بررسی پذیرش و استفاده از سیستم‌ اطلاعات بیمارستان در بین کاربران بخش مدارک پزشکی با استفاده از مدل UTAUT Acceptance and Use of Hospital Information System: A Study on Medical Records Users Based on Unified Theory of Acceptance and Use of Technology 1 1 مقدمه: اهمیت نقش کاربران در موفقیت یا شکست سیستم‌های اطلاعات بیمارستان و عوامل مؤثر بر پذیرش آن در پیاده‌سازی موفق این سیستم‌ها آشکار است. هدف پژوهش حاضر شناخت وضعیت پذیرش و استفاده کاربران بخش مدارک پزشکی از سیستم‌های اطلاعات بیمارستان در بیمارستان‌های آموزشی اصفهان با استفاده از مدل UTAUT بود. روش: مطالعه حاضر کاربردی و تحلیلی بود. جامعه پژوهش کارکنان بخش مدارک پزشکی 11 مورد از بیمارستان‌های آموزشی شهر اصفهان بود، از واحدهای این بخش (شامل پذیرش، کدگذاری، بایگانی و آمار) یک کاربر در دسترس انتخاب شد. از آنجا که در برخی از واحدهای بایگانی سیستم اطلاعات بیمارستان فعال نیست، در مجموع 39 نفر وارد مطالعه شدند. ابزار گردآوری داده‌ها پرسشنامه بود. روایی پرسشنامه مورد تأیید 10 نفر از اساتید قرار گرفت و پایایی آن با آزمون آلفای کرونباخ 89 درصد به دست آمد. داده‌ها با ضریب همبستگی پیرسون، آنالیز واریانس یک‌طرفه و متناظر ناپارامتری و آزمون کروسکال والیس و با استفاده از نرم‌افزار SPSS نسخه 21 تحلیل شد. نتایج: یافته‌ها حاکی ازهمبستگی قوی بین تمایل رفتاری با انتظار عملکردی (0/488=r)‌، تأثیرات اجتماعی (0/607=r) و انتظار کوششی (0/304=r) و همبستگی ضعیف بین تمایل رفتاری و شرایط تسهیل کننده (0/197=r) بود. نتیجه گیری: نتایج حاکی از آن است که کارکنان بخش مدارک پزشکی در بیمارستان‌های آموزشی اصفهان استفاده از سیستم اطلاعات بیمارستان را موجب پیشرفت عملکرد شغلی خود می‌دانند و به نظر می‌رسد جهت ارتقای سیستم‌های موجود، انتظارات و نیازهای کاربران یک عامل مهم به منظور اجرای موفق سیستم‌های اطلاعاتی در بخش سلامت ‌باشد. 2 Introduction: The importance of users’ role in success or failure of hospital information system and effective factors in successful implementation of these systems is obvious. This study aimed to identify acceptance and use of hospital information systems among medical record department employees at Isfahan teaching hospitals. Methods: This was an applied and analytic study. Research population was staff of medical record departments of 11 teaching hospitals in Isfahan/ Iran. One available user from each medical record unit (admission, statistics, coding and filing) was selected and since in some of the hospitals, the filling unit is not active, totally, 39 users were included in the study. Data were collected through a questionnaire. The validity of the questionnaire was confirmed by 10 academic members and its reliability was determined by Cronbach's alpha (89%). Data were analyzed using Pearson correlation coefficient, one-way analysis of variance, corresponding non-parametric and Kruskal Wallis Test and through SPSS21. Results: The results showed a strong and positive correlation of behavioral intention with performance expectation (r=0.488), Social effects (r=0.607) and effort expectation (r=0.304). In contrast, there was weak correlation between behavioral intention and facilitating conditions (r=0.197). Conclusion: The results showed that from the point of views of medical record department’s staff of Isfahan teaching hospitals, use of hospital information system improves job performance and it seems that for improvement of the present systems, users’ expectations and needs are important factors and cause successful implementation of information systems in health sector. 243 250 2017/07/17 1396/4/26 ناهید توکلی Nahid Tavakoli دانشجوی دکترای تخصصی مدیریت سلامت در حوادث، مرکز تحقیقات مدیریت و اقتصاد سلامت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. ایران tavakoli@mng.mui.ac.ir مریم جهانبخش Maryam Jahanbakhsh دکترای تخصصی مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. ایران jahanbakhsh@mng.mui.ac.ir قاسم یادگارفر Ghasem Yadegarfard دکترای تخصصی اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. ایران g_yadegarfar@yahoo.co.uk نرگس رنجبر Narges Ranjbar دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. ایران ranjbar.narjes@gmail.com Hospital information system Medical Record Department Unified Theory of Acceptance and Use of Technology (UTAUT) سیستم اطلاعات بیمارستان بخش مدارک پزشکی‌ مدل متحدالشکل پذیرش و استفاده از فناوری 1. Namamian F, Rahmi A. Influence hospital information system enhance on the value chain in Imam Ali hospital of Kermanshah [dissertation]. Kermanshah: Islamic Azad University of Kermanshah.Persian##2. Imani E, Khademi Z, Yusefi P, Bahrami Z, Naghizadeh F. Experiences of nursing managers about hospital information system: a qualitative study. Hormozgan Medical Journal 2012;16(3):223-32. Persian##3. Bouraghi H, Valinejadi A, Kiani M, Khodadadi M, Yazdanyar M, Vakilimofrad H, Amiri MR. A survey on the knowledge of managers of Hamadan university of medical sciences about applications of hospital information system. J Health Syst Res 2012;8)2(:275 -81. Persian##4. Aggelidis VP, Chatzoglou PD. Using a modified technology acceptance model in hospitals. Int J Med Inform 2009;78(2):115-26.##5. Anwar F, Shamim A. Barriers in Adoption of health information technology in developing societies. International Journal of Advanced Computer Science and Applications 2011; 2(8): 40-5.##6. Dargahi H, Mohammad Zadeh N, Rezaian HR. E-Business in Health Care Systems. Payavard Salamat 2011; 5(3):39-48. Persian##7. Phichitchaisopa N, Naenna T. Factors affecting the adoption of healthcare information technology. EXCLI J 2013;12:413-36.##8. Kahouei M, Soleymani M, Ghazavi S, Aalaei SA. Views, behavior and satisfaction of the nurses and other hospital ward personnel about the effectiveness of computer systems of hospital information on caring process. Health Inf Manage 2007;4(2):193- 202. Persian##9. Sharifian R, Askarian F, Nematolahi M, Farhadi P. Factors influencing nurses' acceptance of hospital information systems in Iran: application of the Unified Theory of Acceptance and Use of Technology. HIM J 2014;43(3):23-8.##10. Noor’ainmohamad Y, Dillasyadiaab L, Zamzalizaab M, Srifatianyab J, Syukrina A, Noor azzah S. Acceptance of Total Hospital Information System (THIS). International Journal of Future Computer and Communication 2013; 2(3): 160-3.##11. Ebadifard Azar F, Ansari H, Zohour A, Marashi SS. Study of users' attitudes about the computerized Hospital Information Systems (HIS). Payesh 2007; 6(1): 11-8. Persian##12. Ayatollahi H, Langarizadeh M, Chenani H. Comparison of neeee’’ satisfaction with and expectations of hospital information systems in two selected educational hospitals. Health Inf Manage 2013; 10(5): 675- 83. Persian##13. Farzinyazdi M, Baradar R, Ghaebi A. Study on applicability of "technology acceptance model" for adoption RFID in academic libraries Case Study: Yazd [dissertation]. Tehran: Alzahra University; 2013. Persian.##14. Liu YC, Huang YM. Using the UTAUT Model to Examine the Acceptance Behavior of Synchronous Collaboration to Support Peer Translation. JALT CALL Journal 2015;11(1):71-91.##15. Rezai M. Prevailing theories about the adoption of information and communication technologies. Journal of Communication Research 2010;16(4):63-93. Persian##16. Khoshhal Koshali H, Allahyari MS, Chizari M, Daghighi Masouleh Z. Factors influencing on acceptance of digital library by faculty members of agricultural educational and research institutions in Guilan Province. Iranian Journal of Agricultural Economics and Development Research 2015;46(2):335-56. Persian##17. Dwivedi YK, Rana NP, Chen H, Williams MD. A Meta-analysis of the Unified Theory of Acceptance and Use of Technology (UTAUT). In: Nüttgens M, Gadatsch A, Kautz K, Schirmer I, Blinn N, editors. Governance and Sustainability in Information Systems Managing the Transfer and Diffusion of IT: IFIP WG 86 International Working Conference, Hamburg, Germany; 2011 Sep 22-24; Proceedings. Berlin, Heidelberg: Springer Berlin Heidelberg; 2011. p. 155-70.##18. Eskandari M, Akbarian R. Investigating effective factors on adopting tax e-filling in Iran (a case study of state tax administration of Qazvin province). Journal of Tax Research. 2011; 19(11): 221-44. Persian##19. Kimani J, Namusonge S. Factors affecting the utilization of health information technology projects in Nairobi County. Strategic Journal of Business & Change Management 2015;2(57): 286-315.##20. Meshki M, Marimiyaghobiyan M, Hemmatiasiabaraki M. Providing a structural model for the electronic tax (case study: Fars Province). Journal of Empirical Research in Accounting 2012;2(1):93-112. Persian##21. Hoseini N, Vazirkeshmiri M, Sohrabicheshmeh M. The acceptance and use of Latin on-line databases among faculty members of Kermanshah universities based on Unified Theory of Acceptance and Use of Technology (UTAUT). Journal of Epistemology (Library and Information Science and Information Technology) 2015; 7(27):43 – 54. Persian##22. Alazzam M, Basari S, Sebghatullah A, Doheir M, Maenaizan O, Khmamra A. EHRS acceptance in Jordan hospitals by UTAUT2 Model: preliminary result. Journal of Theoretical & Applied Information Technology 2015;3(78):473-82. ##23. Jahanbakhsh M, Nazemi Z. Factors related to acceptance and use of storage and retrieval systems ayatollah kashani hospital radiology images from the pattern of acceptance and use information technology [Research Project]. Isfahan: Isfahan University of Medical Sciences; 2014. Persian##24. Moradi M, Mehrani K, Boroumand M. Factors affecting the adoption of information technologies by the police. Police Journal of Human Development 2009;7(28): 77-93. Persian##25. Asefzadeh S, Fozounkhah S. Challenges in evaluation of the health information systems. The J Qazvin Univ Med Sci 2007;11(2):61-9. Persian##26. Tabibi SJ, Farhangi AA, Nasiripour AA, Kazemzadeh RB, Ebrahimi P. Association between Harrison cultural typology and acceptance of hospital information system. Health Info Manage. 2013;10(3): 380-90. Persian##27. Kahouei M, Babamohamadi H. Factors affecting information technology acceptance in clinical settings from nurses' perspective. Payavard Salamat 2013; 7(4):262-77. Persian ##28. Goudarzvand Ghegini M, Esmaeili S. The study of organizational culture associated with unified theory of acceptance and use of technology model in hospitals of Rasht. Payavard Salamat 2015; 9(1):29-42. Persian##29. Azizzadeh M, Tofighi S, Fayaz Bakhsh A. Study of nurses' views about the impact of hospital information system on nursing processes in Farabi hospital in Tehran. Payavard Salamat 2014; 8(3):235-48. Persian##30. Abdekhoda M, Ahmadi M, Hossini A F, Prikhani E, Farhadi A. Factors affecting information technology acceptance by Health Information Management (HIM) staff of Tehran University of Medical Sciences’ hospitals based on the Technology Acceptance Model (TAM) In 2011. Payavard Salamat 2013; 7(4):287-98. Persian##31. Tavakoli N, Jahanbakhsh M, Shahin A, Mokhtari H, Rafiei M. Electronic medical record in central polyclinic of Isfahan oil industry: a case study based on technology acceptance model. Acta Inform Med 2013; 21(1): 23-25. ##32. Rahimipour M, Ghaiyoomi A, Alimohamadzadeh K. The Relationship between hospital information system and psychological empowerment of hospital employees. Health Inf Manage. 2016; 12(6):712-8. Persian##33. Ghalavandi H. Factors influencing teachers' computer use: testing the Unified Theory of Acceptance and Use of Technology (UTAUT). The Journal of New Thoughts on Education. 2015;11(3): 9-27. Persian##34. Jahanbakhsh M, Saghaeiannejad Esfahani S. Users’ point of view on software programs in medical records departments of Isfahan’s educational Hospitals, Iran. Health Inf Manage 2012;9(6):793-801. Persian##35. Saghaeiannejad Isfahani S, Saeedbakhsh S, Jahanbakhsh M, Habibi M. assessment and comparison of hospital information systems in Isfahan hospitals based on the adjusted Delone and McLean model. Health Inf Manage 2012; 8(5):610-20. Persian##36. Farzandipour M, Meidani Z. DO hospital information systems vendors meet user needs? Health Inf Manage 2011; 8(4):545-53. Persian## ## ##

یک سیستم خبره تشخیص بیماری قلبی مبتنی بر ترکیب شواهد در داده‌کاوی An Expert System for Heart Disease Diagnosis Based on Evidence Combination in Data Mining 1 1 مقدمه: بیماری عروق کرونری، شایع‌ترین نوع بیماری قلبی و عامل اصلی مرگ و میر در کشورهای صنعتی می باشد. این پژوهش با هدف طراحی یک سیستم خبره‌ی‌ با دقت بالا برای تشخیص بیماری عروق کرونری قلب انجام شد. روش: این مطالعه از نوع کاربردی بوده و از 14 ویژگی مربوط به 303 نفر که تحت آنژیوگرافی کرونری قرار گرفتند استفاده شده است. برای تشخیص دقیق‌تر بیماری عروق کرونری، نتایج سه روش کلاسه‌بندی شبکه‌های عصبی، بیزین ساده و نزدیکترین k همسایه با استفاده از تئوری ترکیب شواهد دمستر‌-‌شافر ترکیب شده است. از نسخه 7.‌3 نرم افزار داده‌کاوی Weka و همچنین زبان برنامه نویسی C#‌ در محیط .Net Framework برای پیاده سازی روش استفاده گردید. برای ارزیابی کارایی، روش 10-Fold cross validation بکار برده شد. نتایج: نتایج نشان داد که میانگین دقت (Accuracy)، حساسیت (Sensitivity) و ویژگی (Specificity) در روش پیشنهادی به ترتیب 90/1 درصد، 89/09 درصد و 91/3 درصد می باشد که این مقادیر در مقایسه با هر یک از کلاسه‌بندهای شرکت‌کننده در ترکیب بیشتر بود و همچنین نسبت به تحقیقات مشابه، دقت بهتری در تشخیص افراد دارای بیماری عروق کرونری داشت. نتیجه گیری: تحلیل نتایج نشان می‌دهند که در جامعه آماری مورد مطالعه، روش پیشنهادی عملکرد بهتری در تشخیص بیماری عروق کرونری دارد و می تواند بعنوان یک سیستم خبره، توسط متخصصین بالینی درگیر با بیماری قلبی، با هدف کمک به تصمیم‌گیری‌های بالینی و کاهش خطاها، بهبود زمان انتظار در تشخیص بیماری و کاهش آزمایشات غیرضروری پزشکی استفاده گردد. 2 Introduction: Coronary Artery disease is the most common type of heart disease and one of the leading causes of death in industrialized countries. The aim of this study was to design an expert system with high accuracy for Coronary artery disease diagnosis. Methods: In this applied study, 14 features of 303 patients underwent coronary angiography were used. Dempster-Shafer theory of evidence combination was used to combine the results of three classifying methods including Decision Tree, K-Nearest Neighbor and Neural Network, in order to design a more accurate coronary artery disease diagnostic system. The data mining tool (Weka version 3.7) and C# in Net Framework environment were used for the implementation of model. The 10-fold cross-validation was used for the efficiency assessment. Results: According to the results, mean accuracy, sensitivity, and specificity of the proposed system were 90.1%, 89.09% and 91.3% respectively. These values were higher in comparison with each of the participated classifiers in the combination. Moreover, in comparison to the similar studies, this method showed higher accuracy for the diagnosis of coronary artery disease. Conclusion: The results of this research indicates that in the studied population, the proposed method has better accuracy in the diagnosis of coronary heart disease. This method, as an expert system, can help clinicians in making decisions, reducing clinical errors, improving the time to get a diagnostic through reducing waiting time and reducing unnecessary medical tests. 251 258 2017/07/172017/07/17 1396/4/26 حمیدرضا طهماسبی Hamidreza Tahmasbi دانشگاه آزاد ایران ithrt20@gmail.com مهرداد جلالی Mehrdad Jalali ستادیار، دکترای مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران. ایران jalali@mshdiau.ac.ir حسن شاکری Hassan Shakeri دانشگاه آزاد ایران shakeri@mshdiau.ac.ir Coronary artery disease Expert system Medical diagnosis Dempster-Shafer theory Classification بیماری عروق کرونری سیستم خبره تشخیص پزشکی تئوری دمستر-شافر کلاسه‌بندی 1. Anooj PK. Clinical decision support system: Risk level prediction of heart disease using weighted fuzzy rules. Journal of King Saud University - Computer and Information Sciences 2012;24(1):27–40. ##2. Vila-Francés J, Sanchis J, Soria-Olivas E, Serrano AJ, Martínez-Sober M, Bonanad C, et al. Expert system for predicting unstable angina based on Bayesian networks. Expert Systems with Applications 2013;40(12):5004–10. ##3. Bashir S, Qamar U, Khan FH, Javed MY. MV5: A Clinical Decision Support Framework for Heart Disease Prediction Using Majority Vote Based Classifier Ensemble. Arab J Sci Eng 2014;39(11):7771–83. ##4. Tahmasbi H. Evaluation of Data Mining Classification Techniques and Performances on Medical Data. 4th Iran Data Mining Conference; 2010 Oct –Nov 31-1; Tehran, Iran; 2010. Persian##5. World Health Organization (WHO). The top 10 causes of death [cited 2016 Jan 1]. Available from: http://www.who.int/mediacentre/factsheets/fs310/en/##6. Shouman M, Turner T, Stocker R. Using decision tree for diagnosing heart disease patients. Proceedings AusDM '11 Proceedings of the Ninth Australasian Data Mining Conference; 2011 Dec 1–2; Ballarat, Australia: Australian Computer Society, Inc; 2011. p. 23–30. ##7. Squeri A. Coronary Artery Disease-New Insights and Novel Approa-ches. Rijeka: Intechopen; 2012. ##8. Nahar J, Imam T, Tickle KS, Chen YP. Association rule mining to detect factors which contribute to heart disease in males and females. Expert Systems with Applications. 2013;40(4):1086–93. ##9. Giri D, Acharya UR, Martis RJ, Sree SV, Lim TC, Ahamed T, et al. Automated diagnosis of Coronary Artery Disease affected patients using LDA, PCA, ICA and Discrete Wavelet Transform. Knowledge-Based Systems 2013;37:274–82. ##10. Khosravanian A, Ayat SS. Presenting an intelligent system for diagnosis of coronary heart disease by using Probabilistic Neural Network. Health Inf Manage 2015; 12(1):3-13. Persian##11. Negahbani M, Joulazadeh S, Marateb HR, Mansourian M. Coronary Artery Disease Diagnosis Using Supervised Fuzzy C-Means with Differential Search Algorithm-based Generalized Minkowski Metrics. Peertechz J Biomed Eng 2015; 1(1): 006-014.##12. Tahmasbi H, Amoozgar M, Adine H. Replacement of Missing Values and its Effect on the Classification Accuracy in Medical Data Mining. Journal of Health and Biomedical Informatics 2015; 2(1):24-32. Persian##13. Sentz K, Ferson S. Combination of evidence in Dempster-Shafer theory. California: Sandia National Laboratories; 2002. ##14. Rani KU. Analysis of heart diseases dataset using neural network approach. International Journal of Data Mining & Knowledge Management Process 2011; 1(5): 1-8.##15. Rajkumar A, Reena GS. Diagnosis of heart disease using datamining algorithm. Global Journal Of Computer Science and Technology 2010;10(10):38-43. ##16. Alizadehsani R, Habibi J, Hosseini MJ, Mashayekhi H, Boghrati R, Ghandeharioun A, et al. A data mining approach for diagnosis of coronary artery disease. Comput Methods Programs Biomed 2013;111(1):52-61.##17. UCI Machine Learning Repository. Heart Disease Data Set [cited 2016 Jul 24]. Available from: http://archive.ics.uci.edu/ml/datasets/Heart+Disease##18. Bashir S, Qamar U, Khan FH. IntelliHealth: A medical decision support application using a novel weighted multi-layer classifier ensemble framework. J Biomed Inform 2016;59:185-200. ##19. Muthukaruppan S, Er MJ. A hybrid particle swarm optimization based fuzzy expert system for the diagnosis of coronary artery disease. Expert Systems with Applications 2012;39(14):11657–65. ##20. Samuel OW, Asogbon GM, Sangaiah AK, Fang P, Li G. An integrated decision support system based on ANN and Fuzzy_AHP for heart failure risk prediction. Expert Systems with Applications 2017; 28;68:163-72.## ##

پرونده الکترونیک ناباروری با رویکرد طب سنتی Electronic Record for Infertile Patients Based on Traditional Medicine Approach 1 1 مقدمه: پرونده الکترونیک می‌تواند به عنوان یکی از فناوری‌های کلیدی در عرصه مراقبت سلامت مورد استفاده قرار گیرد که با قابلیت های فراوان خود ابزار کار‌آمدی را برای مستند‌سازی‌، تبادل اطلاعات و مشارکت سازمان‌های مراقبت سلامت فراهم کرده است. لذا مطالعه حاضر با هدف طراحی پرونده الکترونیک ناباروری با رویکرد طب سنتی صورت گرفت. روش: این پژوهش از نوع کاربردی- توسعه‌ای بود. پس از تکمیل پرسشنامه نیازسنجی اطلاعاتی توسط 20 نفر از متخصصین طب سنتی، داده ها با استفاده از آمار توصیفی در نرم افزار 22spss تحلیل شد و سیستم بر پایه نتایج طراحی و در نهایت جهت ارزیابی قابلیت استفاده و رضایت کاربران در اختیار 10 نفر از متخصصین طب سنتی قرار گرفت. نتایج: پزشکان متخصص شرکت‌کننده، اکثریت عناصر داده‌ای پرسشنامه نیازسنجی را ضروری تشخیص داده و قابلیت استفاده از سیستم را در سطح خوب با میانگین امتیاز 8/6 (از مجموع نه امتیاز) ارزیابی نمودند. سیستم طراحی شده علاوه بر ذخیره، بازیابی و گزارش‌گیری از داده‌ها توانایی تغییر در داده‌های مورد استفاده در سامانه‌، ایجاد فرم‌های جدید‌، تغییر نحوه نمایش آیتم‌ها از نظر اندازه و نوع، با نظر کاربر و بدون نیاز به برنامه‌نویسی را دارد. نتیجه‌گیری: یافته‌های پژوهش حاکی از آن بود که طراحی و پیاده‌سازی پرونده الکترونیک پزشکی یک گام مؤثر در مدیریت داده‌های پزشکی بیماران نابارور با رویکرد طب سنتی می‌باشد. طراحی پرونده الکترونیک ناباروری با رویکرد طب سنتی منجر به افزایش کارایی مؤثر، عملکرد و ذخیره سازی و بازیابی داده‌های سلامت خواهد شد. 2 Introduction: Electronic records can be used as one of the key technologies in health care field. Electronic record, with its several capabilities, is an efficient tool for documentation, information exchange and cooperation of health care organizations. The aim of this study was to design an electronic record based on the traditional medicine approach for infertile patients. Methods: The present study was an applied- development research. First, information requirements questionnaire was filled out by 20 traditional medicine specialists and the obtained data were analyzed through SPSS22 software. Then, a system based on data was designed and given to 10 traditional medicine specialists for evaluation of its practical use and patients’ satisfaction rate. Results: A majority of data elements in the questionnaire were found necessary by the respondents and in relation to practical use, it gained mean score of 8.6 (out of 9). The designed system, in addition to providing data storage, retrieval and reporting is capable of changing the used data, creating new forms and displaying items with different sizes and types according to the user’s comments and without any need for programming. Conclusion: According to the obtained results, the electronic medical record designed based on traditional medicine approach was an effective step in managing health data of infertile patients. Designing electronic record based on traditional medicine approach for infertile patient’s increases efficient performance, function, storage and retrieval of health data. 259 271 2017/01/15 1395/10/26 2017/07/172017/07/172017/03/15 1395/12/25 مرجان قاضی سعیدی Marjan Ghazisaeedi دکترای مدیریت اطلاعات سلامت، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران. ایران gazi.saeedi@yahoo.com مژگان تنساز Mojgan Tansaz دکترای طب سنتی، استادیار، دانشکده طب سنتی، گروه طب سنتی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران. ایران tansaz_mojgan@yahoo.com لیلا شاهمرادی Leila Shahmoradi دکترای مدیریت اطلاعات سلامت، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران. ایران lshahmoradi20@gmail.com علیرضا نصیری Alireza Nasiri کارشناس ارشد مهندسی کامپیوتر گرایش نرم‌افزار، دانشگاه علوم پزشکی قزوین، قزوین، ایران. ایران negahshop@yahoo.com فریده طهماسبی Farideh Tahmasebi کارشناس ارشد فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران. ایران tahmasebi.farideh@yahoo.com زهره صحرایی* Zohreh Sahraei کارشناس ارشد فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران. ایران sahraeizohre@yahoo.com Electronic Records Infertility Traditional medicine پرونده الکترونیک بیماران نابارور طب سنتی 1. Direkvand-Moghadam A, Delpisheh A, Khosravi A. Epidemiology of female infertility; a review of literature. Biosciences Biotechnology Research Asia 2013; 10(2):559-67. ##2. Direkvand Moghadam A, Delpisheh A, Sayehmiri K. The prevalence of infertility in Iran, a systematic review. The Iranian Journal Obstetrics Gynecology Infertility 2014; 16(81): 1-7.##3. Delpishe A, Dirkavand Moghadam A, Moradi Z, Mirmoghadam N. Aspects of epidemiology of infertility in Ilam in 2013. Iranian Journal of Obstetrics, Gynecology and Infertility 2014; 17(98):8-14.##4. Abolmasum F, Alizadeh S, Asghari M. Utilizing data mining techniques for investigating factors influencing the failure of intrauterine insemination infertility treatment. J Health Adm 2014; 16(54) :46-55. Persian##5. Read SC, Carrier M-E, Whitley R, Gold I, Tulandi T, Zelkowitz P. Complementary and alternative medicine use in infertility: cultural and religious influences in a multicultural Canadian setting. J Altern Complement Med 2014;20(9):686-92. ##6. Naseri M. Traditional Iranian Medicine (Tim) and it's promotion with guidelines of world health organization. Daneshvar Medicine 2004;11(52): 53-66. ##7. Akhtari E, Bios S, sohrabvand F. Infertility in iranian traditional medicine from Hakim Mohammad Azam Khan point of view. Iranian Journal of Obstetrics, Gynecology and Infertility 2015; 18(148):18-23.##8. Tnsaz M, Adhami S, Mokaberinejad R, Jaladat AM. An overview of the causes and symptoms of male infertility from the perspective of traditional persian medicine. The Iranian Journal of Obstetrics, Gynecology and Infertility 2016;18(182):11-7.##9. Aghebati A, Safdari R, Dargahi H, Gushe Gire Seid A. Traditional medicine information management American Journal of Health Research 2014; 2(2): 43-8.##10. Ghazeeri GS, Awwad JT, Alameddine M, Younes ZM, Naja F. Prevalence and determinants of complementary and alternative medicine use among infertile patients in Lebanon: a cross sectional study. BMC Complementary and Alternative Medicine 2012;12:129.##11. O'Reilly E, Sevigny M, Sabarre KA, Phillips KP. Perspectives of complementary and alternative medicine (CAM) practitioners in the support and treatment of infertility. BMC Complement Altern Med 2014;14:394. ##12. Keyvanara M, Sadeghi M, Saghaeiannejad Isfahani S, Tadayon HR. A comparative review of national registry systems of acute coronary syndrome in selective countries. Health Inf Manage 2012; 9(2): 172 - 9. Persian##13. Fakhrzad M, Fakhrzad N, Dehghani M. The role of electronic health records in presenting health information. Media 2012; 2(4):31-40.##14. Boonstra A, Broekhuis M. Barriers to the acceptance of electronic medical records by physicians from systematic review to taxonomy and interventions. BMC Health Serv Res 2010;10:231. ##15. Rosenfeld DL, Garcia CR, Bullock W, Schieffle S, Smith D, Casey M. An infertility data registry. Fertility and Sterility 1978; 29(1):112–4.##16. Hosseini A, Moghaddasi H, Jahanbakhsh M. Designing minimum data sets of diabetes mellitus: basis of effectiveness indicators of diabetes management. Health Inf Manage 2010; 7(3):330-40. Persian##17. Rezaei-hachesu P, Samad-Soltani T, Mirnia K. Designing an electronic medical record system of infants in hospitals of Tabriz University of medical sciences. Journal of Health and Biomedical Informatics 2016; 2(4):229-39. Persian##18. Safdari R, Choobineh H, Rampisheh Z, Vahedi barzoki A. Analysis of infertility electronic registration system data elements, a comparative study. Biomed Pharmacol J 2016;9(1):323-36.##19. Robert M, Jacek J, Justyna MA, Jan D, Sławomir W. The system of electronic registration of information about patients treated for infertility with the IVF ICSI/ET method. Studies in Logic, Grammar and Rhetoric 2009; 17(30):225-39. ##20. Bjering H, Ginige A, Maeder A, Bensoussan A, Zhu X, Lattuca C. Electronic medical record information system for patient consultations in Chinese medicine. Stud Health Technol Inform 2011;168:10-5.##21. Liu CF, Tsai YC, Jang FL. Patients' acceptance towards a web-based personal health record system: an empirical study in Taiwan. Int J Environ Res Public Health 2013;10(10): 5191–208.#### ##

روش موجودیت محور چند سطحی جهت سیستم‌های پشتیبان تشخیص پزشکی با استفاده از فناوری معنایی در زمینه تشخیص بیماری‌های با علامت مشترک درد قفسه سینه Multilevel Entity-Based Approach for Medical Diagnosis Support Systems Using Semantic Web Technology for Diagnosis of Diseases with Common Symptom of Chest Pain 1 1 مقدمه: سیستم‌های پشتیبان تصمیم‌گیری، همراه با فناوری وب‌معنایی رویکردی نوین جهت کمک به پزشکان در تشخیص انواع بیماری‌ها ایجاد می‌کنند. از طرفی، هستی‌شناسی پزشکی یک مدل دانش از دامنه بالینی شامل تمام مفاهیم مرتبط به تشخیص، درمان، روش‌های بالینی و داده‌های بیمار است. روش: این پژوهش که از نوع توسعه‌ای-کاربردی می‌باشد و سیستمی‌ جهت تشخیص بیماری در حوزه‌های مختلف پزشکی با یک علامت مشترک درد قفسه سینه طراحی شده است. سیستم پیشنهادی انواع علائم، تست‌های تشخیصی، همچنین ماهیت متداخل بیماری را مبنی بر اینکه یک بیماری می‌تواند به عنوان یک عنصر تشخیصی از بیماری دیگر باشد را مورد توجه قرار داده و با استفاده از نرم افزار پروتیج و زبان برنامه‌نویسی مبتنی بر قانون جنا داده‌های واقعی بیماران بیمارستان شفا کرمان را مورد بررسی قرار داده است. نتایج: برای ارزیابی روش پیشنهادی، نتایج به دست آمده با روش‌های کلاسیک و چند سطحی از لحاظ تشخیص بیماری و تعداد قوانین مورد نیاز مقایسه شده است که روش پیشنهادی بر خلاف روش کلاسیک قابلیت تشخیص بیماری در داخلی‌ترین سطح را داشته و همچنین بر خلاف روش چند سطحی تنها با هفت قانون در بدترین شرایط (افزایش سطوح بیماری متداخل) توانایی تشخیص بیماری در حوزه‌های مختلف با علامت مشترک درد قفسه سینه را دارا می‌باشد. نتیجه‌گیری: روش تشخیص موجودیت محور چندسطحی به کمک فناوری معنایی، ابزاری کارا جهت سیستم‌های تشخیص پزشکی می‌باشد. 2 Introduction: Decision making Support Systems, along with Semantic Web technology, develop a new approach to help physicians in the diagnosis of a variety of illnesses. On the other hand, medical ontology is a knowledge model of clinical domain including all the concepts related to the diagnosis, treatment, clinical procedures and patient data. Methods: In this developmental-applied study, a system for the diagnosis of diseases in various fields of medicine based on the chest pain as a common symptom has been developed. Various symptoms, diagnostic tests and also the intervening nature of disease, meaning that one disease could be a diagnostic symptom of another disease, have been considered in this system and by applying it, real data of patients hospitalized in Shafa hospital in Kerman/ Iran have been studied through Protege software and program language based on Jena rule. Results: The proposed method was compared to conventional and multilevel methods in regard to the disease diagnosis and the number of required rules. The proposed method, as opposed to the conventional method, is capable of detecting disease at the most inner level. Furthermore the proposed multi-level and entity-related method is capable of detecting disease by means of just seven rules even in the worst cases. Conclusion: Multilevel entity-based approach accompanied with semantic technology is an effective approach in medical diagnosis systems. 272 286 2017/01/152016/12/15 1395/9/25 2017/07/172017/07/172017/03/152017/02/4 1395/11/16 مریم نوروززاده راوری Maryam Norouzzadeh Ravari دانشجوی ارشد طراحی و تولید نرم افزار، گروه فن‌آوری اطلاعات، دانشکده فنی و مهندسی‌، دانشگاه آزاد اسلامی، واحد کرمان، کرمان، ایران. ایران marynoele@gmail.com وحید ستاری نائینی Vahid Sattari-Naeini استادیار، دکترای مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران. ایران vsnaeini@uk.ac.ir Decision Support Systems Semantic Web Medical ontology Rule inference Medical diagnostics سیستم‌های پشتیبانی تصمیم‌گیری وب‌معنایی هستی‌شناسی پزشکی استنتاج قانون‌ تشخیص پزشکی 1. Payne TH. Computer decision support systems. Chest 2000; 118(2): 47-52.##2. Faruji A. Intelligent decision support systems [dissertation]. Mashhad: Payam-e Noor University of Mashhad; 2010. Persian##3. Mabotuwana T, Warren J. An ontology-based approach to enhance querying capabilities of general practice medicine for better management of hypertension. Artif Intell Med. 2009;47(2):87-103. ##4. Berners-Lee T, Hendler J, Lassila, O. The semantic web. Scientific American; 2001.##5. Talebian M. Data retrieval for semantic web.[Thesis].Tehran:Shahid beheshti University of Tehran; 2007. Persian##6. Jovic A, Prcela M, Gamberger D. Ontologies in medical knowledge representation. In: 29th International Conference on Information Technology Interfaces; 2007 Jun 25-28; Cavtat, Croatia: IEEE; 2007.##7. Javanmardi S. Access control model for semantic web environment [dissertation]. Tehran: Sharif University of Technology; 2006. Persian##8. Breitman K, Casanova MA, Truszkowski W. Semantic Web: Concepts, Technologies and Applications. 1st ed. Springer; 2007.##9. Rodríguez-González A, Alor-Hernández G. An approach for solving multi-level diagnosis in high sensitivity medical diagnosis systems through the application of semantic technologies. Comput Biol Med 2013;43(1):51-62.##10. Kahn CE Jr. Transitive closure of subsumption and causal relations in a large ontology of radiological diagnosis. J Biomed Inform. 2016;61:27-33. ##11. Podgorelec V, Grašič B, Pavlič L. Medical diagnostic process optimization through the semantic integration of data resources. Comput Methods Programs Biomed 2009;95(2 Suppl):S55-67.##12. Dixon BE, Simonaitis L, Goldberg HS, Paterno MD, Schaeffer M, Hongsermeier A, et al. A pilot study of distributed knowledge management and clinical decision support in the cloud. Artif Intell Med 2013;59(1):45-53.##13. Riaño D, Real F, López-Vallverdú JA, Campana F, Ercolani S, Mecocci, P, et al. An ontology-based personalization of health-care knowledge to support clinical decisions for chronically ill patients. J Biomed Inform 2012;45(3):429-46.##14. Zhang X, Hu B, Ma X, Moore P, Chen J. Ontology driven decision support for the diagnosis of mild cognitive impairment. Comput Methods Programs Biomed 2014;113(3):781-91.##15. Ebrahiminejad M, Hassanzadeh S, Jalali M. Ontology-based anti-diabetic drug recommender system. National Conference on Application of Intelligent Systems (soft computing) in Science and Technology; 2013 Mar 4-5; Quchan: Islamic Azad University of Quchan; 2013. ##16. Torshizi AD, Zarandi MH, Torshizi GD, Eghbali K. A hybrid fuzzy-ontology based intelligent system to determine level of severity and treatment recommendation for Benign Prostatic Hyperplasia. Comput Methods Programs Biomed 2014;113(1):301-13.##17. Sadoughi F, Sheikhtaheri A. Applications of artificial intelligence in clinical decision-making: opportunities and challenges. Health Information Management 2011; 8(3):440-45. Persian##18. International Classification of Diseases, 10th Revision. [cited 2017 Jun 8]. Available http://icd10coded.com/cm/.##19. Lab Tests Online. [cited 2017 Jun 8]. Available https://labtestsonline.org/.##20. Protégé. [cited 2017 Jun 8]. Available http://protege.stanford.edu/.##21. Jena Ontology API. [cited 2017 Jun 8] .Available https://jena.apache.org/index.html## ##

تشخیص بیماری عروق کرونر قلبی با استفاده از درخت تصمیم C4.5 Detection of Coronary Artery Disease Using C4.5 Decision Tree 1 1 مقدمه: یکی از شایع‌ترین بیماری‌ها و علل مرگ و میر در دنیای امروز بیماری‌های قلبی است. استفاده از تکنیک‌های داده‌کاوی برای ایجاد مدل‌های پیشگویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. در این پژوهش با استفاده از درخت تصمیم C4.5 به روش‌های پیشگیری و تشخیص این بیماری پرداخته می‌شود. روش: این پژوهش از نوع کاربردی و توصیفی میباشد. در این پژوهش از داده‌های استاندارد UCI و مجموعه داده Cleveland استفاده نمودیم. این پایگاه داده شامل 297 رکورد میباشد. تجزیه و تحلیل به کمک نرم‌افزار Weka با بهکارگیری متدولوژی CRISP3 انجام شده است. در بخش مدل‌سازی درخت تصمیم C4.5 با بهکارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد شد. نتایج: با توجه به مدل استفاده شده مشخص شد که به ترتیب متغیرهای سطح بالای کلسترول، جنسیت، سن بالا، بالا بودن ماکزیمم ضربان قلب، اسکن تالیوم بالاتر از 3 و نوار قلب غیرنرمال بیشترین تأثیر را در ابتلا به بیماری عروق کرونر قلبی دارا هستند. همچنین به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده است که می‌تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به بیماری عروق کرونر قلبی استفاده شود. صحت مدل ایجاد شده با استفاده از درخت تصمیم بیش از 80 درصد بوده است. نتیجه‌گیری: با توجه به محاسبات انجام شده، نرخ دسته‌بندی برابر با 72/6% و دقت الگوریتم C4.5 برابر با 80/2% بهدست آمد که در مقایسه با نتایج مطالعات انجام شده در حوزه داده‌کاوی بیماری قلبی، دقت به دست آمده الگوریتم پیشنهادی قابل قبول است. 2 Introduction: Today, one of the most common diseases and causes of death in the world is heart diseases. Data mining techniques are very useful to create predictive models for identifying people at risk and decreasing the disease complications. In this study, using C4.5 decision tree method, the prevention and diagnosis of this disease are discussed. Methods: This was an applied descriptive study. UCI standard data and Cleveland data collection were used. The database contains 297 records. Analysis was performed through Weka software and using CRISP3 methodology. The C4.5 decision tree model, using input variables and determining the target variable, was created. Results: According to the applied model, it was found that high levels of cholesterol, sex, age, high maximum heart rate, scan thallium higher than 3 and abnormal ECG have the greatest impact on the risk of coronary heart disease. Furthermore, by using the created decision tree, some rules were extracted that can be used as a model to predict the risk of coronary heart disease. The accuracy of the model created by using decision tree was over 80 percent. Conclusion: According to our calculations, the rate of categorization was 72.6% and the accuracy of C4.5 algorithm was 80.2% that in comparison with the results of studies in the field of data mining of heart diseases, the obtained accuracy for the suggested algorithm is acceptable. 287 299 2017/01/152016/12/152016/12/15 1395/9/25 2017/07/172017/07/172017/03/152017/02/42017/07/16 1396/4/25 حامد صباغ گل Hamed Sabbagh Gol کارشناسی ارشد مهندسی کامپیوتر گرایش نرم‌افزار، مربی، عضو هیات علمی گروه کامپیوتر، دانشگاه پیام نور، ایران ایران hamedsabbagh@gmail.com Data mining Coronary artery disease C4.5 Decision tree. داده‌کاوی بیماری عروق کرونر قلبی درخت تصمیم C4.5 1. Bridget B. Kelly; Institute of Medicine; Fuster, Valentin. Promoting Cardiovascular Health in the Developing World. A Critical Challenge to Achieve Global Health. Washington, D.C; National Academies Press; 2010. ##2. Das R, Turkoglu I, Sengur A. Effective diagnosis of heart disease through neural networks ensembles. Expert Systems with Applications 2009;36(4):7675-80.##3. Soni J, Ansari U, Sharma D, Soni S. Predictive Data Mining for Medical Diagnoses: An Overview of Heart Disease Prediction. International Journal of Computer Applications 2011;17(8):85-93.##4. SubbalakshmiG, Ramesh K, Chinna Rao M. Decision Support in Heart Disease Prediction System using Naive Bayes. Indian Journal of Computer Science and Engineering 2011;2(2):183-95.##5. Boo S, Froelicher ES. Cardiovascular Risk Factors and 10-year Risk for Coronary Heart Disease in Korean Women. Asian Nursing Research 2012;6(1):1-8. ##6. Mohammadi F, Taherian A, Hosseini M A, Rahgozar M. Effect of Home-Based Cardiac Rehabilitation Quality of Life in the Patients with Myocardical Infarction. Archives of Rehabilitation 2006; 7 (3):11-9. Persian##7. Fayyad M, Piatetsky-Shapiro G, Smyth P, Uthurusamy R, Smyth Advances in Knowledge Discovery and Data Mining. American Association for Artificial Intelligence USA: 1996.##8. Lavrac N Selected techniques for data mining in medicine. Artif Intell Med 1999;16(1):3-23. ##9. Huang MJ, Chen MY, Lee SC. Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis. Expert Systems with Applications 2007;32(3):856-67. ##10. Witten IH, Frank E Hall MA. Data Mining: Practical Machine Learning Tools and Techniques. 4th ed. Morgan Kaufmann: Elsevier Science; 2016. ##11. Colombet I, Ruelland A, Chatellier G, Gueyffier F, Degoulet P, Jaulent MC. Models to predict cardiovascular risk: comparison of CART, multilayer perceptron and logistic regression. Proc AMIA Symp 2000; 156–60. ##12. Bellaachia A, Guven E. Predicting Breast Cancer Survivability Using Data Mining Techniques. Washington University 2005; 2(2): 53-62.##13. Stärk KDC, Pfeiffer DU. The application of non-parametric techniques to solve classification problems in complex data sets in veterinary epidemiology – An example. Intelligent Data Analysis 1999;3(1):23-35.##14. Ordonez C. Comparing Association rules and Decision Trees for Disease Prediction. Intelligent Data Analysis 2011; 15(2): 3-9.##15. Roiger RJ. Data mining: A tutorial-based primer. 2th ed U.S. Florida: CRC Press; 2017.##16. Ghazanfari M. Data Mining and Knowledge Discovery. Tehran: Publication of Elmo Sanaat; 2008. Persian##17. Chen J, Xing Y, Xi G, Chen J, Yi J, Zhao D, et al. A Comparison of Four Data Mining Models: Bayes, Neural Network, SVM and Decision Trees in Identifying Syndromes in Coronary Heart Disease. In: ##18. Liu D, Fei S, Hou ZG, Zhang H, Sun C, editors. Advances in Neural Networks – ISNN 2007: 4th International Symposium on Neural Networks, ISNN 2007, Nanjing, China, Jun 3-7, 2007, Proceedings, Part I. Berlin, Heidelberg: Springer Berlin Heidelberg; 2007. p. 1274-9. ##19. Karaolis M, Moutiris JA, Papaconstantinou L, Pattichis CS. Association rule analysis for the assessment of the risk of coronary heart events. Conf Proc IEEE Eng Med Biol Soc 2009;2009:6238-41.##20. Jyoti S, Ujma A, Dipesh S, Sunita S. Predictive Data Mining for Medical Diagnosis: An Overview of Heart Disease Prediction. International Journal of Computer Applications 2011; 17(8): 35-43.##21. Tsien CL1, Fraser HS, Long WJ, Kennedy RL. Using classification tree and logistic regression methods to diagnose myocardial infarction. Stud Health Technol Inform 1998;52 Pt 1:493-7. ##22. Kajabadi A, Saraee M, Asgari S. Medical Data Mining: An Approach to Discovery Relationships among Cardiovascular Risk Factors. 3rd Iran Datamining Conference, Iran, Tehran; 2009; Available from: www.civilica.Com/Paper-IDMC03-IDMC03_065. #### ##

طراحی سیستم تشخیص ندول های ریوی از روی تصاویر سی‌تی‌اسکن ریه با استفاده از طبقه‌بندی کننده ماشین بردار پشتیبان Designing a System for Detection of Pulmonary Nodules in Lung CT Images Using Support Vector Machine Classifier 1 1 مقدمه: تشخیص ندول‌های ریوی به کمک رادیولوژی یکی از روش‌های تشخیص زودرس سرطان در تصاویر سی‌تی‌اسکن است. یکی از چالشهای اصلی برای تشخیص ندولهای ریوی ، مشکل شناسایی و تفکیک ندولهای ریوی از اجزا ریه میباشد. در این پژوهش یک سیستم تشخیص به کمک کامپیوتر جهت شناسایی این ندول ها معرفی شده است. روش: این پژوهش مطالعهای توصیفی، تحلیلی بوده که به روی 97 تصویر سیتی اسکن انجام شده است. جهت تشخیص ندولهای ریوی از طبقه‌بندی کننده‌ی ماشین بردار پشتیبان و الگوریتم ژنتیک به کمک نرم افزار متلب استفاده شده است. نتایج: در این پژوهش در مورد ریه، سعی در دسته‌بندی نواحی تصاویر، به دو دسته دارای ندول و بدون ندول شده است. تحقیق حاضر درصدد ایجاد چارچوبی کاملاً خودکار برای شناسایی ندول‌های ریوی در تصاویر سی‌تی‌اسکن قفسه سینه می‌باشد. این چارچوب بخشی اساسی از سیستم شناسایی به کمک کامپیوتر بوده که در شناسایی دقیق و سریع‌تر ندولهای ریوی به رادیولوژیست کمک می‌نماید. نتیجه گیری: با توجه به نتایج حاصل از این مطالعه، برای تشخیص مناطق مشکوک به ندول، سیستم پیشنهادی به‌طور مؤثری در تشخیص ندول‌های مشکوک و مناطق آن‌ها نسبت به روش‌های قبلی بهتر عمل کرده است. 2 Introduction: Detection of pulmonary nodules using CT scan images is one of the methods for early detection of cancer. One of the main challenges for the detection of pulmonary nodules is identifying pulmonary nodules and differentiating them from lung components. In this study, a computer-aided detection system is proposed for the detection of these nodules. Methods: In this descriptive analytical study, 97 chest CT-scan images were studied. To detect pulmonary nodules, support vector machine classifier and Genetic algorithm by MATLAB software were used. Results: In this research on the lung, the areas of images were classified into the two groups of with nodule and without nodule and it was tried to create a fully automated framework to detect lung nodules in the chest CT images. This framework is an essential part of the computer-aided detection system that helps radiologists to detect lung nodules more accurately and rapidly. Conclusion: According to the results of this study, the proposed system is more efficient than the previous methods for detecting suspicious nodules. 300 309 2017/01/152016/12/152016/12/152016/12/18 1395/9/28 2017/07/172017/07/172017/03/152017/02/42017/07/162017/03/11 1395/12/21 حمیدرضا غفاری Hamidreza Ghaffari دکتری مهندسی کامپیوتر، استادیار گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران. ایران hghaffri@ferdowsiau.ac.ir مصطفی مستشاری Mostafa Mosteshari کارشناس ارشد مهندسی کامپیوتر، گروه کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران. ایران mosteshari.mostafa@yahoo.com مریم سادات محمودی Maryam Sadat Mahmoodi کارشناس ارشد علوم کامپیوتر، مربی، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، ایران. ایران m_mahmoodi_64@yahoo.com Pulmonary Nodules CT Scan Images Support Vector Machine Classifier ندول‌های ریوی تصاویر سی‌تی‌اسکن طبقه‌بندی کننده‌ی ماشین بردار پشتیبان. 1. National Cancer Institute. Cancer Stat Facts: Lung and Bronchus Cancer.National Cancer Institute, [cited 2015 Feb 25]. Available from: http://seer.cancer.gov/statfacts/html/lungb.html. ##2. Ebrahimnejad J, Amirfattahi R, Shayegh F. Usage of template matching for lung nodule detection in CT images, Majlesi Journal of Electrical Engineering 2008; 2(3): 59-67. Persian##3. Sun S, Li W, Kang Y. Lung nodule detection based on GA and SVM. Biomedical Engineering and Informatics (BMEI), 2015 8th International Conference on; 2015 Oct 14-16; Shenyang, China: IEEE; 2015. p. 96-100.##4. Lee Y, Hara T, Fujita H, Itoh S, Ishigaki T. Nodule detection on chest helical CT scans by using a genetic algorithm; 1997 Dec 8-10; Grand Bahama Island, Bahamas, Bahamas: IEEE; 1997. p. 67-70. ##5. Namin ST, Moghaddam HA, Jafari R, Esmaeil-Zadeh M. Automated detection and classification of pulmonary nodules in 3D thoracic CT images. Systems Man and Cybernetics (SMC), 2010 IEEE International Conference on; 2010 Oct 10-13; Istanbul, Turkey: IEEE; 2010. p. 3774-79. ##6. Gonçalves L, Novo J, Campilho A. Hessian based approaches for 3D lung nodule segmentation. Expert Systems with Applications 2016;61:1-15.##7. Nithila EE, Kumar SS. Segmentation of lung nodule in CT data using active contour model and Fuzzy C-mean clustering. Alexandria Engineering Journal 2016;55(3):2583-8. ##8. Kuppusamy V. Feature Extraction Based Lung Nodule Detection In CT Images. International Journal of Applied Engineering Research 2016;11(4):2697-2700. ##9. Armato SG, McLennan G, Bidaut L, McNitt-Gray MF, Meyer C. R, Reeves A P, et al. The lung image database consortium (lidc) and image database resource initiative (idri): A completed reference database of lung nod- ules on ct scans. Medical Physics 2011;38(2):915–31. ##10. Aggarwal T, Furqan A, Kalra K. Feature extraction and LDA based classification of lung nodules in chest CT scan images. 2015 International Conference on Advances in Computing, Communications and Informatics (ICACCI); 2015 Aug 10-13 Kochi, India: IEEE; 2015.p. 1189-93. ##11. Sajadzadeh A, Zahiri H, Razavi SM. Feature Selection Using Binary Harmony Search Algorithm Based on One versus All Classification Methods. Journal of Soft Computing and Information Technology 2015; 4(2): 3-12. Persian##12. Mahmoodi MS, Mahmoodi SA, Haghighi F, Mahmoodi S.M. Determining the stage of breast cancer by data mining algorithms. Iran J Breast Dis 2014; 2(7): 36-44. Persian ##13. Shao H, Cao L, Liu Y. A detection approach for solitary pulmonary nodules based on CT images. Proceedings of 2012 2nd International Conference on Computer Science and Network Technology; 2012 Dec 29-31; Changchun, China: IEEE; 2012. p. 1253-57. ##14. Keshani M, Azimifar Z, Tajeripour F, Boostani R. Lung nodule segmentation and recognition using SVM classifier and active contour modeling: a complete intelligent system. Comput Biol Med 2013;43(4):287-300.##15. Nithila E, Kumar SS. Lung cancer diagnosis from CT images using CAD system: a review. International Journal of Biomedical Engineering and Technology 2016; 21(4): 311-21. ##16. Dou Q, Chen H, Yu L, Qin J, Heng PA. Multilevel Contextual 3-D CNNs for False Positive Reduction in Pulmonary Nodule Detection. IEEE Transactions on Biomedical Engineering; 2016 Sep 26; Biomedical Engineering, IEEE; 2016. p. 1558 - 67.##17. Zhou T, Lu H, Zhang J, Shi H. Pulmonary Nodule Detection Model Based on SVM and CT Image Feature-Level Fusion with Rough Sets. Biomed Res Int 2016;2016:8052436. ##18. Sweetlin JD, Nehemiah HK, Kannan A. Feature selection using ant colony optimization with tandem-run recruitment to diagnose bronchitis from CT scan images. Computer Methods and Programs in Biomedicine. 2017;145:115-25.## ##

بررسی بیوانفورماتیکی برهمکنش آندروژن رسپتور با داروی بیکالوتامید Computational Analysis of Interactions between Androgen Receptor and Bicalutamide 1 1 زمینه و هدف: اکثر قریب به اتفاق داروها با اتصال به پروتئین هدف خود عمل می‏کنند. پیش بینی برهمکنش بین مولکول‏های کوچک و پروتئینها، یک عنصر کلیدی در فرایند کشف دارو محسوب می‏شود. پیشرفت در ژنتیک ساختاری، دسترسی به ساختارهای سه بعدی پروتئین‏هایی که مورد هدف دارو قرار می‏گیرند را برای ما امکان‏پذیر کرده است. با توجه به اینکه پروسه‎های آزمایشگاهی در ارتباط با بررسی برهمکنش‏های بین دارو و پروتئین هدف آن با صرف هزینه‎ و انرژی بالا صورت می‏گیرد، بهره‏گیری از روشهایin silico می‏تواند راهکار مؤثری برای ارائه‏ی اطلاعات مفید در حمایت از روش‏های تجربی باشد. روش بررسی: در این پژوهش نحوهی برهمکنش آندروژن رسپتور با داروی بیکالوتامید، به عنوان یک داروی پرکاربرد در درمان سرطان پروستات، با استفاده از آنالیزهای محاسباتی مورد بررسی قرار گرفته است. یافته ها: اطلاعات حاصل از این پژوهش نشان داد، اسیدهای آمینهی Met-895، Trp-741، Arg-752، Ile-899 ، Leu-707،Gly-708 ،Gln-711 ،Met-745 ، Met-749، Thr-877، Phe-764 و Met-742که در پیوند هیدروفوب و اسیدهای آمینهی Asn-705 و Leu-704 که در پیوند هیدروژنی با دارو قرار دارند، نقش بسزایی در برهمکنش میان این پروتئین و دارو ایفا مینمایند. نتیجه گیری: نتایج حاصل را میتوان در مراحل بعد، جهت بررسی مقاومتهای دارویی به بیکالوتامید و نیز جهت طراحی داروهایی کارآمدتر مورد استفاده قرار داد. 2 Introduction: The majority of drugs act through binding with target proteins. Prediction of the interaction between small molecules and proteins is a key element in the process of drug discovery. Advances in Structural Genomics have provided this possibility to access three-dimensional structures of the proteins which are targeted by drugs. Since laboratory processes through which drug-target protein interactions are investigated require high cost and energy, in silico methods can be used as effective strategies for providing useful information in support of experimental methods. Methods: In this study, the interaction between androgen receptor and Bicalutamide, a widely used drug in the treatment of prostate cancer, was investigated via computational analyses. The docking analysis of this receptor with Bicalutamide was done using Autodock4.2.6 and analysis of complexes was done through LigPlot4.5.3 and Chimera1.5.3. Results: The obtained results showed that amino acid residues Met-895, Trp-741, Arg-752, Ile-899, Leu-707, Gly-708, Gln-711, Met-745, Met-749, Thr-87, Phe-764, and Met-749 (through forming hydrophobic bonds with the drug) and amino acid residues Asn-705 and Leu-704 (through forming hydrogen bonds with the drug) play a significant role in the protein-drug interaction and cause proper positioning of the drug in protein and consequently its efficacy. Conclusion: These results could be used in the future studies for investigation of drug resistance to Bicalutamide and to develop more efficient medicines. 310 318 2017/01/152016/12/152016/12/152016/12/182016/12/1 1395/9/11 2017/07/172017/07/172017/03/152017/02/42017/07/162017/03/112017/02/23 1395/12/5 نوشین هادیان Noushin Hadian کارشناسی ارشد ژنتیک، گروه زیست‌شناسی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد شهرکرد، شهرکرد، ایران. ایران noushin.hd@gmail.com حسین سازگار Hossein Sazegar دکترای فیزیولوژی، استادیار گروه زیست‌شناسی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد شهرکرد، شهرکرد، ایران ایران hoseinsazgar@yahoo.com فرزانه محمدی فارسانی Farzaneh Mohamadi Farsani دکتری ژنتیک مولکولی، گروه ژنتیک، دانشگاه اصفهان، اصفهان، ایران. ایران f.mohamadi@sci.ui.ac.ir نوشا ضیا Nousha Zia دکترای بیوشیمی،استادیار گروه زیست‌شناسی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد شهرکرد، شهرکرد، ایران. ایران noosha59@yahoo.com Androgen receptor Bicalutamide Molecular interactions Drug design آندروژن رسپتور بیکالوتامید برهمکنش‌های بین مولکولی طراحی دارو 1. Lavery DN, Bevan CL. Androgen receptor signalling in prostate cancer: the functional consequences of acetylation. Journal of Biomedicine and Biotechnology 2011 (2011): 7. ##2. Ahmad N, Kumar R. Steroid hormone receptors in cancer development: a target for cancer therapeutics. Cancer Lett 2011;300(1):1-9.##3. Clinckemalie L, Vanderschueren D, Boonen S, Claessens F. The hinge region in androgen receptor control. Mol Cell Endocrinol 2012;358(1):1-8.##4. Tan ME, Li J, Xu HE, Melcher K, Yong E. Androgen receptor: structure, role in prostate cancer and drug discovery. Acta Pharmacol Sin 2015; 36(1): 3–23.## 5. Lahti JL, Tang GW, Capriotti E, Liu T, Altman RB. Bioinformatics and variability in drug response: a protein structural perspective. J R Soc Interface 2012;9(72):1409-37. ##6. Helsen C, Van den Broeck T, Voet A, Prekovic S, Van Poppel H, Joniau S, et al. Androgen receptor antagonists for prostate cancer therapy. Endocr Relat Cancer 2014;21(4):T105-18.##7. Li C, Li C, Le Y, Chen JF. Formation of bicalutamide nanodispersion for dissolution rate enhancement. Int J Pharm 2011;404(1-2):257-63.##8. Bohl CE, Gao W, Miller DD, Bell CE, Dalton JT. Structural basis for antagonism and resistance of bicalutamide in prostate cancer. Proc Natl Acad Sci U S A 2005;102(17):6201-6.##9. Wellington K, Keam SJ. Bicalutamide 150mg: a review of its use in the treatment of locally advanced prostate cancer. Drugs 2006;66(6):837-50.##10. Tian X, He Y, Zhou J. Progress in antiandrogen design targeting hormone binding pocket to circumvent mutation based resistance. Front Pharmacol 2015 24;6:57.##11. Osguthorpe DJ, Hagler AT. Mechanism of androgen receptor antagonism by bicalutamide in the treatment of prostate cancer. Biochemistry 2011;50(19):4105-13.##12. Morris GM, Huey R, Lindstrom W, Sanner MF, Belew RK, Goodsell DS, et al. AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility. J Comput Chem 2009;30(16):2785-91. ##13. Bisson WH, Abagyan R, Cavasotto CN. Molecular basis of agonicity and antagonicity in the androgen receptor studied by molecular dynamics simulations. J Mol Graph Model 2008;27(4):452-8. ##14. Liu H, An X, Li S, Wang Y, Li J, Liu H. Interaction mechanism exploration of R-bicalutamide/S-1 with WT/W741L AR using molecular dynamics simulations. Mol Biosyst 2015;11(12):3347-54. #### ##

مرور نظام مند کاربرد شبکه بیزین ساده در پیش‌بینی بیماری‌ها Using Naïve Bayesian Network in Predicting Diseases: A Systematic Review 1 1 مقدمه: با پیشرفت فناوری در دهه اخیر، استفاده از الگوریتم‌های‌ یادگیری ماشین در پیش‌بینی بیماری‌ها بسیار حائز اهمیت و رو به افزایش است. هدف از مطالعه حاضر بررسی اهمیت یکی از الگوریتم‌های پرکاربرد در پیش‌بینی بیماری‌ها به نام شبکه بیزین ساده و همچنین دسته‌بندی مقالات مرتبط با پیش‌بینی بیماری‌ها با الگوریتم‌های داده‌کاوی می‌باشد. روش: مطالعه حاضر یک پژوهش مروری نظام‌مند است. جستجوی کامل از طریق پایگاه‌های داده آنلاین و موتورهای جستجو از قبیل Scopus، Science Direct، Web of Science و Medline برای یافتن مقالات در بازه زمانی سال‌های 2007 تا 2017 انجام گرفت. نتایج: در مجموع 90 چکیده یافت شد که 27 مقاله با معیارهای ورود و خروج مطالعه همخوانی داشت. شبکه بیزین ساده در مقایسه با بقیه الگوریتم‌های موجود برای پیش‌بینی بیماری‌ها قرار گرفت که در 92 درصد (25 از 27 مقاله) نتایج، الگوریتم بیزین از کارایی بهتری برخوردار بود. نتایج پژوهش انجام شده مؤید اثربخشی الگوریتم بیزین ساده در پیش‌بینی بیماری‌ها بود. نتیجه‌گیری: شبکه بیزین ساده یکی از بهترین روش‌های پیش‌بینی بیماری‌ها در مقایسه با نظر متخصصان و الگوریتم‌های موجود دیگر می‌باشد که می‌تواند به عنوان روش حمایتی در کنار تصمیمات پزشکان قرار گیرد تا صحت پیش‌بینی بیماری‌ها را ارتقاء دهد. 2 Introduction: Due to the improvement of technology during the last decade, using machine learning algorithms for predicting diseases has found great importance. The goal of this research was to investigate the importance of Naïve Bayesian network as the most applied algorithm in predicting diseases and classifying relevant articles related to disease prediction with data mining algorithms. Methods: This was a systematic review study. A comprehensive search was performed from 2007 to 2017 in online databases and search engines including Scopus, Science Direct, web of science and MEDLINE. Results: From a total of 90 identified abstracts through the research, 27 ones were compatible with inclusion and exclusion criteria. Naïve Bayesian network was compared with other algorithms and in 92% of articles (25 articles out of 27), it had better accuracy in disease prediction. Results of this research showed effectiveness of Naïve Bayesian algorithm in disease prediction. Conclusion: Naïve Bayesian network is one of the best algorithms for disease prediction in comparison with experts’ decision and other algorithms. This algorithm can be used beside physicians’ decision to improve the accuracy of disease prediction. 319 327 2017/01/152016/12/152016/12/152016/12/182016/12/12016/12/31 1395/10/11 2017/07/172017/07/172017/03/152017/02/42017/07/162017/03/112017/02/232017/02/14 1395/11/26 مصطفی لنگری زاده Mostafa Langarizadeh دکترای انفورماتیک پزشکی، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران. ایران langarizadeh2001@yahoo.com فاطمه مقبلی Fateme Moghbeli دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران fateme.moghbeli@gmail.com محمدرضا علی بیک Mohammad Reza Alibeyk کارشناس ارشد کتابداری، مربی، گروه کتابداری و اطلاع‌رسانی پزشکی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران. ایران m.alibeyk@gmail.com Naïve Bayesian algorithm Predicting disease Bayesian network الگوریتم بیزین ساده پیش‌بینی بیماری شبکه بیزین 1. Langarizadeh M, Moghbeli F. Applying Naive Bayesian Networks to Disease Prediction: a Systematic Review. Acta Inform Med 2016; 24(5): 364–69. ##2. Tahmasebian S, Ghazisaeedi M, Langarizadeh M, Mokhtaran M, Mahdavi-Mazdeh M, Javadian P. Applying data mining techniques to determine important parameters in chronic kidney disease and the relations of these parameters to each other. J Renal Inj Prev 2017; 6(2): 83–7.##3. Langarizadeh M, Khajehpour E, Salari R, Khajehpour H. Assessment of differential diagnosis of bacterial meningitis from other types of meningitis using fuzzy logic and neural networks. Payavard Salamat 2017;10(5):453-60. Persian##4. Martınez AM, Webb GI, Chen S, Zaidi NA. Scalable learning of Bayesian network classifiers. Journal of Machine Learning Research. 2016;17(44):1-35.##5. Mack DL, Biswas G, Koutsoukos XD, Mylaraswamy D. Learning bayesian network structures to augment aircraft diagnostic reference models. IEEE Transactions on Automation Science and Engineering 2017;14(1):358-69.##6. Maghsoudi B, Langarizadeh M, Nilforushan N. Decision support system for age-related macular degeneration. Iranian Journal of Medical Physics 2017. [In Press].##7. Petousis P, Han SX, Aberle D, Bui AA. Prediction of lung cancer incidence on the low-dose computed tomography arm of the National Lung Screening Trial: A dynamic Bayesian network. Artif Intell Med 2016;72:42-55. ##8. Finkelstein J, Jeong IC. Machine learning approaches to personalize early prediction of asthma exacerbations. Ann N Y Acad Sci 2017;1387(1):153-65. ##9. Loghmanpour NA, Kormos RL, Kanwar MK, Teuteberg JJ, Murali S, Antaki JF. A Bayesian Model to Predict Right Ventricular Failure Following Left Ventricular Assist Device Therapy. JACC: Heart Failure 2016;4(9):711-21.##10. Xiong G, Kola D, Heo R, Elmore K, Cho I, Min JK. Myocardial perfusion analysis in cardiac computed tomography angiographic images at rest. Med Image Anal 2015;24(1):77-89.##11. Wang LM. Mining causal relationships among clinical variables for cancer diagnosis based on Bayesian analysis. BioData Min 2015;8:13.##12. Wang G, Lam KM, Deng Z, Choi KS. Prediction of mortality after radical cystectomy for bladder cancer by machine learning techniques. Comput Biol Med 2015;63:124-32.##13. Stylianou N, Akbarov A, Kontopantelis E, Buchan I, Dunn KW. Mortality risk prediction in burn injury: Comparison of logistic regression with machine learning approaches. Burns 2015;41(5):925-34. ##14. Sinha S. Reproducibility of parameter learning with missing observations in naive Wnt Bayesian network trained on colorectal cancer samples and doxycycline-treated cell lines. Mol Biosyst 2015;11(7):1802-19. ##15. Paulose R, Kalirajan J. Machine learning classifier algorithms to predict endocrine toxicity of chemicals. International Journal of Toxicological and Pharmacological Research 2015;7(6):303-8.##16. Makond B, Wang KJ, Wang KM. Probabilistic modeling of short survivability in patients with brain metastasis from lung cancer. Comput Methods Programs Biomed 2015;119(3):142-62.## 17. Elsayad A, Fakhr M. Diagnosis of cardiovascular diseases with bayesian classifiers. Journal of Computer Science 2015;11(2):274-82.##18. Dias CC, Magro F, Rodrigues PP. Preliminary study for a bayesian network prognostic model for Crohn's Disease. Computer-Based Medical Systems (CBMS), 2015 IEEE 28th International Symposium on; 2015. Jun 22-25; Sao Carlos, Brazil: IEEE; 2015.##19. Wang KJ, Makond B, Wang KM. Modeling and predicting the occurrence of brain metastasis from lung cancer by Bayesian network: a case study of Taiwan. Comput Biol Med 2014;47:147-60. ##20. Sacchi L, Tucker A, Counsell S, Garway-Heath D, Swift S. Improving predictive models of glaucoma severity by incorporating quality indicators. Artificial Intelligence in Medicine 2014;60(2):103-12.##21. Sangeda RZ, Theys K, Beheydt G, Rhee SY, Deforche K, Vercauteren J, et al. HIV-1 fitness landscape models for indinavir treatment pressure using observed evolution in longitudinal sequence data are predictive for treatment failure. Infect Genet Evol 2013;19:349-60. ##22. Morales DA, Vives-Gilabert Y, Gómez-Ansón B, Bengoetxea E, Larrañaga P, Bielza C, et al. Predicting dementia development in Parkinson's disease using Bayesian network classifiers. Psychiatry Res 2013;213(2):92-8. ##23. egnier-Coudert O, McCall J, Lothian R, Lam T, McClinton S, N'dow J. Machine learning for improved pathological staging of prostate cancer: a performance comparison on a range of classifiers. Artif Intell Med 2012;55(1):25-35.##24. Ng T, Chew L, Yap CW. A clinical decision support tool to predict survival in cancer patients beyond 120 days after palliative chemotherapy. J Palliat Med 2012;15(8):863-9.##25. Lu P, Chen JX, Zhao HH, Gao YB, Luo LT, Zuo XH, et al. In Silico Syndrome Prediction for Coronary Artery Disease in Traditional Chinese Medicine. Evidence-Based Complementary and Alternative Medicine 2012:1-11.##26. Gao S, Jia S, Hessner MJ, Wang X. Predicting disease-related subnetworks for type 1 diabetes using a new network activity score. OMICS : a Journal of Integrative Biology. 2012;16(10):566-78. ##27. Paredes S, Rocha T, de Carvalho P, Henriques J, Harris M, Morais J. Long term cardiovascular risk models' combination. Comput Methods Programs Biomed 2011;101(3):231-42.##28. Ouyang WW, Lin XZ, Ren Y, Luo Y, Liu YT, Yuan JM, et al. TCM syndromes diagnostic model of hypertension: Study based on Tree Augmented Naive Bayes. Bioinformatics and Biomedicine Workshops (BIBMW), 2011 IEEE International Conference on; 2011 Nov 12-15; Atlanta, GA, USA: IEEE; 2011.##29. Forsberg JA, Eberhardt J, Boland PJ, Wedin R, Healey JH. Estimating survival in patients with operable skeletal metastases: an application of a bayesian belief network. PLoS One 2011;6(5):e19956.##30. Miettinen K, Juhola M. Classification of otoneurological cases according to Bayesian probabilistic models. J Med Syst 2010;34(2):119-30. ##31. Serpen G, Tekkedil DK, Orra M. A knowledge-based artificial neural network classifier for pulmonary embolism diagnosis. Comput Biol Med 2008;38(2):204-20. ##32. Sakai S, Kobayashi K, Nakamura J, Toyabe S, Akazawa K. Accuracy in the diagnostic prediction of acute appendicitis based on the Bayesian network model. Methods Inf Med 2007;46(6):723-6.##33. Chen Q, Li G, Leong TY, Heng CK. Predicting coronary artery disease with medical profile and gene polymorphisms data. Stud Health Technol Inform 2007;129(Pt 2):1219-24. ##34. Hoogeveen RC, Gaubatz JW, Sun W, Dodge RC, Crosby JR, Jiang J, et al. Small dense low-density lipoprotein-cholesterol concentrations predict risk for coronary heart disease: the Atherosclerosis Risk In Communities (ARIC) study. Arterioscler Thromb Vasc Biol 2014;34(5):1069-77.##35. Khalili D, Sheikholeslami FH, Bakhtiyari M, Azizi F, Momenan AA, Hadaegh F. The incidence of coronary heart disease and the population attributable fraction of its risk factors in Tehran: a 10-year population-based cohort study. PLoS One 2014;9(8):e105804.##36. Zolbanin HM, Delen D, Hassan Zadeh A. Predicting overall survivability in comorbidity of cancers: a data mining approach. Decision Support Systems 2015;74:150-61.##37. Kazmierska J, Malicki J. Application of the Naïve Bayesian Classifier to optimize treatment decisions. Radiother Oncol 2008;86(2):211-6.#### ##