدند. پس از غربالگری و ارزیابی نهایی، ۵۸ منبع برای تحلیل کیفی و تلفیق مفاهیم انتخاب گردید. یافته‌ها: یافته‌ها نشان داد بخش عمده مطالعات بررسی‌شده، ورزش الکترونیک و فناوری‌های پوشیدنی را با بهبود انگیزش حرکتی، افزایش پایبندی به فعالیت بدنی، ارتقای پایش شاخص‌های سلامت و شخصی‌سازی تمرینات سالمندان مرتبط دانسته‌اند. همچنین، تحلیل مطالعات منتخب نشان داد مهم‌ترین موانع تحول دیجیتال در باشگاه‌های سالمندی ایران شامل ضعف زیرساخت‌های فناورانه، هزینه‌های بالای تجهیزات دیجیتال، محدودیت سواد دیجیتال سالمندان و نبود سیاست‌گذاری منسجم ملی است. بر این اساس، مدل مفهومی پیشنهادی پژوهش چهار بُعد کلیدی شامل زیرساخت، فناوری، منابع انسانی و سیاست‌گذاری را به‌عنوان ارکان اصلی تحول دیجیتال باشگاه‌های سالمندی ایران تبیین کرد. نتیجه‌گیری: نتایج این مرور نشان می‌دهد موفقیت تحول دیجیتال در باشگاه‌های ورزشی سالمندی ایران، صرفاً وابسته به توسعه فناوری نیست، بلکه نیازمند تقویت زیرساخت‌های بومی، ارتقای سواد دیجیتال سالمندان، آموزش نیروی انسانی متخصص و تدوین سیاست‌های یکپارچه ملی است. مدل مفهومی ارائه‌شده می‌تواند به‌عنوان چارچوبی کاربردی برای برنامه‌ریزی و توسعه باشگاه‌های ورزشی سالمندی مبتنی بر فناوری در ایران مورد استفاده قرار گیرد.   http://jhbmi.ir/article-1-961-fa.pdf 2026-09-19 24 40 10.34172/jhbmi.2026.10 تحول دیجیتال فعالیت بدنی سالمندان ورزش الکترونیک؛ فناوری‌های پوشیدنی باشگاه‌های ورزشی سلامت دیجیتال ایران Introduction: Today, digital transformation in senior sports clubs—an innovative approach to enhancing physical activity and the physical health of older adults—has attracted global attention. However, in Iran a comprehensive conceptual framework for the optimal utilization and localization of digital technologies in these clubs has not yet been designed. The aim of this study was to provide a narrative review of exergames and wearable technologies, with an emphasis on local challenges, and to present a conceptual model for digital transformation in Iranian sports clubs to attract older adults. Method: This study was designed as a structured narrative review employing an interdisciplinary approach. A systematic search of Persian and English sources published between 2010 and 2025 was conducted across reputable national and international databases. Keywords were selected with a focus on digital transformation, sports for older adults, wearable technologies, and sports clubs. Following screening and final assessment, 58 sources were selected for qualitative analysis and the synthesis of concepts. Results: Findings indicated that the majority of reviewed studies associated exergames and wearable technologies with improved motor motivation, increased adherence to physical activity, enhanced monitoring of health indicators, and personalization of older adults’ exercise programs. Analysis of selected studies also identified the main barriers to digital transformation in Iran’s senior sports clubs as weak technological infrastructure, high costs of digital equipment, limited digital literacy among older adults, and lack of coherent national policy. Accordingly, the study’s proposed conceptual model delineated four key dimensions — infrastructure, technology, human resources, and policymaking — as the principal pillars of digital transformation for Iranian senior sports clubs. Conclusion: The results of this review indicate that the success of digital transformation in Iranian senior sports clubs is not solely dependent on technology development; rather, it requires strengthening local infrastructure, enhancing older adults’ digital literacy, training specialized human resources, and formulating integrated national policies. The proposed conceptual model can serve as a practical framework for planning and developing technology-based senior sports clubs in Iran. http://jhbmi.ir/article-1-961-en.pdf 2026-09-19 24 40 10.34172/jhbmi.2026.10 Digital transformation Physical activity in older adults E-sports Wearable technologies Sports clubs Digital health Iran Balal Hooshmand Moghadam balalhooshmand@gmail.com 1 MSc Student, Department of Sport Management, Faculty of Sport Science, Ferdowsi University of Mashhad, Mashhad, Iran AUTHOR Mohammad Keshtidar keshtidarr@um.ac.ir 2 Professor, Department of Sport Management, Faculty of Sport Science, Ferdowsi University of Mashhad, Mashhad, Iran AUTHOR Javad Gholamian j.gholamian@ferdowsi.um.ac.ir 3 Assistant professor, Department of Sport Management, Faculty of Sport Science, Ferdowsi University of Mashhad, Mashhad, Iran AUTHOR Mahdi Talebpour mtalebpourr@um.ac.ir 4 Professor, Department of Sport Management, Faculty of Sport Science, Ferdowsi University of Mashhad, Mashhad, Iran AUTHOR

ORIGINAL_ARTICLE مقدمه: سندرم متابولیک به‌عنوان یکی از شایع‌ترین اختلالات متابولیک در ایران، بار مالی و درمانی سنگینی بر نظام سلامت و سازمان‌های بیمه‌گر تحمیل می‌کند. مدل‌های پیش‌بینی‌کننده مبتنی بر هوش مصنوعی اگرچه می‌توانند ابزارهای ارزشمندی برای پیشگیری زودهنگام محسوب شوند، موفقیت آن‌ها در گرو قابلیت پیاده‌سازی در بستر واقعی و عملیاتی نظام سلامت است. مطالعه حاضر با هدف بررسی دیدگاه خبرگان حوزه سلامت درباره عوامل تسهیل‌گر و موانع پیشِ‌روی پیاده‌سازی این مدل‌ها در پیشگیری از سندرم متابولیک در ایران انجام شده است. روش کار: این مطالعه با رویکرد کیفی و روش تحلیلی‑توصیفی و با به‌کارگیری تحلیل تماتیک شش‌مرحله‌ای براون و کلارک (۲۰۰۶) انجام شد. روش پژوهش به‌صورت ترکیبی استقرایی‑استنتاجی (hybrid inductive-deductive) طراحی گردید. نمونه‌گیری به‌صورت هدفمند و تا رسیدن به اشباع نظری ادامه یافت و در نهایت ۱۵ خبره شامل ۶ متخصص بالینی، ۵ مدیر و سیاست‌گذار، و ۴ کارشناس فناوری اطلاعات سلامت در مطالعه مشارکت داشتند. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته و عمیق جمع‌آوری و با استفاده از کدگذاری دستی تحلیل شدند. همچنین، چارچوب تحلیل SWOT به‌عنوان راهنمای استنتاجی برای سازمان‌دهی و تحلیل تم‌ها به کار گرفته شد. یافته‌ها: تحلیل منجر به شناسایی ۲۰ تم اصلی شد که در چهار دسته نقاط قوت (۸ تم)، نقاط ضعف (5 تم)، فرصت‌ها (۳ تم) و تهدیدها (4 تم) سازمان‌دهی گردیدند. نقاط قوت عمدتاً شامل انعطاف‌پذیری مدیریتی، توانمندسازی کارکنان و یادگیری مبتنی بر عمل بودند. نقاط ضعف شامل وابستگی به آموزش‌های سنتی و نبود بازخورد مستمر، فرصت‌ها شامل پیشرفت‌های فناورانه و حمایت سیاستی، و تهدیدها شامل فشارکاری بالاو بی‌ثباتی سیاستی بودند. چهار راهبرد اجرایی (SO، WO، ST، WT) استخراج شد که راهبردهای ترکیبی SO و WT بیشترین تأکید را داشتند. نتیجه‌گیری: موفقیت مدل‌های پیش‌بینی‌کننده، مستلزم تمرکز بر راهبردهای ترکیبی در سطح سازمان و سیاست‌گذاری کلان است. همچنین یافته‌های این مطالعه می‌توانند به سیاست‌گذاری مبتنی بر شواهد در سازمان بیمه سلامت ایران و نیز برنامه‌های ملی پیشگیری کمک شایانی نمایند. http://jhbmi.ir/article-1-983-fa.pdf 2026-09-19 41 52 10.34172/jhbmi.2026.11 مدل پیش‌بینی‌کننده تحلیل کیفی چارچوب SWOT تسهیل کننده‌ها‌ موانع Introduction: As one of the most common metabolic disorders in Iran, metabolic syndrome imposes a heavy financial and therapeutic burden on the healthcare system and insurance organizations. Although AI-based predictive models can serve as valuable tools for early prevention, their success depends on their implementability within the real-world operational environment of the healthcare system. This study aims to examine the perspectives of healthcare experts regarding the facilitators and barriers associated with implementing these models for the prevention of metabolic syndrome in Iran. Method: This study employed a qualitative approach and a descriptive-analytical method, utilizing Braun and Clarke’s (2006) six-phase thematic analysis. The research design followed a hybrid inductive-deductive method. Purposive sampling was conducted until theoretical saturation was reached, ultimately involving 15 experts: six clinicians, five managers and policymakers, and four health information technology specialists. Data were collected through in-depth, semi-structured interviews and analyzed using manual coding. Additionally, the SWOT analysis framework served as a deductive guide for organizing and analyzing the themes. Results: The analysis led to the identification of 20 main themes, which were organized into four categories: strengths (8 themes), weaknesses (5 themes), opportunities (3 themes), and threats (4 themes). Strengths mainly included managerial flexibility, employee empowerment, and action-based learning. Weaknesses included dependence on traditional training and lack of continuous feedback, opportunities included technological advances and policy support, and threats included high workload and policy instability. Four implementation strategies (SO), WO, ST, WT) were extracted, with the combined SO and WT strategies being the most emphasized. Conclusion: The success of predictive models requires a focus on integrated strategies at the organization level and macro-policy making. The findings of this study can also contribute to evidence-based policy making in the Iranian Health Insurance Organization as well as national prevention programs. http://jhbmi.ir/article-1-983-en.pdf 2026-09-19 41 52 10.34172/jhbmi.2026.11 Statistical Models Qualitative Research Strategic Planning Health Services Accessibility Barriers to Care Mohsen Farboud m.farboud24@gmail.com 1 Ph.D. Candidate in Health Service Administration, Department of Health Service Administration, ST.C., Islamic Azad University, Tehran, Iran AUTHOR Somayeh Hessam Shessam@iau.ac.ir 2 Associate Professor, Ph.D. in Health Service Administration, Department of Health Service Administration, ST.C., Islamic Azad University, Tehran, Iran AUTHOR Shaghayegh Vahdat sha_vahdat@yahoo.com 3 Associate Professor, Ph.D. in Health Service Administration, Department of Health Service Administration, ST.C., Islamic Azad University, Tehran, Iran AUTHOR Shahram Tofighi shr_tofighi@yahoo.com 4 Associate Professor, Ph.D. in Health Service Administration, Department of Health Service Administration, ST.C., Islamic Azad University, Tehran, Iran AUTHOR

OTHERS_CITABLE مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد. http://jhbmi.ir/article-1-995-fa.pdf 2026-09-19 53 58 10.34172/jhbmi.2026.12 هوش مصنوعی آموزش عالی آموزش علوم پزشکی حکمرانی پیش‌نگر آینده مشاغل تحول آموزشی The article is a letter to the editor, so it does not have an abstract. http://jhbmi.ir/article-1-995-en.pdf 2026-09-19 53 58 10.34172/jhbmi.2026.12 Artificial Intelligence Higher Education Medical Education Anticipatory Governance Future of Work Educational Transformation Ali Akbar Haghdoost ahaghdoost@gmail.com 1 Modeling in Health Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR Reza Dehnavieh rdehnavi@gmail.com 2 Health Foresigh and Innovation Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR

OTHERS_CITABLE مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد. http://jhbmi.ir/article-1-992-fa.pdf 2026-09-19 59 63 10.34172/jhbmi.2026.13 پردازش تصویر یادگیری ماشین شبکه عصبی کانولوشنال عمیق تشخیص پزشکی The article is a letter to the editor, so it does not have an abstract. http://jhbmi.ir/article-1-992-en.pdf 2026-09-19 59 63 10.34172/jhbmi.2026.13 Image processing Machine Learning Deep convolutional neural network Medical diagnosis Farzan Madadizadeh madadizadehfarzan@gmail.com 1 Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR Mohammad Mahdi Ghaemi dr.mghaemi@gmail.com 2 Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR Zhila Agharezaei zh.agharezaei@gmail.com 3 Medical Informatics Research Center, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran AUTHOR

OTHERS_CITABLE http://jhbmi.ir/article-1-1002-fa.pdf 2026-10-07 73 76 https://dx.doi.org/10.34172/jhbmi.2026.15 زیست بوم سلامت دیجیتال هوش مصنوعی حکمرانی داده   http://jhbmi.ir/article-1-1002-en.pdf 2026-10-07 73 76 https://dx.doi.org/10.34172/jhbmi.2026.15 Digital Health Ecosystem Artificial Intelligence (AI) Data Governance Ahmad Radan haghiri@hums.ac.ir 1 Ph.D. Candid in Futures Studies, Eyvanekey University, Semnan, Iran AUTHOR Farzaneh Mir Shah Velayati f.shahvelayati@ihcs.ac.ir 2 Assistant professor and faculty member, Institute for Humanities and Cultural Studies, Tehran, Iran AUTHOR Farid Khorrami faridkhorrami@hums.ac.ir 3 Associate Professor of Health Information Management, Department of Health Information Technology, School of Allied Medical Sciences, Hormozgan University of Medical Sciences, Hormozgan, Iran AUTHOR