طراحی سیستم پیش‌بینی بیماری قلبی- عروقی با استفاده از ماشین بردار پشتیبان Designing a Heart Disease prediction System using Support Vector Machine 1 1 مقدمه: بیماری‌های قلبی- عروقی بزرگ‌ترین عامل مرگ‌و‌میر در سراسر جهان است. طبق اعلام سازمان بهداشت جهانی در هر سال حدود 12 میلیون مرگ‌و‌میر در سراسر جهان بر اثر بیماری‌های قلبی -عروقی تخمین زده شده است. هدف اصلی از این مقاله، طراحی یک سیستم هوشمند به کمک کامپیوتر است که بتواند بیماری قلبی را در فرد مبتلا تشخیص دهد. روش: در این مطالعه توصیفی- تحلیلی، داده‌های مربوط به 270 نفر که شامل 13 ویژگی میباشد مورد استفاده قرار گرفت. جهت تشخیص فرد مبتلا به بیماری قلبی از ترکیب سیستم فازی و طبقه‌بندی کننده‌ ماشین بردار پشتیبان با استفاده از امکانات موجود در نرم افزار متلب پیاده‌سازی گردید و بر روی سیستم Core i5 تحت ویندوز 7 شبیه‌سازی شد. نتایج: در این تحقیق از تکنیک فازی و الگوریتم ماشین بردار پشتیبان جهت تشخیص بیماری قلبی استفاده شده که مؤثر واقع گردیده است. از آنجایی که در این مطالعه هدف، تشخیص درست و سریع می‌باشد؛ بنابراین تشخیص سریع، شانس نجات فرد را افزایش می‌‌دهد. همچنین معیارهای ارزیابی در این سیستم نرخ دسته‌بندی و حساسیت می‌باشد که عملکرد این سیستم بر اساس این شاخص‌ها به ترتیب 85% و 85/8 % به دست آمده است. نتیجه‌گیری: با توجه به نتایج به دست آمده، مشاهده می‌شود که سیستم پیشنهادی با دقت نسبتاً بالایی، افراد مبتلا به بیماری قلبی- عروقی را تشخیص می‌دهد. 2 Introduction: Cardiovascular diseases are the leading cause of death worldwide. The world health Organization has estimated 12 million deaths per year worldwide, due to the cardiovascular diseases. The main aim of this study was to design a smart computer-aided system for the diagnosis of heart disease in patients. Methods: In this study descriptive and analytical study, data of 270 people with 13 features were used. The fuzzy system and support vector machine classifier were combined using facilities of MATLAB software and were simulated by a system of core i5 and windows7, as the operating system, to diagnose patients with heart disease. Results: Fuzzy technique and support vector machine algorithm that were used for the diagnosis of heart disease was efficient in rapid diagnosis and consequently increasing the patient chance for survival. Evaluation criteria in this system were rates of categorization and sensitivity and the system performance for these two indicators were respectively 85% and 85.8%. Conclusion: According to the results, the proposed system can diagnose patients with cardiovascular diseases with a relatively high accuracy. 1 10 2017/05/1 1396/2/11 2017/06/17 1396/3/27 مریم سادات محمودی Maryam Sadat Mahmoodi کارشناس ارشد علوم کامپیوتر، مربی، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور بیرجند، بیرجند، ایران. ایران m_mahmoodi_64@yahoo.com Cardiovascular Disease Fuzzy System Support Vector Machine Classifier بیماری قلبی- عروقی سیستم فازی طبقه‌بندی کننده‌ ماشین بردار پشتیبان 1. Rafii F, Soleimani M, Seyedfatemi N. A model of patient participation with chronic in nursing care. Koomesh 2011; 12(3): 293-304. Persian##2. Langarizadeh M, Sadr-Ameli MA, Soleymani M. Development of vital monitoring decision support system for coronary care unit inpatients. J Health Adm 2017; 20(67):75-88. Persian##3. Eslami R, Sajadi S A, Farsi Z. Comparing the effect of peer education and orientation tour on the stress of patients candidate for coronary angiography in selected Hospital of Aja University of Medical Sciences. J Urmia Nurs Midwifery Fac 2015; 12(12):1119-27. Persian##4. Daliri N, Zakeri-Moghadam M. Aging and heart disease. Iranian Journal of Cardiovascular Nursing 2016; 5(1): 64-9. Persian##5. Sultana M, Haider A, Uddin MS. Analysis of Data Mining Techniques for Heart Disease Prediction. 3rd International Conference on Electrical Engineering and Information Communication Technology (ICEEICT); 2016 Sep 22-24; Dhaka, Bangladesh: IEEE; 2016.##6. Banu GR, Jamala JH. Predicting heart attack using fuzzy C Means clustering algorithm. International Journal of Latest Trends in Engineering and Technology 2015; 5(3): 439-43.##7. Krishnaiah V, Srinivas M, Narsimha G, Chandra N.S. Diagnosis of Heart Disease Patients Using Fuzzy Classification Technique, International conference on Computer and Communications Technologies (ICCCT), India, 2014. ##8. Maihami V, Khormehr A, Rahimi E. Designing an expert system for prediction of heart attack using fuzzy systems. Sci J Kurdistan Univ Med Sci 2016; 21: 118-31. Persian##9. Suganya S, Tamije Selvy P. A proficient heart disease prediction method using fuzzy-CART algorithm. International Journal of Scientific Engineering and Applied Science 2016; 2(1): 1-6.##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. Vapnik V. Statistical Learning Theory. NewYork: John Wiley & Sons; 1998.##12. Ravale U, Marathe N, Padiya P. Feature Selection Based Hybrid Anomaly Intrusion Detection System Using K Means and RBF Kernel Function. Procedia Computer Science 2015; 45: 428-35.##13. Center for Machine Learning and Intelligent Systems. (UCI) [cited 2015 Feb 23 ] Machine Learning Repository, http://www.archive.ics.uci.edu.##14. Mahmoodi MS, Mahmoodi SA, Haghighi F, Mahmoodi SM. Determining the stage of breast cancer by data mining algorithms. Iran J Breast Dis 2014; 7(2): 36-44. Persian##15. Kumar K, DeZhi X. A Fuzzy Rule based Approach to Predict Risk Level of Heart Disease. Global Journal of Computer Science and Technology 2014; 14(3): 16-22.##16. Khatibi V, Montazer GH. A fuzzy-evidential hybrid inference engine for coronary heart disease risk assessment. Expert Syst Appl 2010: 13(12):8536–42.##17. Shafiee H, Ebrahimi M. Accurate prediction of coronary artery disease using bioinformatics algorithms. Qom Univ Med Sci J 2016; 14(4): 22-35. Persian#### ##

بررسی محتوای آموزشی مورد نیاز جهت ایجاد برنامه کاربردی- آموزشی برای مبتلایان به صرع: دیدگاه بیماران و پزشکان Determination of the Required Educational Content in the Development of Educational Mobile Application for Patients with Epilepsy: Perspectives of Patients and Physicians 1 1 مقدمه: صرع یک بیماری عصبی مزمن و رایج است. در درمان صرع، انتخاب درمان مناسب در کنار آموزش بیمار باید مورد توجه قرار بگیرد. امروزه فن‌آوری همراه به عنوان یک الگوی امیدوار کننده برای ارتقاء دانش در بیماری‌های مزمن شناخته می‌شود. برای طراحی برنامه کاربردی -آموزشی باید محتوای آموزشی مورد‌نیاز تعیین گردد. هدف مطالعه حاضر بررسی دیدگاه پزشکان و بیماران در زمینه محتوای آموزشی مورد‌نیاز برای ایجاد برنامه کاربردی- آموزشی صرع بود. روش: در این مطالعه توصیفی‌، دیدگاه 100 بیمار مبتلا به صرع عضو انجمن صرع ایران و 15 پزشک متخصص از اعضا و همکاران انجمن صرع، با استفاده از پرسشنامه‌ای در خصوص محتوای آموزشی مورد‌نیاز برای ایجاد برنامه کاربردی- آموزشی مبتلایان به صرع مورد بررسی قرار گرفت. این پرسشنامه مشتمل بر 19 سؤال در سه حیطه (اطلاعات بیماری، سبک زندگی و داروهای مصرفی) بود. داده‌های به دست آمده با استفاده از آمار توصیفی (میانگین و انحراف معیار) تحلیل شد. نتایج: یافته‌ها نشان داد که محتوای آموزشی مورد‌نیاز برای بیماران مبتلا به صرع شامل اقدامات اولیه، علت، علائم، عوارض و درمان صرع، تأثیر ورزش، خواب، رانندگی، شغل، ازدواج، بارداری، تغذیه در صرع، شناخت داروهای ضدصرع و عوارض آن و اهمیت مصرف منظم داروها بود. نتیجه گیری: این مطالعه محتوای آموزشی مورد‌نیاز برای بیماران مبتلا به صرع را در سه حیطه سبک زندگی، اطلاعات بیماری و داروهای مصرفی نشان داد. در این سه حیطه مجموعاً، 15 موضوع آموزشی مورد تأیید بیماران و متخصصین قرار گرفت که باید در طراحی برنامه کاربردی- آموزشی صرع لحاظ گردد. 2 Introduction: Epilepsy is a common chronic neurological disease. In epilepsy treatment process, both of appropriate treatment options and patient education should be considered. Nowadays, mobile technologies have been known as a proper platform for improvement of patients’ knowledge in chronic diseases. The aim of this study was to assess the perspectives of epileptic patients and physicians about the required educational content in developing an educational mobile application for epilepsy. Methods: In this cross-sectional study, the perspectives of 100 patients with epilepsy who were members of the Iranian Epilepsy Association and 15 physicians who were members or colleagues of this association were surveyed about the patients’ educational needs. The applied questionnaire included 19 questions in three areas (disease information, lifestyle and used medications). Data were analyzed by the use of descriptive statistics (mean and standard deviation). Results: A variety of items such as first aid, cause, symptoms, complications and treatment of epilepsy, the effect of exercise, sleep, driving, occupation, marriage, pregnancy, nutrition in epilepsy, information about antiepileptic drugs and their complications, and the importance of the regular use of medications should be considered in the educational content of the application. Conclusion: This study indicates that the educational content for developing a mobile application for patients with epilepsy from the perspectives of patients and physicians includes three domains of life style, disease information and medication. Totally, 15 educational requirements were identified that should be considered in developing the application. 11 20 2017/05/12017/04/19 1396/1/30 2017/06/172017/05/31 1396/3/10 عباس شیخ طاهری Abbas Sheikhtaheri دکترای مدیریت اطلاعات سلامت، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران sheikhtaheri.a@iums.ac.ir فاطمه غندالی Fatemeh Ghandali دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران f.ghandali@yahoo.com غلامرضا زمانی قلعه تکی Gholamreza Zamani Ghaletaki فوق تخصص بیماری‌های اعصاب کودکان، دانشیار،گروه بیماری‌های کودکان، مرکز طبی کودکان، دانشگاه علوم پزشکی تهران، عضو هیئت مدیره انجمن صرع ایران، تهران ،ایران. ایران ghrzamani@yahoo.com Epilepsy Educational needs Patient Physician Mobile apps صرع نیازهای آموزشی بیمار پزشک برنامه کاربردی موبایل 1. Bautista RE, Shoraka AR,Shapovalov D. Factors associated with superior self-management skills among individuals with epilepsy. Epilepsy Behav. 2014;41:221-6.##2. World health organization"epilepsy". Fact sheets [internet]. [online]. May 2015; Available from: http://www.who.int/mediacentre/factsheets/fs999/en/.##3. Berkovic SF, Mulley JC, Scheffer IE,Petrou S. Human epilepsies: Interaction of genetic and acquired factors. Trends Neurosci. 2006;29(7):391-7.##4. Kuriakose S. Assessment of knowledge of epilepsy in epileptic patients attending a tertiary care centre in kerala, india. Int J Biol Pharm Allied Sci. 2014;6(7):64-7.##5. Ried S, Specht U, Thorbecke R, Goecke K,Wohlfarth R. Moses: An educational program for patients with epilepsy and their relatives. Epilepsia. 2001;42(s3):76-80.##6. Aliasgharpour M, Nayeri ND, Yadegary MA,Haghani H. Effects of an educational program on self-management in patients with epilepsy. Seizure. 2013;22(1):48-52.##7. Doughty J, Baker GA, Jacoby A,Lavaud V. Cross‐cultural differences in levels of knowledge about epilepsy. Epilepsia. 2003;44(1):115-23.##8. Al-Adawi S, Al-Salmy H, Martin RG, Al-Naamani A, Prabhakar S, Deleu D, et al. Patient’s perspective on epilepsy: Self-knowledge among omanis. Seizure. 2003;12(1):11-8.##9. Choi-Kwon S, Kim E, Youn S, Choi J, Lee SK,Chung C-K. Common misconceptions in people with epilepsy. J Clin Neurol. 2006;2(3):186-93.##10. Mameniskiene R, Sakalauskaite-Juodeikiene E,Budrys V. People with epilepsy lack knowledge about their disease. Epilepsy Behav. 2015;46:192-7.##11. Mameniskiene R, Sakalauskaite-Juodeikiene E,Budrys V. People with epilepsy lack knowledge about their disease. Epilepsy Behav. 2015 May;46:192-7.##12. Sha'afi S. Evaluation of knwledge of epileptic patients about their disorder. Quarterly Journal of Rehabilitation. [Original]. 2001;2(3):47-50. Persian.##13. Coker M, Bhargava S, Fitzgerald M,Doherty C. What do people with epilepsy know about their condition? Evaluation of a subspecialty clinic population. Seizure. 2011;20(1):55-9.##14. Bolderston A. Mixed messages? A comparison between the perceptions of radiation therapy patients and radiation therapists regarding patients' educational needs. Radiography. 2008;14(2):111-9. ##15. Cho MJ, Sim JL,Hwang SY. Development of smartphone educational application for patients with coronary artery disease. Healthc Inform Res. 2014 Apr;20(2):117-24. ##16. Pourdanesh F, Sayyedi A, Jamilian A,Yaghmaei M. Application of self-recorded photos using mobile phones in maxillofacial surgery. J Mob Technol Med.2012;1(3):46-9.##17. Nundy S, Dick JJ, Goddu AP, Hogan P, Lu CYE, Solomon MC, et al. Using mobile health to support the chronic care model: Developing an institutional initiative. Int J Telemed Appl. 2012;18.##18. Balato N, Megna M, Di Costanzo L, Balato A,Ayala F. Educational and motivational support service: A pilot study for mobile-phone-based interventions in patients with psoriasis. Br J Dermatol. 2013 Jan;168(1):201-5. ##19. Pedley TA. Epilepsy and education. Epilepsia. 1995;36(s1):18-22.##20. Dilorio C, Faherty B,Manteuffel B. Learning needs of persons with epilepsy: A comparison of perceptions of persons with epilepsy, nurses and physicians. J Neurosurg Nurs. 1993;25(1):22-9.##21. May TW,Pfafflin M. The efficacy of an educational treatment program for patients with epilepsy (moses): Results of a controlled, randomized study. Modular service package epilepsy. Epilepsia. 2002 May;43(5):539-49. ##22. Choi‐Kwon S, Yoon SM, Choi MR, Kang DW,Lee SK. The difference in perceptions of educational need between epilepsy patients and medical personnel. Epilepsia. 2001;42(6):785-9.##23.Epilepsy tool kit. [online]. Available from: https://play.google.com/store/apps/details?id=com.epilepsysociety.phonegap.##24. Epilepsy health storylines [online]. Available from: https://healthstorylines.com/blog/?page_id=491.##25. Long L, Reeves AL, Moore JL, Roach J,Pickering CT. An assessment of epilepsy patients' knowledge of their disorder. Epilepsia. 2000;41(6):727-31.##26. Atakli D, Ak PD, Guveli BT,Yuksel B. Knowledge of epilepsy among persons with epilepsy in turkey. Epilepsy Behav. 2016;57:41-5.##27.Epilepsy treatment app. [online]. Available from: https://play.google.com/store/apps/details?hl=en&id=com.appedon.epl.##28. Liu X, Wang R, Zhou D,Hong Z. Feasibility and acceptability of smartphone applications for seizure self-management in china: Questionnaire study among people with epilepsy. Epilepsy Behav. 2016 Feb;55:57-61. ##29. Escoffery C, DiIorio C, Yeager KA, McCarty F, Robinson E, Reisinger E, et al. Use of computers and the internet for health information by patients with epilepsy. Epilepsy Behav. 2008 1//;12(1):109-14.##1. Bautista RE, Shoraka AR,Shapovalov D. Factors associated with superior self-management skills among individuals with epilepsy. Epilepsy Behav. 2014;41:221-6.##2. World health organization"epilepsy". Fact sheets [internet]. [online]. May 2015; Available from: http://www.who.int/mediacentre/factsheets/fs999/en/.##3. Berkovic SF, Mulley JC, Scheffer IE,Petrou S. Human epilepsies: Interaction of genetic and acquired factors. Trends Neurosci. 2006;29(7):391-7.##4. Kuriakose S. Assessment of knowledge of epilepsy in epileptic patients attending a tertiary care centre in kerala, india. Int J Biol Pharm Allied Sci. 2014;6(7):64-7.##5. Ried S, Specht U, Thorbecke R, Goecke K,Wohlfarth R. Moses: An educational program for patients with epilepsy and their relatives. Epilepsia. 2001;42(s3):76-80.##6. Aliasgharpour M, Nayeri ND, Yadegary MA,Haghani H. Effects of an educational program on self-management in patients with epilepsy. Seizure. 2013;22(1):48-52.##7. Doughty J, Baker GA, Jacoby A,Lavaud V. Cross‐cultural differences in levels of knowledge about epilepsy. Epilepsia. 2003;44(1):115-23.##8. Al-Adawi S, Al-Salmy H, Martin RG, Al-Naamani A, Prabhakar S, Deleu D, et al. Patient’s perspective on epilepsy: Self-knowledge among omanis. Seizure. 2003;12(1):11-8.##9. Choi-Kwon S, Kim E, Youn S, Choi J, Lee SK,Chung C-K. Common misconceptions in people with epilepsy. J Clin Neurol. 2006;2(3):186-93.##10. Mameniskiene R, Sakalauskaite-Juodeikiene E,Budrys V. People with epilepsy lack knowledge about their disease. Epilepsy Behav. 2015;46:192-7.##11. Mameniskiene R, Sakalauskaite-Juodeikiene E,Budrys V. People with epilepsy lack knowledge about their disease. Epilepsy Behav. 2015 May;46:192-7.##12. Sha'afi S. Evaluation of knwledge of epileptic patients about their disorder. Quarterly Journal of Rehabilitation. [Original]. 2001;2(3):47-50. Persian.##13. Coker M, Bhargava S, Fitzgerald M,Doherty C. What do people with epilepsy know about their condition? Evaluation of a subspecialty clinic population. Seizure. 2011;20(1):55-9.##14. Bolderston A. Mixed messages? A comparison between the perceptions of radiation therapy patients and radiation therapists regarding patients' educational needs. Radiography. 2008;14(2):111-9. ##15. Cho MJ, Sim JL,Hwang SY. Development of smartphone educational application for patients with coronary artery disease. Healthc Inform Res. 2014 Apr;20(2):117-24. ##16. Pourdanesh F, Sayyedi A, Jamilian A,Yaghmaei M. Application of self-recorded photos using mobile phones in maxillofacial surgery. J Mob Technol Med.2012;1(3):46-9.##17. Nundy S, Dick JJ, Goddu AP, Hogan P, Lu CYE, Solomon MC, et al. Using mobile health to support the chronic care model: Developing an institutional initiative. Int J Telemed Appl. 2012;18.##18. Balato N, Megna M, Di Costanzo L, Balato A,Ayala F. Educational and motivational support service: A pilot study for mobile-phone-based interventions in patients with psoriasis. Br J Dermatol. 2013 Jan;168(1):201-5. ##19. Pedley TA. Epilepsy and education. Epilepsia. 1995;36(s1):18-22.##20. Dilorio C, Faherty B,Manteuffel B. Learning needs of persons with epilepsy: A comparison of perceptions of persons with epilepsy, nurses and physicians. J Neurosurg Nurs. 1993;25(1):22-9.##21. May TW,Pfafflin M. The efficacy of an educational treatment program for patients with epilepsy (moses): Results of a controlled, randomized study. Modular service package epilepsy. Epilepsia. 2002 May;43(5):539-49. ##22. Choi‐Kwon S, Yoon SM, Choi MR, Kang DW,Lee SK. The difference in perceptions of educational need between epilepsy patients and medical personnel. Epilepsia. 2001;42(6):785-9.##23.Epilepsy tool kit. [online]. Available from: https://play.google.com/store/apps/details?id=com.epilepsysociety.phonegap.##24. Epilepsy health storylines [online]. Available from: https://healthstorylines.com/blog/?page_id=491.##25. Long L, Reeves AL, Moore JL, Roach J,Pickering CT. An assessment of epilepsy patients' knowledge of their disorder. Epilepsia. 2000;41(6):727-31.##26. Atakli D, Ak PD, Guveli BT,Yuksel B. Knowledge of epilepsy among persons with epilepsy in turkey. Epilepsy Behav. 2016;57:41-5.##27.Epilepsy treatment app. [online]. Available from: https://play.google.com/store/apps/details?hl=en&id=com.appedon.epl.##28. Liu X, Wang R, Zhou D,Hong Z. Feasibility and acceptability of smartphone applications for seizure self-management in china: Questionnaire study among people with epilepsy. Epilepsy Behav. 2016 Feb;55:57-61. ##29. Escoffery C, DiIorio C, Yeager KA, McCarty F, Robinson E, Reisinger E, et al. Use of computers and the internet for health information by patients with epilepsy. Epilepsy Behav. 2008 1//;12(1):109-14.## ##

تشخیص بیماری تیروئید با استفاده از ترکیب شبکه‌ های عصبی به روش سلسله مراتبی The Diagnosis of Thyroid Diseases Using Combinati on of Neural Networks through Hierarchical Method 1 1 مقدمه: غده تیروئید نسبت به غده‏های دیگر بدن بیشتر دچار مشکل می‏شود و در صورت عدم تشخیص به موقع بی نظمی‏های تیروئید، بیمار دچار حمله تیروئیدی و یا کمای میگزدم شده که ممکن است منجر به مرگ گردد. از این رو تشخیص بی‏نظمی‏های تیروئید (پرکاری یا کم‏کاری) بر پایه تست‏های آزمایشگاهی و کلینیکی امری ضروری است. هدف از این پژوهش ارائه مدلی مبتنی بر تکنیک داده کاوی است که قابلیت پیش‏بینی بیماری تیروئید از نظر کم‏کاری و پرکاری را داشته باشد. روش: این مطالعه از نوع توصیفی-تحلیلی بوده و پایگاه داده آن شامل 7200 رکورد مستقل مبتنی بر 21 ریسک فاکتور و برگرفته شده از مرجع داده UCI می‏باشد که از این تعداد 70‌% نمونه‏ها جهت آموزش و 30‌% آن‌ها جهت آزمون استفاده شده است. این پژوهش ابتدا به بررسی عملکرد شبکه‏های عصبی‌، به منظور تشخیص بیماری تیروئید پرداخته و سپس به ارائه الگوریتمی به نام ترکیب شبکه‏های عصبی به روش سلسله مراتبی می‌پردازد. نتایج: پس از مدل‌سازی و مقایسه مدل‏های تولید شده و ثبت نتایج دقت پیش‌بینی بیماری تیروئید با استفاده از روش‏ شبکه عصبی 6/96% و روش سلسله مراتبی 100‌% به دست آمد. نتیجه‌گیری: کاهش خطای تشخیص بیماری تیروئید همواره یکی از اهداف محققین بوده است. استفاده از روش‏های مبتنی بر داده‌کاوی می‏تواند به کاهش این خطا کمک کند. این مطالعه ضمن تشخیص بیماری تیروئید به کمک شبکه‌های عصبی، نشان می‌دهد که ارائه روش قوی‌تری به نام ترکیب شبکه‏های عصبی به صورت سلسله مراتبی منجر به بهبود دقت تشخیص می‌شود. 2 Introduction: Problems in thyroid gland are more common than in other glands of human body, and if they are not diagnosed early, thyroid storm or myxedema coma is likely to happen that might lead to death; therefore, on-time diagnosis of thyroid disorders (Hypothyroidism or hyperthyroidism) based on Laboratory and clinical tests is necessary. The main object of this research was to present a model based on data mining techniques that is capable of predicting thyroid diseases. Methods: This study was a descriptive-analytic study and its database included 7200 independent records based on 21 risk factors derived from UCI data reference. From all records, 70% were used for training and 30% for testing. First, neural networks performance was reviewed in order to diagnose thyroid diseases, and then an algorithm for combination of neural networks through hierarchical method was presented. Results: After modeling and comparing the generated models and recording the results, accuracies of predicting thyroid disorders using neural network and hierarchical method were found to be 96.6% and 100% respectively. Conclusion: Reducing misdiagnosis of thyroid diseases has always been one of the most important aims of researchers. Using methods based on data mining can decrease these errors. This study showed that using combination of neural networks through hierarchical method improves diagnosis accuracy. 21 31 2017/05/12017/04/192017/04/17 1396/1/28 2017/06/172017/05/312017/06/10 1396/3/20 ایمان ذباح Iman Zabbah دانشجوی دکتری کامپیوتر ، گروه کامپیوتر، دانشگاه آزاد اسلامی تهران شمال، دانشکده مهندسی، تهران،ایران ایران e.yasrebi@torbath.ac.ir سید احسان یثربی Seyed Ehsan Yasrebi Naeini عضو هیات علمی گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی ، دانشگاه تربت حیدریه ایران imanzabbah@gmail.com زهرا رمضانپور Zahra Ramazanpoor کارشناسی کامپیوتر، گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی، دانشگاه تربت حیدریه ایران zahra9631@gmail.com خدیجه صحراگرد Khadije Sahragard کارشناسی کامپیوتر، گروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی، دانشگاه تربت حیدریه ایران sahragard.khadijeh@gmail.com Artificial neural network MLP network Combination of neural networks Thyroid diagnosis شبکه عصبی مصنوعی شبکه MLP ترکیب شبکه‌ های عصبی تشخیص بیماری تیروئیدی تشخیص نوع تیروئید 1. Raymer ML, Doom TE, Kuhn LA, Punch WF. Knowledge discovery in medical and biological datasets using a hybrid Bayes classifier/evolutionary algorithm. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics); 2013 Sep 23; IEEE Systems, Man, and Cybernetics Society: IEEE; 2013. p.802-13. ##2. Osooli M, Haghdoost A, Yarahmadi S, Foruzanfar M, Dini M, Holakouie Naieni K. Spatial Distribution of Congenital Hypothyroidism in Iran using Geographic Information System. Iranian Journal of Epidemiology 2009; 5(1):1-8. Persian##3. Ghadiri K, Darbandi M, Khodadadi L, Khademi N, Rahimi MA, Heidari M, et al. The prevalence of congenital hypothyroidism in Kermanshah in 2006-2010. J Kermanshah Univ Med Sci 2013;16(7):557–64. Persian##4. Zabbah I, Foolad S, Chaharaqran B, Mazlooman R. Designing and making the intelligence assistant robot and controlling it by the fuzzy procedure. International Conference on Electronics, Computer and Computation (ICECCO); 2013 Nov 7-9; Ankara, Turkey: IEEE; 2013. ##5. Chae YM, Kim HS, Tark KC, Park HJ, Ho SH. Analysis of healthcare quality indicator using data mining and decision support system. Expert Systems with Applications 2003;24(2):167–72. ##6. Dreiseitl S, Ohno-Machado L. Logistic regression and artificial neural network classification models: a methodology review. J Biomed Inform. 2002;35(5):352–9. ##7. Zargari F, Rafie A, Jamali JS, Sedaghat S. Thyroid ultrasound images using neural network classification. The 8th Symposium on Advances in Science and Technology (8thSASTech); 2014 Feb 6; Mashhad: Khavaran Institute of Higher-education; 2014. ##8. Mohamadi Basatini F, Chinipardaz Z, SeyedTabib M. Determination of thyroid gland state in referrals from Ahvaz University jah ad laboratory: using multilayer perceptron neural network discrimination in comparing with classical discrimination methods. Jentashapir Journal of Health Research (Jentashapir) 2013; 4(1): 11-21. ##9. Mojahedi ME, Rouhani M. Optimization of the MLP Neural Network to Detect Thyroid Disease by Clinical Data. 5th Iranian Conference on Electrical and Electronics Engineering; 2013 Aug 20-22; Gonabad: Islamic Azad University of Gonabad; 2013.## 10. Sarasvathi V, Santhakumaran A. Towards artificial neural network model to diagnose thyroid problems. Global Journal of Computer Science and Technolog 2011;11(5). ##11. UCI. Thyroid Disease Data Set. Available from: https://archive.ics.uci.edu/ml/index.php##12. Moazezi Z, Hedayati M, shirkhani Z, Azizi F. Glucose intolerance in subclinical hyperthyroid patients. Iranian Journal of Endocrinology and Metabolism 2012; 14 (2):127-34. Persian##13. Soleimanian Gharehchopogh F, Molany M, Mokri FD. Using artificial neural network in diagnosis of thyroid disease: a case study. International Journal on Computational Sciences & Applications 2013;3(4):49–61. ##14. Senol C, Yildirim T. Thyroid and breast cancer disease diagnosis using fuzzy-neural networks. International Conference on Electrical and Electronics Engineering - ELECO; 2009 Nov 5-8; Bursa, Turkey: IEEE; 2009. p. II-390. ##15. Shukla A, Tiwari R, Kaur P, Janghel RR. Diagnosis of thyroid disorders using artificial neural networks. IEEE International Advance Computing Conference; 2009 Mar 6-7; Patiala, India: IEEE; 2009. p. 1016–20. ##16. Polat K, Güneş S. A hybrid medical decision making system based on principles component analysis, k-NN based weighted pre-processing and adaptive neuro-fuzzy inference system. Digital Signal Processing 2006;16(6):913–21. ##17. Saiti F, Naini AA, Shoorehdeli MA, Teshnehlab M. Thyroid Disease Diagnosis Based on Genetic Algorithms Using PNN and SVM. 3th International Conference on Bioinformatics and Biomedical Engineering; 2009 Jun 11-13; Beijing, China: IEEE; 2009. p. 1–4. #### ##

بررسی فرآیند ثبت اطلاعات دارویی بیماران بیمارستان آموزشی مرجع در شهر کرمان با استفاده از رویکرد شش سیگما The Analysis of the Quality of Patient Drug Information Recording Process at Referral Teaching Hospital Using Six Sigma 1 1 مقدمه: افزایش شدید هزینه ‌های درمانی به همراه کاهش روند حمایتی دولت از بیمارستان‌ها، سبب پررنگ شدن نقش سازمان‌های بیمه به عنوان اصلی‌ترین منبع درآمدی بیمارستان شده است. بخش مهمی از مطالبات بیمارستان‌ها، مربوط به اسناد دارویی سازمان بیمه خدمات درمانی است که پس از رسیدگی به علت نقص در فرآیند، مشمول کسورات شده و از مطالبات بیمارستان کسر می‌گردد. روش: مطالعه حاضر توصیفی و به صورت گذشته‌نگر انجام شد. در این پژوهش نمونه‌گیری انجام نشد و کل 30 پرونده ناقص بیماران بیمه سلامت (ایرانیان) بیمارستان مرجع وارد مطالعه گردید. اطلاعات چک لیست‌ها وارد نرم‌افزار اکسل نسخه 22 شد، با استفاده از نمودار استخوان ماهی علت‌ها تعیین و برای تحلیل کیفیت فرآیند، از مقیاس شش سیگما استفاده گردید. نتایج: خطاهای فرآیند در قالب 6 گروه شناسایی گردید که بیشترین میزان خطاها به ترتیب مربوط به مراحل کنترل دستور دارویی و واردکردن آن در کاردکس و درخواست دارو از طریق سیستم تحویل دارو بوده است. بر اساس سیگمای محاسبه شده سطح کیفیت فرآیند مورد بررسی متوسط ارزیابی گردید. بیشترین میزان خطا مربوط به اسناد بیماران صندوق روستایی خدمات غیرگلوبال بود. نتیجه‌گیری: اقداماتی چون آموزش کارکنان، بازبینی و به‌روزرسانی سیستم ثبت و نگهداری اطلاعات و بهبود هماهنگی برون‌بخشی می‌تواند تا حد زیادی خطاها را در سه مرحله فوق کاهش دهد. 2 Introduction: Sharp rise in health care costs associated with the reduction of hospitals' support by government has increased the importance of insurance organizations as the main source of hospitals' income. An important part of hospitals’ demands is related to the medical records of Iranian Health Insurance organization that are subject to deductions and are deduced from the hospitals’ demands after investigating the cause of defect in the process. Methods: The present study was conducted as a retrospective descriptive research. In this study, sampling was not conducted and all incomplete files of patients covered by Iranian Health Insurance Organization in the reference hospital (n=30) were entered into the study. Data of checklists were entered into Excel software version 22 and the causes were determined by using Fishbone diagram. Six-sigma scale was used to analyze the quality of the process. Results: Process errors were detected in 6 groups and the highest error rates were respectively related to pharmaceutical orders control stages, entering them in cards and requesting drug through drug delivering system. The quality of the reviewed process was evaluated as moderate level based on the calculated sigma. The highest rate of error was related to the records of patients covered by rural fund of non-global services. Conclusion: Measures such as staff training, monitoring and updating the record keeping system and improving external parts coordination can greatly reduce errors in three above-mentioned stages. 32 38 2017/05/12017/04/192017/04/172017/04/27 1396/2/7 2017/06/172017/05/312017/06/102017/06/17 1396/3/27 محمد حسین مهرالحسنی Mohammad Hosein Mehrolhassani دانشیار، مرکز تحقیقات مدیریت سلامت، پژوهشکده آینده پژوهشی در سلامت، دانشگاه علوم پزشکی کرمان، ایران ایران mhmhealth@gmail.com لیلا والی Leila Vali استادیار، مرکز تحقیقات بهداشت محیط، دانشگاه علوم پزشکی کرمان، ایران ایران vali1386@gmail.com حمید معین Hamid Moein کارشناس ارشد مدیریت خدمات بهداشتی درمانی، مرکز تحقیقات مدیریت سلامت، دانشکده مدیریت اطلاع رسانی پزشکی ، دانشگاه علوم پزشکی کرمان، ایران ایران hamidmoein1097@gmail.com مهتاب قنبر نژاد Mahtab Ghanbarnejad کارشناس ارشد مدیریت خدمات بهداشتی درمانی، مرکز تحقیقات مدیریت سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی ، دانشگاه علوم پزشکی کرمان، ایران ایران mahtabghanbarnejad@gmail.om Process Drug information Six Sigma Deductions فرآیند اطلاعات دارویی شش سیگما کسورات 1. Tavakoli N, Saghaeyannejad S, Rezayatmand MR, Moshaveri F, Ghaderi I. deductions applied by khadamat-e-darman insurance company on patients' bills at teaching hospitals affiliated to Isfahan University of Medical Sciences. Health Inf Manage 2007; 3(2): 53-61. Persian ##2. Sabzeghabaei AM, Asgari HA, Asnaashari H. The survey on causes and rates drug prescription insurance deductions on patients' bills at selected hospitals related to Isfahan University of Medical Sciences in the first semester of 2007 [dissertation]. Isfahan: Isfahan University of Medical Sciences; 2007. Persian ##3. Karami M, Shokrizadeh Arani L. Related factors in medical records documentation quality and presenting solutions from managers' and physicians' viewpoints occupied in hospitals affiliated to Kashan University of Medical Sciences. Iran J Med Edu 2010; 9(4):356-64. Persian##4. Abdelhak M, Grostick S, Hanken MA, Jacobs E. Health Information: Management of a Strategic Resource. USA: W.B. Saunders Company; 2003. ##5. Vali L, Mahdavi S. Six Sigma and position of it in health. Hospital 2008; 7(1, 2): 5-11. Persian##6. Trusko B, Pexton C, Harrington J, Gupta P. Improving Healthcare Quality and Cost with Six Sigma. 1th ed. Translated by Mehrolhassani MH. Ghom: Shasosa; 2011. Persian##7. Shakiba A. Survey on amount of medical services insurance deductions in Shahid Maktabi hospital of Sabzevar. Tehran: Institute Press University of Imam Hossein; 2002: 323-5. Persian##8. Pouragha B, Pourreza A, Hasanzadeh A, Sadrollahi MM, Ahvazi Kh, Khabiri R. Pharmaceutical costs in social security organization and components influencing its utilization. Health Inf Manage 2013; 10)2(:1-11. Persian.##9. Safdari R, Sharifian R, Ghazi Saeedi M, Masoori N, Azad Manjir Z. The amount and causes deductions of bills in Tehran University of Medical Sciences Hospitals. Payavard Salamat 2011; 5(2):61-70. Persian##10. Mohammadi A, Azizi AA, Cheraghbaigi R, Mohammadi R, Zarei J, Valinejadi A. Analyzing the deductions applied by the medical services and social security organization insurance toward receivable bills by university hospitals of Khorramabad. Health Info Manage 2013; 10)2(:1-9. Persian##11. Karimi S, Vesal S, Saeedfar S, Rezayatmand M. The study deductions of insurance bills and presenting suggestions approaches in Seyed Alshohada Hospital. Health Info Manage 2011; 7(4):594 -600. Persian##12. Arastoo AA, Nickbakht M, Ghasemzadeh R, Azizi A, Zahednejad S, Latifi SM. Standardization of data elements of audiology records: a suitable model for Iran. Bimonthly Audiology 2012; 21(1): 26-37. Persian#### ##

تعیین مهم‌ترین عوامل مؤثر بر سرطان پوست غیرملانومایی با استفاده از الگوریتم‌های داده کاوی Determination of the Most Important Factors Affecting Non-Melanoma Skin Cancer Using Data Mining Algorithms 1 1 مقدمه: در سال‌های اخیر، سرطان پوست غیرملانوما (NMSC) جزء سه سرطان شایع در ایران بوده است. مدیریت نامناسب این بیماری منجر به افزایش شیوع و هزینه‌های سربار اقتصادی شده است. تکنیک‌های داده کاوی به آنالیز داده‌های پرونده‌های بیماران و مدیریت صحیح بیماری‌ها کمک می‌نمایند. هدف این مطالعه کشف الگوها و روابط پنهان در داده‌های بیماران NMSC با استفاده از الگوریتم‌های داده کاوی می‌باشد. روش: جامعه مورد بررسی در این مطالعه کاربردی، 828 پرونده NMSC بود که طی سال‌های 94-86 به انستیتو کانسر بیمارستان امام خمینی (ره) تهران ارجاع شده بودند. متغیرهای دموگرافیک و ریسک فاکتورهای ابتلا به بیماری با استفاده از الگوریتم K-Means خوشه‌بندی شدند. همچنین از الگوریتم Apriori برای استخراج قوانین انجمنی و تعیین شاخص‌های مشترک بیماران با درجه اطمینان بالای 0/9 استفاده گردید. نتایج: بیماران NMSC با توجه به متغیرهای مورد بررسی در چهار خوشه توزیع شدند و سه عامل مهم تأثیر‌گذار بر بیماری، BMI غیرنرمال، شغل‌های با ریسک بالا و سابقه قبلی سرطان مشخص شد. با استفاده از قوانین انجمنی هفت قانون مورد تأیید قرار گرفت و بیشترین ارتباط میان عوامل سابقه قبلی بیماری، موضع درگیر، عود و نوع سرطان پوست غیرملانوما دیده شد. نتیجه گیری: این مطالعه برای اولین بار مهم‌ترین عوامل مؤثر بر NMSC را با استفاده از داده کاوی تعیین نمود. این عوامل بایستی در انجام خودآزمایی‌ها و یا آزمایش‌های غربالگری پوست در گروه‌های پرخطر مد‌نظر قرار بگیرند. همچنین در مطالعات آینده بایستی مشارکت عوامل فیزیولوژیک، اکولوژیک و ژنتیک در ایجاد سرطان پوست تواماً داده کاوی شوند. 2 Introduction: Non-melanoma skin cancer (NMSC) has recently been one of the three most common cancers in Iran. Inappropriate management of the disease has led to an increase in the prevalence and overhead costs. Data mining techniques are helpful in the analysis of patient records and accurate management of diseases. This study aimed to find hidden patterns and relationships in the data of NMSC patients using data mining algorithms. Methods: In this applied study, study population consisted of medical records of 828 NMSC patients referred to the Cancer Institute of Imam Khomeini Hospital in Tehran during 2006-2015. Demographic variables and NMSC risk factors were clustered using K-Means algorithm. Apriori algorithm was applied as well for extraction of association rules and determination of patient’s common information with a confidence of ≥ 0.9. Results: According to the studied variables, NMSC patients were classified in four clusters and three important factors influencing the disease were identified as abnormal BMI, high risk occupations and previous history of cancer. Seven rules were approved by association rules and the highest associations were found between the past history of the disease, the involved site, the relapse, and the type of NMSC. Conclusion: For the first time, this study could highlight the most important factors affecting NMSC using data mining methods. These factors should be considered either in self examination or screening skin tests in high-risk groups. In future studies, the contribution of physiological, ecological and genetic factors in the development of skin cancer should be jointly investigated as well. 39 47 2017/05/12017/04/192017/04/172017/04/272017/03/30 1396/1/10 2017/06/172017/05/312017/06/102017/06/172017/05/16 1396/2/26 فروغ السادات قاسم زاده Foroughosadat Ghasemzadeh کارشناس ارشد انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران ghasemzadehf921@mums.ac.ir علی عرب خردمند Ali Arab-kheradmand متخصص جراحی عمومی، دانشیار گروه جراحی سرطان، مرکز تحقیقات سرطان، انستیتو کانسر ایران، دانشگاه علوم پزشکی تهران، تهران، ایران. ایران kheradmand.ali@gmail.com سروش دکلان Soroush Daklan متخصص پوست، بیمارستان پوست رازی، گروه پوست، دانشکده علوم پزشکی تهران، تهران، ایران. ایران soroush.daklan@gmail.com علیرضا شعبانی نژاد Alireza Shabaninezhad کارشناس ارشد حشره شناسی، گروه گیاه پزشکی، دانشکده کشاورزی، دانشگاه صنعتی شاهرود، سمنان، ایران. ایران shabanialireza565@gmail.com عطا قراجه ای Ata Garajei متخصص جراحی دهان و فک و صورت، استادیار گروه جراحی دهان و فک و صورت، دانشکده دندانپزشکی، مرکز تحقیقات سرطان، انستیتو کانسر ایران، دانشگاه علوم پزشکی تهران، تهران، ایران. ایران atagarajei@yahoo.com کبری اطمینانی Kobra Etminani دکترای نرم افزار کامپیوتر، استادیار گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران EtminaniK@mums.ac.ir Non-Melanoma Skin Cancer Data Mining Clustering Association rules Risk Factor سرطان پوست غیر ملانومایی داده کاوی خوشه بندی قوانین انجمنی ریسک فاکتور 1. Tortora G J, Grabowski SR, Tortora GJ, Roesch B. Principles of anatomy and physiology. 8th ed. U.S: Wiley; 1996.##2. Jesmin T, Ahmed K, Rahman MZ, Miah MB. Brain cancer risk prediction tool using data mining. International Journal of Computer Applications 2013;61(12): 22-7.##3. American cancer society. Skin Cancer Preventation and Early Detection. [cited 2012 Jun 16]. Available from:https://dermdetect.com/wp-content/uploads/skin_cancer_prevention.pdf##4. Ahmed K, Jesmin T, Rahman MZ. Early Prevention and Detection of Skin Cancer Risk using Data Mining. International Journal of Computer Applications 2013;62(4):1-6.##5. Priyanga A, Prakasam S. Effectiveness of Data Mining - based Cancer Prediction system (DMBCPS). International Journal of Computer Applications 2013; 83(10):11-17.##6. Mackie RM, Quinn AG. Non melanoma skin cancer and other epidermal skin tumors. In: Burns T, Breathnach S, Cox N, editors. Textbook of Dermatology. 7th ed. USA: Blackwell Scientific; 2004. p. 1-50.##7. Goldsmith LA, Katz SI, Gilchrest BA, Paller AS, Leffell DJ, Wolff K. Goldsmith LA. Fitzpatrick's Dermatology in General Medicine. In: Carucci JA, Leffell DJ, Pettersen JS. Basal cell carcinoma. Fitzpatrick's dermatology in general medicine. 2008. p. 1036-42.##8. Goldsmith LA, Katz SI, Gilchrest BA, Paller AS, Leffell DJ, Wolff K. Goldsmith LA. Fitzpatrick's Dermatology in General Medicine. In: Grossman D, Leffell DJ. Squamous cell carcinoma. 2008. p. 1028-36.##9. Alam M. Fitzpatrick's dermatology in general medicine. Arch Dermatol 2004;140(3):372. ##10. Jemal A, Devesa SS, Hartge P, Tucker MA. Recent trends in cutaneous melanoma incidence among whites in the United States. J Natl Cancer Inst 2001;93(9):678-83.##11. Giles GG, Marks R, Foley P. Incidence of non-melanocytic skin cancer treated in Australia. Br Med J (Clin Res Ed) 1988;296(6614):13-7.## 12. Alam M, Ratner D. Cutaneous squamous-cell carcinoma. N Engl J Med 2001;344(13):975-83.##13. Kennedy C, Bajdik CD. Descriptive epidemiology of skin cancer on Aruba: 1980-1995. Int J Dermatol 2001;40(3):169-74. ##14. Noorbala MT, Kafaie P. Analysis of 15 years of skin cancer in central Iran (Yazd). Dermatol Online J 2007;13(4):1.##15. Nourbala MT. Skin cancer in Yazd. Iranian Journal of Dermatology 2007;10(1):13-9.##16. Iraji F, Arbabi N, Asilian A, Siadat AH, Keshavarz J. Incidence of non-melanoma skin cancers in Isfahan. Iranian Journal of Dermatology 2007;9(38):330-34.##17. Aghajani H, Etemad K, Goya MM, Ramezani R, Modirian M, Nadali F. Iranian Annual Cancer Registration Report 2008-2009. Ministry Of Health & Medical Education Health Deputy Center for Disease Control and Prevention, Cancer Control Office: Tandis; 2011.##18. National Library of Australia Cataloguing–in–Publication data: Lifestyle and cancer: knowledge, attitudes and behavior in NSW 2009 SHPN (CI) 120203: Cancer Institute NSW; 2012.##19. Rajpar S, Marsden J. ABC of skin cancer. UK: John Wiley & Sons; 2009.##20. Housman TS, Feldman SR, Williford PM, Fleischer AB, Goldman ND, Acostamadiedo JM, et al. Skin cancer is among the most costly of all cancers to treat for the Medicare population. J Am Acad Dermatol 2003;48(3):425-9. ##21. Chang CL, Chen CH. Applying decision tree and neural network to increase quality of dermatologic diagnosis. Expert Syst Appl 2009;36(2):4035-41.##22. Koh HC, Tan G. Data mining applications in healthcare. J Healthc Inf Manag 2005;19(2):64-72.##23. Berka P, Rauch J, Zighed DA. Data Mining and Medical Knowledge Management: Cases and Applications. 1th ed. USA: Medical Information Science Reference; 2009.##24. Zhu L, Wu B, Cao C. Introduction to medical data mining. Sheng Wu Yi Xue Gong Cheng Xue Za Zhi 2003;20(3):559-62.##25. Cios KJ. Medical Data Mining and Knowledge Discovery. Physica-Verlag Heidelberg; 2000. ##26. Han J, Kamber M, Pei J. Data preprocessing. Data mining: concepts and techniques. San Francisco: Morgan Kaufmann; 2006.##27. Duch W, Grabczewski K, Adamczak R, Grudzinski K, Hippe ZS. Rules for melanoma skin cancer diagnosis; 2001. Available from: http://www.fizyka.umk.pl/ftp/pub/papers/kmk/01-melanoma-Kosyr.pdf. ##28. Nahar J, Tickle KS, Ali AB, Chen YP. Significant cancer prevention factor extraction: an association rule discovery approach. J Med Syst 2011;35(3):353-67. ##29. Allahverdipoor H. Passing through traditional health education towards theory-oriented health education. Health Promotion and Education Magazine 2005;1(3):75-9.##30. Geller AC, Swetter SM, Brooks K, Demierre MF, Yaroch AL. Screening, early detection, and trends for melanoma: current status (2000-2006) and future direction. J Am Acad Dermatol 2007;57(4):555-72. ##31. Thomas DB. Sun Awareness and Skin Cancer Prevention in the Teen Population: Using a School Based Approach In Teaching Adolescent Self-Health: Citeseer; 2006. Available from: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.580.8583&rep=rep1&type=pdf##32. Ghasemzadeh F, Etminani K, Arab-Kheradmand A, Hosseini Moini SB. A retrospective study on non melanoma skin cancer in Cancer Institute, Imam Khomeini Medical Center, Tehran, Iran. Journal of Dermatology and Cosmetic 2017; 8(1):9-21. Persian.##33. Mann AK, Kaur N. Survey Paper on Clustering Techniques. International Journal of Science, Engineering and Technology Research 2013; 2(4): 803-6.##34. Thompson JF, Scolyer RA, Kefford RF. Cutaneous melanoma. The Lancet 2005;365(9460):687-701. ##35. Dennis LK, Lowe JB, Lynch CF, Alavanja MC. Cutaneous melanoma and obesity in the Agricultural Health Study. Ann Epidemiol 2008;18(3):214-21. ##36. Sarshar N, Khajavi A. The prevalence of obesity in females of 15-65 years of age in Gonabad, Iran. Horizon Med Sci 2006; 12(3) :38-43. Persian##37. Wikipedia. Cancers. Physiotherapy in cancer; 2017 [cited 2017 Jun 25]. Available from: https://fa.wikipedia.org/wiki/%D9%BE%D8%B3%D9%88%D8%B1%DB%8C%D8%A7%D8%B2%DB%8C%D8%B3 ##38. Latifi Z. Skin cancer caused by sunshine. 2011. Tebyan. [cited 2017 Jun 25] Available from: https://article.tebyan.net/172806/. ##39. Thangaraju P, Deepa B. A case study on perclusion and discovery of skin melanoma risk using clustering techniques. International Journal of Advanced Research in Electronics and Communication Engineering 2014;3(7):723-7.##40. Houtsma A, Swami M. Set-Oriented Mining for Association Rules in Relational Databases. Proceedings of the Eleventh International Conference on Data Engineering; 1995 Mar 6-10; Taipei, Taiwan: IEEE; 1995. p. 25-33.#### ##

ارائه مدل هم‌کنش‌پذیری به منظور ایجاد تعامل در سیستم‌های اطلاعات بیمارستان Provide Interoperability Model to Interact in Hospital Information Systems 1 1 مقدمه: سیر ورود سیستم‌‌های اطلاعات بیمارستانی متنوع و ناهمگون توسط نام‌های تجاری مختلف، بر روی سکو‌های گوناگون در حوزه سلامت الکترونیک منجر به بروز مشکلات هم‌کنش‌پذیری شده است. هم‌کنش‌پذیری قابلیت دو یا چند سیستم یا مؤلفه برای تبادل داده و استفاده از اطلاعات مبادله شده است. هدف از این مطالعه ارائه مدلی جامع به منظور برقراری هم‌کنش‌پذیری در چهار سطح فنی، نحوی، معنایی و سازمانی در سیستم اطلاعات بیمارستان است. روش: پژوهش حاضر از نوع کاربردی- توصیفی است‌. این مطالعه شامل سه فاز بوده؛ ابتدا شاخص‌های مورد‌نیاز برای دستیابی به قابلیت هم‌کنش‌پذیری سیستم اطلاعات بیمارستان در وجوه مختلف هم‌کنش‌پذیری شناسایی شد. سپس مدلی هم‌کنش‌پذیر برای یک سیستم اطلاعات بیمارستان ارائه گردید و در نهایت با استفاده از روش‌های سناریو محور مدل ارائه شده مورد ارزیابی قرار گرفت. نتایج: براساس مطالعه انجام شده به منظور دستیابی به هم‌کنش‌پذیری کامل در سیستم اطلاعات بیمارستان از رویکرد گذرگاه سرویس سلامت استفاده شد. مدل ارائه شده دارای شاخص‌های لازم برای دستیابی به تمام سطوح هم‌کنش‌پذیری است. مدل پیشنهادی با استفاده از روش ارزیابی سناریو محور ATAM مورد تأیید خبرگان حوزه قرار گرفت. نتیجه‌گیری: دستیابی به هم‌کنش‌پذیری در حوزه بهداشت و درمان به دلیل پیچیدگی سیستم‌های اطلاعاتی، تنوع اطلاعات و استانداردها کار بسیار مشکلی است. این چالش‌ها شامل موضوعات فنی، نحوی، معنایی و سازمانی است‌. بالا رفتن درجه هم‌کنش‌پذیری و سازگاری بین سیستم‌های اطلاعات بیمارستان موجب تسهیل در همکاری سیستم‌ها با یکدیگر و بالا رفتن بهره‌وری، کارایی بالینی و مدیریتی این سیستم‌ها خواهد شد. 2 Introduction: The arrival of diverse and disparate hospital information systems by different-brands, on various platforms in the field of electronic health, has led to problems of interoperability. Interoperability is defined as the ability for two (or more) systems or components to exchange information and to use the information that has been exchanged. This paper aims to provide the hospital information system interoperability model. Provided that it cover all aspects of the interoperability. Method: This study is an applied- descriptive. The study includes three phase, at first required indicators to achieve all aspects of interoperability in hospital information system will be identified. In the following, provide the hospital information system interoperability model. Finally, this model with using a scenario based on a software architecture analysis method will be evaluated. Results: In this study, in order to achieve complete interoperability in Hospital Information System has been used a HSB approach. The presented model has necessary indicators for achieving all levels of interoperability (Technical, syntactic, semantic and organizational). EHealth experts confirmed this model using with architecture trade-off analysis method (ATAM). Conclusion: Achieving interoperability in healthcare information systems due to the complexity, diversity and standards is very difficult. And this challenges include technical, syntactic, semantic organizational. Increasing degree of interoperability and compatibility between hospital information systems cause to facilitate cooperation system together and increase efficiency, clinical performance and management of this systems. 48 58 2017/05/12017/04/192017/04/172017/04/272017/03/302017/04/21 1396/2/1 2017/06/172017/05/312017/06/102017/06/172017/05/162017/06/12 1396/3/22 ناهید زینلی Nahid Zeinali کارشناسی ارشد انفورماتیک پزشکی، دانشگاه تربیت مدرس، دانشکده علوم پزشکی، گروه انفورماتیک پزشکی، تهران، ایران. ایران Nahidzeinali2014@gmail.com عباس آسوشه Abbas Asosheh استادیار، دکترا مهندسی برق و الکترونیک گروه صنایع و فناوری اطلاعات، دانشگاه تربیت مدرس، دانشکده فنی، گروه صنایع، تهران، ایران . ایران asosheh@modares.ac.ir سوگند ستاره Sougand Setareh دانشجوی دکترای تخصصی انفورماتیک پزشکی، دانشگاه شهید بهشتی، دانشکده پیراپزشکی، گروه انفورماتیک پزشکی، تهران، ایران. ایران sougand.setareh@gmail.com Interoperability Hospital Information System E-health هم‌کنش‌پذیری سیستم اطلاعات بیمارستان سلامت الکترونیک 1. Ismail A, Jamil AT, Rahman AFA, Bakar JMA, Saad NM, Saadi H. The implementation of Hospital Information System (HIS) in tertiary hospitals in malaysia: a qualitative study. Malaysian Journal of Public Health Medicine. 2010;10(2):16-24.##2. Adebesin F, Foster R, Kotzé P, Van Greunen D. A Review of Interoperability Standards in E-health and Imperatives for their Adoption in Africa. South African Computer Journal 2013; 50:55-72.##3. Vida M, Stoicu-Tivadar L, BERNAD E. Measuring the Interoperability Degree of Interconnected Healthcare Information Systems Using the LISI Model. The First International Conference on Intelligent Systems and Applications; 2012 Apr- May 29-4; 2012; Chamonix, France: INTELLI; 2012. p. 76 -80.##4. Sabooniha N, Toohey D, Lee K. An evaluation of hospital information systems integration approaches. Proceedings of the International Conference on Advances in Computing, Communications and Informatics; 2012 Aug 3 – 5; New York: ACM; 2012. p. 498-504##5. Folmer E, Verhoosel J. State of the art on semantic IS standardization, interoperability & quality: UT, CTIT, TNO en NOiV; 2011.##6. Guédria W, Naudet Y, Chen D. Interoperability Maturity Models – Survey and Comparison. In: Meersman R, Tari Z, Herrero P, editors. On the Move to Meaningful Internet Systems: OTM 2008 Workshops: OTM Confederated International Workshops and Posters, ADI, AWeSoMe, COMBEK, EI2N, IWSSA, MONET, OnToContent + QSI, ORM, PerSys, RDDS, SEMELS, and SWWS 2008, Monterrey, Mexico, 2008 Nov 9-14; Berlin, Heidelberg: Springer Berlin Heidelberg; 2008. p. 273-82. ##7. Rezaei R, Chiew TK, Lee SP. A review on E-business Interoperability Frameworks. Journal of Systems and Software 2014;93:199-216.##8. Vega DE. A Methodology for Automated Interoperability Testing of Healthcare Information Systems based on an Actor Emulation Approach. [dissertation] Berlin: University Library of the TU Berlin and UdK; 2011.##9. Rezaei R, Chiew TK, Lee SP. An interoperability model for ultra large scale systems. Advances in Engineering Software 2014;67:22-46.##10. Rezaei R, Chiew TK, Lee SP, Aliee ZS. Interoperability evaluation models: A systematic review. Computers in Industry 2014;65(1):1-23.##11. Rezaei R, Chiew Tk, Lee SP. A review of interoperability assessment models. Journal of Zhejiang University Science C 2013;14(9):663-81.##12. van der Veer H, Wiles A. Achieving technical interoperability. 3th ed. France: European Telecommunications Standards Institute; 2008.##13. Whitman LE, Panetto H. The missing link: Culture and language barriers to interoperability. Annual Reviews in Control 2006;30(2):233-41.##14. Marins F, Rodrigues R, Portela F, Santos M, Abelha A, Machado J, editors. Extending a patient monitoring system with identification and localisation. International Conference on Industrial Engineering and Engineering Management; 2013 Dec 10-13; Bangkok, Thailand: IEEE; 2013.##15. Iroju O, Soriyan A, Gambo I. Ontology matching: An ultimate solution for semantic interoperability in healthcare. International Journal of Computer Applications 2012;51(21).##16. European ehealth interoperability roadmap. CALLIOPE CALL for InterOPErability; 2010.##17. European Coordination Committee of the Radiological, Electromedical and Healthcare IT Industry. To interoperability improving the seamless flow of information between medical disciplings, health systems, regions and countries for better healthcare; 2012.##18. Crichton R. The Open Health Information Mediator: an Architecture for Enabling Interoperability in Low to Middle Income Countries. [dissertation] Durban: University of KwaZulu-Natal; 2015.##19. Della Valle E, Cerizza D, Bicer V, Kabak Y, Laleci G, Lausen H, et al., editors. The need for semantic web service in the eHealth. W3C workshop on Frameworks for Semantics in Web Services; 2005.##20. Fayçal Z, Mohamed T. A Semantic Web Services for Medical Analysis using the OWL-S Language. International Journal of Computer Applications 2011; 30(5):26-33.##21. Qamar R. Semantic mapping of clinical model data to biomedical terminologies to facilitate interoperability: [dissertation] England: University of Manchester; 2008.##22. Ducrou A.J. Complete interoperability in healthcare: technical, semantic and process interoperability through ontology mapping and distributed enterprise integration techniques. Doctor of Philosophy thesis, Faculty of Informatics, University of Wollongong, 2009##23. Ionita MT, Hammer DK, Obbink H. Scenario-based software architecture evaluation methods: An overview. Icse/Sara; 2002.##24. Riazi H, Fathi Rodsari B, Bitaraf E. E-Health Record Formulation: Electronic Health Record Requirements. Tehran: 1386.##25. Riazi H, Bitaraf E, Abedian S. Functional evaluation of hospital information systems. Tehran: Ministry of Health and Medical Education; 2013.##26. Kazman R, Klein M, Clements P. ATAM: Method for architecture evaluation. Carnegie Mellon University; 2000.##27. Manes AT. Enterprise Service Bus: A Definition. Burton Group; 2007. p.1-35.##28. Hullu C de. Evaluating. NET-Based Enterprise Service Bus Solutions. Department of Computer Science Chair Software Engineering; 2012.## ##

داده کاوی بر پایه روش‌های شبکه عصبی و درخت تصمیم در تشخیص زود هنگام ریسک ابتلا به دیابت بارداری Data Mining Approach based on Neural Network and Decision Tree Methods for the Early Diagnosis of Risk of Gestational Diabetes Mellitus 1 1 مقدمه: امروزه در دنیای مدرن صنعتی خطر ابتلا به بیماری‌های مزمن به طرز چشمگیری افزایش یافته است. دیابت بارداری یکی از مسائل مهم در حوزه سلامت است و در صورتی که درمان نشود مشکلات و عوارض جانبی متعددی برای مادر و فرزندش به همراه دارد. این پژوهش به دنبال پیش‌بینی ریسک و هشدار به موقع در ابتلا به دیابت بارداری به مادر می‌باشد تا در اوایل بارداری از ابتلا جلوگیری به عمل آید. روش: این پژوهش که به صورت کاربردی- پیمایشی انجام شد و از دو رویکرد شبکه عصبی و درخت تصمیم در داده‌کاوی به منظور تجزیه‌وتحلیل آزمایشی داده‌ها و پیش‌بینی استفاده گردید. داده‌های استخراج شده نرمال‌سازی شده و پس از آماده‌سازی در نرم‌افزار Matlab تجزیه‌وتحلیل شدند. نتایج: تحقیق حاضر در پی یافتن پاسخ به این پرسش است که"آیا دو روش داده‌کاوی شبکه عصبی و درخت تصمیم در تشخیص به هنگام و درست ریسک ابتلا به دیابت بارداری از صحت لازم برخوردار است ؟" و می‌توان از آن‌ها برای تشخیص درست استفاده نمود؟ نتایج تحقیق نشان می‌دهد که روش‌های داده مدار در بهبود صحت و درستی پیش‌بینی مؤثرند، در کشف دانش ضمنی و تشخیص روابط پنهان بین داده‌ها عملکرد مناسبی دارند و خطای تصمیم‌گیری در هر دو روش در حد قابل پذیرش و بسیار به هم نزدیک است‌. نتیجه گیری: نتایج تحقیق حاکی از آن است که از رویکرد‌های داده مدار می‌توان در مراکز درمانی و سایر بیماری‌های کمتر شناخته شده استفاده نمود و پیشگیری به موقع‌، مدیریت خود بیمار و کاهش هزینه‌های درمانی را میسر ساخت. 2 Introduction: Nowadays, in this industrial modern world, the incidence of chronic diseases has been significantly increased. Gestational diabetes mellitus is one of the major health problems that if not treated, it will cause serious complications for mother and her child. The purpose of this research was to find ways for determining the risk of gestational diabetes mellitus and making early diagnosis to prevent it in the initial stages of pregnancy. Methods: This applied-survey research used two approaches of neural network and decision tree in experimental analysis of data and prediction. The extracted data were normalized and analyzed through Matlab software. Results: The results showed that data-based method is effective in improving the accuracy of prediction and has good performance in discovering implied knowledge and diagnosis of hidden relationships among data. In both methods, decision errors were acceptable and very close to each other. Conclusion: Based on the obtained results, data mining methods can be used in health centers for less familiar diseases in order to achieve on-time diagnosis, patient management and to decrease treatment costs. 59 68 2017/05/12017/04/192017/04/172017/04/272017/03/302017/04/212017/04/30 1396/2/10 2017/06/172017/05/312017/06/102017/06/172017/05/162017/06/122017/06/20 1396/3/30 مریم میرشریف Maryam Mirsharif کارشناس ارشد مدیریت فناوری اطلاعات، دانشگاه علوم و تحقیقات تهران، تهران، ایران. ایران mary_mshf@yahoo.com سعید روحانی Saeed Rouhani دکترای مهندسی سیستم، استادیار، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. ایران srouhani@ut.ac.ir Data mining Artificial Neural Network Decision Tree Gestational diabetes mellitus Diagnosis دادهکاوی‌ شبکه‌های عصبی هوشمند درخت تصمیم دیابت بارداری تشخیص 1. Ovesen PG, Jensen DM, Damm P, Rasmussen S, Kesmodel US. Maternal and neonatal outcomes in pregnancies complicated by gestational diabetes. a nation-wide study. J Matern Fetal Neonatal Med 2015;28(14):1720-4.##2. Coustan DR. Gestational diabetes mellitus. Clinical Chemistry 2013;59(9):1310-21.##3. Kim C, Cheng YJ, Beckles GL. Cardiovascular disease risk profiles in women with histories of gestational diabetes but without current diabetes. Obstet Gynecol 2008;112(4):875-83.##4. Lingaraj H, Devadass R, Gopi V, Palanisamy K. Prediction of diabetes mellitus using data mining techniques: a review. Journal of Bioinformatics & Cheminformatics 2015;1(1):1-3.##5. Class T. Diabetes and pregnancy. Diabetologia Croatica. 2002;31:3 .##6. Chu SY, Callaghan WM, Kim SY, Schmid CH, Lau J, England LJ, et al. Maternal obesity and risk of gestational diabetes mellitus. Diabetes Care 2007;30(8):2070-6. ##7. O'Leary JA. Shoulder Dystocia and Birth Injury: Prevention and Treatment. 3th ed. USA: Humana Press; Softcover reprint of hardcover; 2009. ##8. Stafford GC, Kelley PE, Syka JEP, Reynolds WE, Todd JF. Recent improvements in and analytical applications of advanced ion trap technology. International Journal of Mass Spectrometry and Ion Processes 1984;60(1):85-98.##9. Vijiyarani S, Sudha S. Disease prediction in data mining technique–a survey. International Journal of Computer Applications & Information Technology 2013;2(1):17-21.##10. Lakshmi KV, Padmavathamma M. Modeling an Expert System for Diagnosis of Gestational Diabetes Mellitus Based On Risk Factors. Journal of Computer Engineering 2013;8(3):29-32.##11. Smitha V. An expert system for diabetes diagnosis. [dissertation]. India: Christ University Bangalore; 2010.##12. Zarkogianni K, Vazeou A, Mougiakakou SG, Prountzou A, Nikita KS. An insulin infusion advisory system based on autotuning nonlinear model-predictive control. IEEE Trans Biomed Eng 2011;58(9):2467-77.##13. Jaafar SFB, Ali DM. Diabetes mellitus forecast using artificial neural network (ANN). Asian Conference on Sensors and the International Conference on New Techniques in Pharmaceutical and Biomedical Research; 2005 Sep 5-7; Kuala Lumpur, Malaysia, Malaysia: IEEE; 2005.##14. Sreedevi E, Vijaya Lakshmi K, Chaitanya Krishna E, Padmavathamma M. Modelling effective diagnosis of risk complications in gestational diabetes mellitus: an e-diabetic expert system for pregnant women. 4th International Conference on Digital Image Processing (ICDIP 2012); 2012 8 Jun 8; Kuala Lumpur, Malaysia: Proc. SPIE; 2012.##15. Gurumurthy S, Tripathy BK, Priya M. Study of Image Recognition Using Cellular Associated Artificial Neural Networks. Proceedings of the International MultiConference of Engineers and Computer Scientists; 2011. Mar 16-18; Hong Kong: IMECS; 2011.##16. Srivastava S, Tripathi K. Artificial neural network and non-linear regression: a comparative study. International Journal of Scientific and Research Publications 2011;2(12):1-5.##17. Sumathy M, Thirugnanam M, Kumar P, Jishnujit T, Kumar KR. Diagnosis of diabetes mellitus based on risk factors. International Journal of Computers and Applications 2010;10(4):1-4.##18. Nguyen HT, Ghevondian N, Nguyen ST, Jones TW. Detection of hypoglycemic episodes in children with type 1 diabetes using an optimal Bayesian neural network algorithm. Conf Proc IEEE Eng Med Biol Soc 2007;2007:3140-3. ##19. Mirsharif M, Alborzi M. A fuzzy expert system & neuro-fuzzy system using soft computing for gestational diabetes mellitus diagnosis. International Journal of Information, Security and Systems Management 2014;3(1):249-52.##20. Su MC. Use of neural networks as medical diagnosis expert systems. Computers in Biology and Medicine 1994;24(6):419-29.##21. Jaafar SFB, Ali DM. Diabetes mellitus forecast using artificial neural network (ANN). Asian Conference on Sensors and the International Conference on New Techniques in Pharmaceutical and Biomedical Research; 2005 Sep 5-7; Kuala Lumpur, Malaysia, Malaysia IEEE; 2005. ##22. Cunningham F, Leveno K, Bloom S, Hauth J, Rouse D, Spong C. Williams Obstetrics. 23th ed. New York: McGraw Hill ; 2010.##23. Hirose Y, Yamashita K, Hijiya S. Back-propagation algorithm which varies the number of hidden units. Neural Networks 1991;4(1):61-6.##24. Sapra RL, Mehrotra S, Nundy S. Artificial neural networks: prediction of mortality/survival in gastroenterology. Current Medicine Research and Practice 2015;5(3):119-29.##25. Rumelhart D, Hinton G, Williams R. Learning internal representation by back propagation. Cambridge, MA, USA: Parallel distributed processing: explorations in the microstructure of cognition; 1986.##26. San PP, Ling SH, Nguyen HT. Intelligent detection of hypoglycemic episodes in children with type 1 diabetes using adaptive neural-fuzzy inference system. Conf Proc IEEE Eng Med Biol Soc 2012;2012:6325-8.## 27. David SK, Saeb AT, Al Rubeaan K. Comparative analysis of data mining tools and classification techniques using weka in medical bioinformatics. Computer Engineering and Intelligent Systems 2013;4(13):28-38.##28. Hatonen K, Klemettinen M, Mannila H, Ronkainen P, Toivonen H, editors. Knowledge discovery from telecommunication network alarm databases. Proceedings of the Twelfth International Conference on Data Engineering; 1996 26 Feb-Mar 26-1; New Orleans, LA, USA, USA: IEEE; 1996.##29. Reichetzeder C, Dwi Putra SE, Pfab T, Slowinski T, Neuber C, Kleuser B, et al. Increased global placental DNA methylation levels are associated with gestational diabetes. Clin Epigenetics 2016;8:82.##30. Vijayan V, Ravikumar A. Study of data mining algorithms for prediction and diagnosis of diabetes mellitus. International Journal of Computer Applications 2014;95(17):12-6.##31. Devi MR, Shyla JM. Analysis of various data mining techniques to predict diabetes mellitus. International Journal of Applied Engineering Research. 2016;11(1):727-30.## ##

چالش‌های مجلات تخصصی در دانشگاه های علوم پزشکی challenges of Medical Universities' Journals 1 1 مقاله از نوع نامه به سردبیر است لذا فاقد چکیده می باشد. 69 70 2017/05/12017/04/192017/04/172017/04/272017/03/302017/04/212017/04/302017/05/2 1396/2/12 2017/06/172017/05/312017/06/102017/06/172017/05/162017/06/122017/06/202017/05/17 1396/2/27 حسن اشرفی ریزی Hassan Ashrafi Rizi دکتری تخصصی کتابداری و اطلاع رسانی، دانشیار، مرکز تحقیقات فناوری اطلاعات در امور سلامت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران hassanashrafi@mng.mui.ac.ir مجلات تخصصی نظام سلامت 1. Medical Journals Commission of the Ministry of Health and Medical Education. Approved Medical Journals. Tehran: The Ministry of Health and Medical Education; 2014.##2. Tabaghi R, Dehghan R, Rashidi A, Safaeian A. The effective factors on scientific production from faculty members in Tabriz University of Medical Sciences. In: Mikaniki E, Mousavi A, Tirgar A. Editors. Research and Science Production in Medical Field; 2012 Dec. 1; Babol, Iran. Tehran: Ketabdar Publication; 2012. p. 353-63.##3. Smith R. Publishing research in developing countries. Statistics in Medicine 2002; 21: 2869-2877.##4. Jalalzadeh S, Jadidi A, Sangari M. The amount of scientific productions visibility in medical universities based on Matthew effect in Web of Science. In: Mikaniki E, Mousavi A, Tirgar A. Editors. Research and Science Production in Medical Field; 2012 Dec 1; Babol, Iran. Tehran: Ketabdar Publication; 2012. p. 483-97.## ##