1396 4 3 13 243

طراحی و مدل‌سازی سامانه پرونده سلامت شخصی مبتنی بر شبکه اجتماعی سلامت Designing and Modeling Personal Health Record Systems based on Health Social Network 1 1 مقدمه: مراقبت‌های بیمار-محور یکی از شش هدف مهم برای دست‌یابی به مراقبت‌های باکیفیت هستند. پرونده‌های سلامت شخصی موجب بهبود به‌کارگیری مراقبت‌های بیمار-محور می‌شوند. همچنین تمایل فراوانی برای استفاده از اینترنت و خدمات آن در حوزه مراقبت بهداشتی وجود دارد. هدف این مقاله طراحی معماری سامانه پرونده سلامت شخصی در بستر شبکه اجتماعی سلامت است. روش: در این پژوهش توصیفی، طراحی معماری سامانه پیشنهادی با استفاده از زبان مدل‌سازی یکپارچه انجام ‌شد. در واقع ابتدا با استفاده از نمودار کلاس مؤلفه‌های سامانه و روابط بین آن‌ها، سپس با استفاده از نمودار موردِکاربرد نحوه تعامل سامانه با محیطش و در نهایت فعالیت‌های موجود در فرآیندهای مهم با استفاده از نمودار فعالیت نمایش داده شد. در نهایت معماری طراحی شده با استفاده از روش ارزیابی مبتنی بر سناریو ARID ارزیابی شد. نتایج: با استفاده از روش ارزیابی سناریو-محور ARID نشان داده شد که معماری طراحی شده با استفاده از UML و ارتباط‌های مشخص شده بین مؤلفه‌ها، سامانه‌ها و کاربران از منظرهای ساختاری و رفتاری، امکان تأمین سناریوهای موردانتظار از سامانه پیشنهادی را دارد.  نتیجه‌گیری: مدل‌سازی سامانه پیشنهادی نشان می‌دهد که می‌توان امکانات یک پرونده سلامت شخصی و انتظارات کاربران از آن را در شبکه اجتماعی فراهم آورد. استفاده از وب 2 و خدمات آن در حوزه مراقبت بهداشتی منجر به تبادل و انتشار بهتر و سریع‌تر اطلاعات، آموزش، پشتیبانی عاطفی و غیره می‌شود.   2 Introduction: Patient-centered care is one of the six major aims to achieve high quality healthcare.  Personal health records can improve patient-centered cares. Also, there is growing desire to use internet and its services in healthcare. The purpose of this study was to design the architecture of personal health record system in the health social network platform. Methods: In this descriptive study, designing the architecture of the proposed system was done by Unified Modeling Language (UML). First, system components and their relationships were modeled by class diagram. Then, the use-case diagram showed how the proposed system interacts with its environment. Ultimately, the activities in the main process of the proposed system were modeled by the activity diagram.Finally, the designed architecture was evaluated by scenario-based assessment (ARID) method. Results: The scenario-based assessment (ARID) showed that the designed architecture by UML and determined relationships between components, systems and users from the structural and behavioral perspective could meet all expected scenarios from the proposed system. Conclusion: The modeling of the proposed system showed that a social network can meet the features of personal health record and the expectations of its users. The use of web 2.0 and its services lead to better and faster information exchange and dissemination, training, emotional support and etc.   168 180 2017/05/30 1396/3/9 2017/11/2 1396/8/11 مژگان تنهاپور Mozhgan Tanhapour کارشناس ارشد انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران علی اصغر صفائی Ali Asghar Safaei دکتری تخصصی مهندسی کامپیوتر-نرم‌افزار، استادیار، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران Patient-centered care Personal health record web 2.0 Social network Unified Modeling Language مراقبت بیمار-محور پرونده سلامت شخصی وب 2 شبکه اجتماعی زبان مدل‌سازی یکپارچه 1. Institute of Medicine (US) Committee on Quality of Health Care in America. Crossing the Quality Chasm: A New Health System for the 21st Century. Washington (DC): National Academies Press; 2001. ##2. Agency for Healthcare Research and Quality(AHRO). National Healthcare Quality Report; 2005. [cited 2017 Apr 15] Available from: https://archive.ahrq.gov/qual/nhqr05/nhqr05.pdf##3. Huba N, Zhang Y. Designing patient-centered personal health records (PHRs): health care professionals' perspective on patient-generated data. J Med Syst 2012;36(6):3893-905. ##4. Group PHW. Connecting for health. a public-private collaborative. New York Markle Found; 2003. [cited 2017 Apr 15] Available at: http://www.connectingforhealth.org.##5. White RW, Harpaz R, Shah NH, DuMouchel W, Horvitz E. Toward enhanced pharmacovigilance using patient-generated data on the internet. Clin Pharmacol Ther 2014;96(2):239-46. ##6. Anderson P. What is Web 2.0? Ideas, technologies and implications for education. JISC Technology and Standards Watch, Feb. 2007. Bristol: JISC. [ cited 2017 Apr 15] Available from: http://www.jisc.ac.uk/media/documents/techwatch/tsw0701b.pdf##7. Zhao J, Lu X, Wang X, Ma Z. Web Information Credibility: From Web 1.0 to Web 2.0. International Journal of u-and e- Service, Science and Technology 2015;8(7):161–72. ##8. Ahrens SG, Marlow CA, Backstrom LS, Mishra C. Facilitating interaction among users of a social network. Google Patents; 2015. ##9. Sommerville I. Software Engineering. 9th ed. United States of America: Pearson; 2011. ##10. Tanhapour M, Safaei AA. Requirement Specification of Creating a hybrid model of PHR based on Social Network. J Payavard Salamat. 2017. In press.##11. Tanhapour M, Safaei AA. Specification of requirements for health social-network as Personal Health Record (PHR) system. Tehran Univ Med J 2015; 73(6):431-41. Persian##12. Shahmoradi M, Safaei AA, Tajrishi H, Nazari E, Delaram Z, Zarei Z, et al. The common applications of social networks in healthcare. Health Information Management 2016;3(13):243–8. Persian##13. Shahmoradi M, Tajrishi H, Nazari E, Delaram Z, Zarei Z, Zeinali N, et al. The role of social networks in healthcare: applications and limitations. Journal of Health and Biomedical Informatics 2015; 2(2):124-8. Persian##14. Marceglia S, Fontelo P, Rossi E, Ackerman MJ. A Standards-Based Architecture Proposal for Integrating Patient mHealth Apps to Electronic Health Record Systems. Appl Clin Inform 2015;6(3):488-505. ##15. Rossi E, Fontelo P, Ackerman MJ, Pozzi G, Marceglia S. A Prototype of Mobile app/EHR Communication through Standards for Home Treatment of Transcranial Direct Current Stimulation. International Conference on Healthcare Informatics; 2015 Oct 21-23; Dallas, TX, USA: IEEE; 2015. p. 310–5. ##16. Belyaev K, Sun W, Ray I, Ray I. On the design and analysis of protocols for Personal Health Record storage on Personal Data Server devices. Future Generation Computer Systems 2018;80:467-82.##17. Booch G, Rumbaugh G, Jacobson I. The unified modeling language user guide. Addison Wesley; 2005. [cited 2017 Apr 15] Available from: http://www.icst.pku.edu.cn/F/course/uml/reference/the-unified-modeling-language-user guide.9780201571684.997.pdf##18. Erickson J, Siau K. Theoretical and practical complexity of modeling methods. Communications of the ACM. 2007;50(8):46–51. ##19. Bengtsson P, Lassing N, Bosch J, van Vliet H. Architecture-level modifiability analysis (ALMA). Journal of Systems and Software 2004;69(1):129–47. ##20. Babar MA, Zhu L, Jeffery R. A framework for classifying and comparing software architecture evaluation methods. 11th Asia-Pacific Software Engineering Conference; 2004 Dec 30-3 Busan, South Korea, South Korea: IEEE; 2004. p. 309–18. ##21. Babar MA, Gorton I. Comparison of scenario-based software architecture evaluation methods. 11th Asia-Pacific Software Engineering Conference; 2004 Nov-Dec 30-3; Busan, South Korea, South Korea IEEE; 2004. p. 600–7. ##22. Clements PC. Active Reviews for Intermediate Designs (Technical Report CMU/SEI-2000-TN-009). Pittsburgh: Software Engineering Institute, Carnegie Mellon University. [cited 2017 Apr 15]. Available from: http://resources.sei.cmu.edu/library/asset-view.cfm?AssetID=5119; 2000. #### ##

بررسی تأثیر ارائه اطلاعات سلامت مبتنی بر وب بر بار مراقبتی مراقبین خانوادگی بیماران مبتلا به دمانس The Effect of a Web-based Information Intervention on Caregiving Burden in Caregivers of Patients with Dementia 1 1 مقدمه: به دلیل بروز نسبتاً بالای عوارض روانی در مراقبین افراد مبتلا به دمانس، آن‌ها نیاز به اطلاعات لازم درباره بیماری و نحوه مراقبت از آن دارند؛ بنابراین این مطالعه با هدف افزایش دانش و آگاهی مراقبین نسبت به بیماری در جهت کمک به بهبود عملکرد و کیفیت مراقبت از بیمار و همچنین کاهش بار مراقبتی مراقبین از طریق ارائه اطلاعات سلامت مبتنی بر وب انجام گرفته است. روش: اﻳــﻦ ﻳــﻚ ﻣﻄﺎﻟﻌــﻪ مداخله‌ای با استفاده از گروه کنترل اﺳﺖ. تعداد نمونه‌ها‌، 25 نفر برای هر گروه (‌جمعاً 50 نفر) برآورد شد. اﺑﺘﺪا ﻧﻤﻮﻧﻪﻫﺎی ﭘﮋوﻫﺶ ﺑﻪ روش ﻧﻤﻮﻧﻪﮔﻴﺮی هدفمند اﻧﺘﺨﺎب و پس از آن آزمودنی‌ها به صورت تصادفی ﺑـــﻪ دو ﮔـــﺮوه آزمون و ﻛﻨﺘﺮل تقسیم شدند. سپس پیش آزمون با استفاده از پرسشنامه بار مراقبتی از افراد به عمل آمد. در مرحله بعد از طریق سایتی که به این منظور طراحی شده بود، اطلاعات سلامت مربوط به این بیماری در 12 جلسه در مدت دو ماه به مراقبین ارائه شد. پس از پایان مداخله، پس آزمون از هر دو گروه به عمل آمد و نتایج با استفاده از آمار توصیفی و استنباطی مورد تجزیه و تحلیل قرار گرفت. نتایج: نتایج نشان داد میانگین بار مراقبتی مراقبین در گروه کنترل تغییر محسوسی نداشته و حتی 0/53 افزایش داشته است، در صورتی که در گروه آزمون 13/58 کاهش یافته است‌.  نتیجه ­گیری: نتایج این پژوهش نشان داد که ارائه اطلاعات از طریق وب بر بار مراقبتی آنان مؤثر بوده و موجب کاهش بار مراقبتی در مراقبین بیماران مبتلا به دمانس شده است.   2 Introduction: Due to the relatively high rate of psychological problems among Dementia caregivers, they need necessary information about this disease and methods of care giving. This study aimed to improve caregivers’ awareness on this disease in order to improve their performance and the quality of patient care and to reduce their stress through the provision of web-based health information. Methods: This clinical trial used intervention and control groups. The sample size was calculated as 25 in each group (total=50). First, subjects were selected through purposive sampling and were randomly divided into the test and control groups. Then, a pre-test was carried out using knowledge and care scale questionnaires. In the next step, through a site designed for this purpose, health information related to the disease was provided to careers in 12 sessions within two months. After the end of the intervention, post-test was performed in both groups and the results were analyzed using descriptive and inferential statistics. Results: According to the obtained results, mean score of caregiving burden showed no significant change in the control group and it, even, showed a little increase (0.53), while, in the test group, it decreased by 13.58 points. Conclusion: It can be concluded that the provision of web-based health information is effective in reducing caregiving burden of Dementia caregivers.     181 191 2017/05/302017/04/20 1396/1/31 2017/11/22017/07/5 1396/4/14 سیمین صالحی نژاد Simin Salehi Nejad کارشناسی ارشد اطلاع‌رسانی پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران s_salehinejad@yahoo.com محمد اعظمی Mohammad Azami دکترای اطلاع‌رسانی پزشکی، استادیار دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران s_salehinejad@yahoo.com فاطمه معتمدی Fatemeh Motamedi دکترای اطلاع‌رسانی پزشکی، استادیار دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران s_salehinejad@yahoo.com ;کامبیز بهاالدین بیگی Kambiz Bahaadinbeigy مرکز تحقیقات مدلسازی در سلامت، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران بهناز صدیقی Behnaz Sedighi متخصص مغز و اعصاب، مرکز تحقیقات مغز و اعصاب، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران s_salehinejad@yahoo.com آرمیتا شاه اسماعیلی Armita Shahesmaili دکترای اپیدمیولوژی، مرکز تحقیقات مراقبت اچ آی وی و عفونت های آمیزشی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران s_salehinejad@yahoo.com Health information Web Caregiver burden Dementia اطلاعات سلامت وب دانش بار مراقبتی دمانس 1. Fernández M, Gobartt AL, Balañá M; COOPERA Study Group. Behavioural symptoms in patients with Alzheimer's disease and their association with cognitive impairment. BMC Neurol 2010;10:87.##2. Seyed Mirzaie SM. Some observations on the dimensions of aging with a look at japan's experience. Journal of Human Sciences 2007; 53: 195-216. Persian##3. World Health Organization(WHO). 10 facts on dementia [cited 2016 Mar 10]. Available from: http://www.who.int / features/factfiles/dementia/en ##4. Dehghani Y, Omranifard V, Babamiri M. The effectiveness of communication skills training on caregiving burden and quality of life among family caregivers of elderly with dementia. Journal of Research In Behavioural Sciences 2016; 14(2): 161-7. Persian##5. Abdollahpour I, Noroozian M, Nedjat S, Majdzadeh R. Psychiatric symptoms in patients with dementia: prevalence and their relationship with caregiver burden. Iranian Journal of Epidemiology 2011; 7(2): 51-9. ##6. Etters L, Goodall D, Harrison BE. Caregiver burden among dementia patient caregivers: a review of the literature. J Am Acad Nurse Pract 2008;20(8):423-8.##7. Luchsinger J, Mittelman M, Mejia M, Silver S, Lucero RJ, Ramirez M, et al. The Northern Manhattan Caregiver Intervention Project: a randomised trial testing the effectiveness of a dementia caregiver intervention in Hispanics in New York City. BMJ Open 2012;2(5): pii: e001941##8. Takai M, Takahashi M, Iwamitsu Y, Ando N, Okazaki S, Nakajima K, et al. The experience of burnout among home caregivers of patients with dementia: relations to depression and quality of life. Arch Gerontol Geriatr 2009;49(1):e1-5. ##9. Mohamed S, Rosenheck R, Lyketsos CG, Schneider LS. Caregiver burden in Alzheimer disease: cross-sectional and longitudinal patient correlates. Am J Geriatr Psychiatry 2010;18(10):917-27.##10. Chien WT, Chan SW, Morrissey J. The perceived burden among Chinese family caregivers of people with schizophrenia. J Clin Nurs 2007;16(6):1151-61.##11. Mohamed S, Rosenheck R, Lyketsos CG, Schneider LS. Caregiver burden in Alzheimer disease: cross-sectional and longitudinal patient correlates. Am J Geriatr Psychiatry 2010;18(10):917-27. ##12. Navidian A, Bahari F. Burden experienced by family caregivers of patients with mental disorders. Pakistan Journal of Psychological Research 2008; 23(1-2):19-28.##13. Mojarrad Kahani AH, Ghanbari Hashemabadi BA, Modares Gharavi M. The efficacy of group psycho educational interventions in promoting quality of life and quality of relationships on family of patients with bipolar disorders. Journal of Research in Behavioural Sciences 2012;10(2): 114-23. Persian##14. Riebschleger J, Scheid J, Luz C, Mickus M, Liszewski C, Eaton M. How are the experiences and needs of families of individuals with mental illness reflected in medical education guidelines? Acad Psychiatry 2008;32(2):119-26. ##15. Hudson P, Quinn K, Kristjanson L, Thomas T, Braithwaite M, Fisher J, et al. Evaluation of a psycho-educational group programme for family caregivers in home-based palliative care. Palliat Med 2008;22(3):270-80. ##16. Nadem Buoeni M, Ramzani T, Haghduost A. Survey knowledge of caregivers of patients of schizophrenia about home care in‎ care in Patients referring to Shahid Beheshti Hospital in Kerman. J Holist Nurs Midwifery 2008; 18(1) :43-50. Persian##17. Gilleard CJ. Is Alzheimer's disease preventable? a review of two decades of epidemiological research. Aging & Mental Health 2000;4(2):101-18.##18. Hellesø R, Eines J, Fagermoen MS. The significance of informal caregivers in information management from the perspective of heart failure patients. J Clin Nurs 2012;21(3-4):495-503. ##19. Barrett P, Hale B, Butler M. Family Care and Social Capital: Transitions in Informal Care: Springer Netherlands; 2014. ##20. Wakerbarth S, Johanson M. Essential information and support needs of family caregivers. Patient Education and Counseling 2002; 47(2):95-100.##21. Oldenburg B, Absetz P, Chan CKY. Behavioral Interventions for Prevention and Management of Chronic Disease. In: Steptoe A, editor. Handbook of Behavioral Medicine: Methods and Applications. New York, NY: Springer New York; 2010. p. 969-88. ##22. Neve M, Morgan PJ, Jones PR, Collins CE. Effectiveness of web-based interventions in achieving weight loss and weight loss maintenance in overweight and obese adults: a systematic review with meta-analysis. Obes Rev 2010;11(4):306-21.##23. Wright EM. Evaluation of a Web-Based Holistic Stress Reduction Pilot Program Among Nurse-Midwives. Journal of Holistic Nursing 2017. In press.##24. Myung SK, McDonnell DD, Kazinets G, Seo HG, Moskowitz JM. Effects of Web- and computer-based smoking cessation programs: meta-analysis of randomized controlled trials. Arch Intern Med 2009;169(10):929-37. ##25. Golden-Plotnik S, Ali S, Drendel AL, Wong T, Ferlisi F, Todorovich S, et al. A Web-based module and online video for pain management education for caregivers of children with fractures: a randomized controlled trial. CJEM 2017:1-10.##26. Ankri J, Andrieu S, Beaufils B, Grand A, Henrard JC. Beyond the global score of the Zarit Burden Interview: Useful dimensions for clinicians. Int J Geriatr Psychiatry 2005;20(3):254-260.##27. Bagherbeik Tabrizi L, Navab E, Farokhnezhad Afshar P, Asadi Noghabi A A, Haghani H. Effect of cognitive-behavioral intervention on burden of family caregivers of patients with Alzheimer's disease. Hayat. 2015; 21 (1) :94-102. Persian##28. Cristancho-Lacroix V, Wrobel J, Cantegreil-Kallen I, Dub T, Rouquette A, Rigaud AS. A web-based psychoeducational program for informal caregivers of patients with Alzheimer's disease: a pilot randomized controlled trial. J Med Internet Res 2015;17(5):e117.##29. Alzheimer's Assocation. Alzheimer's Disease Facts and Figures [cited 2017 Feb 10]. Available from: http://www.alz.org/mglc/in_my_community_60862.asp##30. Jadhav BS, Dhavale HS, Dere SS, Dadarwala DS. Psychiatric morbidity, quality of life and caregiver burden in patients undergoing hemodialysis. Medical Journal of Dr. D.Y. Patil University 2014;7(6):722-7.##31. Coulehan MB. Impact of a web-based educational and peer-support intervention for dementia caregivers. Aging in America Conference—American Society on Aging; 2011##32. Ducharme F, Dube V, Levesque L, Saulnier D, Giroux F. An online stress management training program as a supportive nursing intervention for family caregivers of an elderly person. Canadian Journal Nursing Informatics 2011;6(2): 13–44.##33. Laws K, Irvine K. Sex differences in cognitive impairment in Alzheimer’s disease. Word Journal of Psychiatry. 2016 Marzo; 6(1):54-65##34. Thompson J. Sex Differences in Cognitive Decline in Mild Cognitive Impairment and Alzheimer’s Disease [Dissertation]. Department of Psychology, Brigham Young University; 2016.##35. Chang HY, Chiou CJ, Chen NS. Impact of mental health and caregiver burden on family caregivers' physical health. Arch Gerontol Geriatr 2010;50(3):267-71.##36. Carretero S, Garcés J, Ródenas F, Sanjosé V. The informal caregiver's burden of dependent people: theory and empirical review. Arch Gerontol Geriatr 2009;49(1):74-9. ##37. Ghahremani Z, Jafarpoure-Alavi M, Gholam-Araghi MF. Hosseini. Correlates of quality of life in the family caregivers of schizophrenic patients with hope. Iran Journal of Nursing 2006; 19(45): 17-26. Persian##38. Spurlock WR. Spiritual well-being and caregiver burden in Alzheimer's caregivers. Geriatr Nurs 2005;26(3):154-61. ##39. Abdollahpour I, Noroozian M, Nedjat S, Majdzadeh R. Psychiatric Symptoms in Patients with Dementia: Prevalence and their relationship with caregiver burden. Iranian Journal of Epidemiology 2011; 7 (2) :51-59. Persian##40. Mohammadi F, Babaee M. Effects of Participation in Support Groups on Alzheimer’s Family Caregivers’ Strain and Spiritual Wellbeing. Salmand 2011; 6(19):29-37. Persian##41. Blom MM, Zarit SH, Groot Zwaaftink RB, Cuijpers P, Pot AM. Effectiveness of an Internet intervention for family caregivers of people with dementia: results of a randomized controlled trial. PLoS One 2015;10(2):e0116622.##42. Riera A, Ocasio A, Tiyyagura G, Thomas A, Goncalves P, Krumeich L, et al. A web-based educational video to improve asthma knowledge for limited English proficiency Latino caregivers. J Asthma 2017;54(6):624-31. ##43. De Luca R, Bramanti A, De Cola MC, Leonardi S, Torrisi M, Aragona B, et al. Cognitive training for patients with dementia living in a sicilian nursing home: a novel web-based approach. Neurol Sci 2016;37(10):1685-91.##44. Kales HC, Gitlin LN, Stanislawski B, Marx K, Turnwald M, Watkins DC, et al. WeCareAdvisor™: the development of a caregiver-focused, web-based program to assess and manage behavioral and psychological symptoms of dementia. Alzheimer Dis Assoc Disord 2017;31(3):263-70.## ##

طراحی سیستم هوشمند سنجش سلامت رانندگان با استفاده از منطق فازی Designing a Fuzzy Logic Intelligence System for Driver's Health Assessment 1 1 مقدمه: اگر صحت سلامت رانندگان در جامعه کنترل نشود باعث مرگ انسان‌های سالم در بهترین دوره زندگی از نظر کارایی، بازدهی و تندرستی می‌شود و هزینه‌های مالی بسیار زیادی را بر کشور تحمیل می‌کند. هدف این مطالعه طراحی سیستم هوشمند فازی برای مشخص نمودن سلامت رانندگان است. روش: در این مطالعه گذشته‌نگر 350 نمونه از پرونده رانندگان مراجعه کننده به مرکز طب کار ایلام انتخاب گردید، سپس اطلاعات بالینی از پرونده رانندگان به صورت چک لیست گردآوری شد، با توجه به معیارهای صحت، حساسیت‌، ویژگی و سطح زیر منحنی راک به تحلیل مدل معرفی شده پرداخته شد. همچنین برای سنجش میزان تطابق نتایج سیستم و تشخیص ثبت شده در پرونده از آزمون کاپا و برای طراحی رابط کاربری سیستم از نرم‌افزار Matlab نسخه 2013 استفاده گردید. نتایج: مدل فازی معرفی شده از ویژگی 87 درصد، حساسیت 99/3 درصد و صحت 96/9درصد برخوردار بود‌، میزان محاسبه شده در آزمون کاپا 87 درصد که به عنوان تطبیق تقریباً کامل گزارش و میزا‌ن محاسبه شده سطح زیر منحنی راک 99/2 به دست آمد. نتیجه‌گیری: با توجه به نتایج به دست آمده از این مطالعه، مدل فازی در سنجش سلامت رانندگان می‌تواند نقش مؤثری در کمک به پزشکان داشته باشد و در مراکز طب کار برای بالا بردن دقت، سرعت و کاهش هزینه‌ها می‌توان از این مدل استفاده نمود.   2 Introduction: If driver’s health is not controlled in the community, it might cause the death of healthy people in the best period of their lives in terms of performance, efficiency and health and it imposes a lot of financial cost on the country. The aim of this study was to Design an intelligent systems based on Fuzzy logic to determine the drivers' health condition.   Methods: In this retrospective study, 350 health records of drivers referred to Ilam Occupational Medical Center were selected. Then, clinical information was collected from driver’s health record as a checklist and considering the criteria of accuracy, sensitivity and specificity and the area under the ROC curve, the proposed model was analyzed. Moreover, Kappa test was used for evaluation of the rate of adjustment of system results with the recorded diagnosis in the medical file. Matlab2013 was used for designing the operative rabbet.   Results: The specificity, sensitivity and accuracy of the introduced fuzzy model were respectively 87%, 99.3% and 96.9% and kappa rate of 87% showed relatively complete adjustment of the reported rate and the area under Roc curve was calculated as 92.02. Conclusion: According to the findings of this study, the presented fuzzy system for determining the drivers' health condition can play an important role in helping physicians and can be used in occupational medicine centers for increasing the speed and accuracy and reducing costs.     192 200 2017/05/302017/04/202017/06/25 1396/4/4 2017/11/22017/07/52017/11/2 1396/8/11 زهرا کهزادی Zahra Kohzadi کارشناس ارشد انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران z.kohzadi91@yahoo.com زینب کهزادی Zeinab Kohzadi دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران zainabkohzadi@yahoo.com محمدرضا افراش Mohammadreza Afrash دانشجوی دکترای تخصصی انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران ایران m.afrash@sbmu.ac.ir لیلا شاهمرادی Leila Shahmoradi دکترای تخصصی انفورماتیک پزشکی، استادیار، گروه مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی تهران، تهران، ایران ایران lshahmoradi@tums.ac.ir Drivers' health measurement Fuzzy Intelligent Systems Fuzzy Logic سنجش سلامت رانندگان سیستم‌های هوشمند فازی منطق فازی 1. Pouryaghoub GR, Aminian O, Sharifian SA, Sadeshniat KH Mehrdad R. Occupational health professional drivers. Tehran: Tyimorzadeh; 2013. Persian##2. Behboudi H, Moghadam RS, Tiefeh N, Karkan MF. Vision disorders in drivers involved in traffic accidents. Journal of Ophthalmic & Vision Research 2017;12(4):451-2.##3. Saba A, Hamdolahi M, Adamnezhad SH, Reza G. The importance of drivers' health in road transportation safety. Traffic Management Studies 2010;4(15):103-12. Persian##4. Fogel GB. Computational intelligence approaches for pattern discovery in biological systems. Brief Bioinform 2008;9(4):307-16.##5. Zolnoori M, Fazel Zarandi MH, Moin M, Taherian M. Fuzzy rule-based expert system for evaluating level of asthma control. J Med Syst 2012;36(5):2947-58. ##6. Semnani D, Hajianfar M. Fuzzy logic and fuzzy neural system and applications. Tehran: Ketabkhane Farhang; 2009. Persian##7. Szczepaniak PS Lisboa Paulo JG Kacprzyk J. Fuzzy Systems in Medicine. NewYork: Springer-Verlag Berlin Heidelberg;2000.##8. Hall L, Hathaway RJ. Fuzzy system toolbox pws publishing company and fuzzy logic toolbox IEEE Transactions on Fuzzy Systems 1996; 4(1): 82-5.##9. Zimmerman HJ. Fuzzy set theory. Wiley Interdisciplinary Reviews: Computational Statistics 2010; 2(3): 317-32.##10. Ahmadi F, Nasirani KH, Abazari P. Delphi technique: a tool for research. Iranian Journal of Medical Education. 2008; 8 (1):175-85. Persian##11. Zadeh LA. The concept of a linguistic variable and its application to approximate reasoning—I. Information Sciences 1975;8(3):199-249.##12. Galindo J. Fuzzy Databases: Modeling, Design and Implementation. USA: Idea Group Publishing; 2005. ##13. Djam XY, Kimbi YH. Fuzzy expert system for the management of hypertension. The Pacific Journal of Science and Technology 2011;12(1):390-402.##14. Saritas I, Allahverdi N, Sert IU. A fuzzy expert system design for diagnosis of prostate cancer. 4th International Conference on Computer Systems and Technologies; 2003 Jun 19-20; Rousse, Bulgaria – CompSys Tech’; 2003. p. 50.##15. Malathi A, Santra A. Diagnosis of Lung Cancer Disease using Neuro- Fuzzy Logic. Journal of Applied Research 2015; 25(4):425-40.##16. Er O, Sertkaya C, Temurtas F, Tanrikulu AC. A comparative study on chronic obstructive pulmonary and pneumonia diseases diagnosis using neural networks and artificial immune system. J Med Syst 2009;33(6):485-92.##17. Balanică V, Dumitrache I, Caramihai M, Rae W, Herbst C. Evaluation of breast cancer risk by using fuzzy logic. University Politehnica of Bucharest Scientific Bulletin, Series C. 2011;73(1):53-64## ##

روشی ترکیبی به‌منظور توصیه پرس‌وجوهای پزشکی در سیستم‌های توصیه‌گر A Hybrid Method for Query Recommendation in Recommender Systems 1 1 مقدمه: رشد روزافزون اطلاعات موجود در اینترنت و سربار زیاد اطلاعاتی، چالش مهمی برای کاربران در جهت دسترسی به اطلاعات موردنیازشان ایجاد کرده است. امروزه توصیه‌گرهای پرس‌وجو به یک جزء جدایی‌ناپذیر سیستم‌های بازیابی اطلاعات تبدیل شده‌اند. یکی از کاربردهای این توصیه‌گرها در زمینه علوم پزشکی است. این سیستم‌ها با به کارگیری فرایندهای شخصی‌سازی سعی در تسکین مشکل سرریز اطلاعات در وب و سرعت بخشیدن به جستجوی اطلاعات پزشکی کاربران دارند. روش: این پژوهش از نوع کاربردی و توصیفی است. در این پژوهش سعی شد با استفاده از ویژگی‌های محتوایی پرس‌وجوها و نتایج جستجو روشی ارائه شود که ضمن حفظ ارتباط معنایی با پرس‌وجوی اصلی، کاربران را سریع‌تر به نیازهای اطلاعاتی‌شان برساند. به منظور خوشه‌بندی پرس‌وجوها از الگوریتم K-means استفاده شد. پیاده‌سازی روش پیشنهادی با استفاده از زبان برنامه‌نویسی جاوا و نرم‌افزار NetBeans IDE صورت گرفت. نتایج: با توجه به سیستم پیشنهادی، استفاده توامان از ویژگی‌های ساختاری پرس‌وجوها و نتایج جستجو حاوی اطلاعاتی مفیدی برای تشخیص پرس‌وجوهای مشابه است. از آن‌جا که امکان وجود کلمات چندمعنا در پرس‌وجوی کاربران وجود دارد، استفاده از نتایج جستجو می‌تواند در امر تشخیص هدف کاربر از پرس‌وجو مفید باشد. نتیجه­ گیری: نتایج حاصل از ارزیابی روش پیشنهادی با دادگان واقعی مربوط به موتور جستجوی بومی پارسی‌جو، بیانگر مؤثر بودن این روش در بهبود دقت توصیه نسبت به سایر روش‌‌ها است. طبق ارزیابی‌های انجام‌شده، دقت سیستم پیشنهادی برابر با 24/77% است که در مقایسه با مطالعات مطرح در این زمینه، 10% بهبود داشته است.   2 Introduction: The rapid growth of information in the Internet and high informational overload has created an important challenge for users in accessing their needed information. Nowadays, query recommendation systems have become a major part of information retrieval systems. One of the applications of these recommendation systems is in medical sciences. Through applying personalization approach, these systems attempt to decrease the problem of informational overload in Web and to accelerate users' medical search. Method: In this applied and descriptive study, by using the lexical features and search results of queries, we tried to propose a method that helps users to access their desired information in a short time while maintaining the lexical relationship with the original query. The popular k-means algorithm was used to cluster queries. The implementation of the proposed method was done by using java programming language and in NetBeans IDE software. Results: According to the proposed method, the combined use of the lexical features and search results of queries leads to useful information for detecting similar queries. Since there is a possibility that a query contains multi-meaning words, using search results can be useful in identifying the user’s intent of a query. Conclusion: Evaluation of the proposed model with the real search log of the Parsijoo search engine indicated the precision rate of 77.4% for this method that in comparison to other methods shows 10% improvement of precision.   201 215 2017/05/302017/04/202017/06/252017/09/28 1396/7/6 2017/11/22017/07/52017/11/22017/11/27 1396/9/6 الهام اسماعیلی گوهری Elham Esmaeeli Gohari کارشناس ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه یزد، یزد، ایران ایران elhamesmaeeli@stu.yazd.ac.ir سجاد ظریف‌زاده Sajjad Zarifzadeh دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه یزد، یزد، ایران ایران szarifzadeh@yazd.ac.ir سعید حسنوند Saeed Hasanvand کارشناس ارشد مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران ایران s_hasanvand@alumni.iust.ac.ir Medical recommendation system query recommendation Search engine Information retrieval سیستم توصیه‌گر پزشکی توصیه پرس‌وجو موتور جستجو بازیابی اطلاعات 1. Zhu X, Guo J, Cheng X, Lan Y. More than relevance: high utility query recommendation by mining users' search behaviors. In Proceedings of the 21st ACM International Conference on Information and Knowledge Management; 2012 Oct-Nov 2-2; USA: ACM; 2012. p. 1814-18.##2. Huang Z, Cautis B, Cheng R, Zheng Y. KB-Enabled Query Recommendation for Long-Tail Queries. Proceedings of the 25th ACM International on Conference on Information and Knowledge Management; 2016 Oct 24– 28; Indiana, USA: ACM; 2016. ##3. Yang L, Mei Q, Zheng K, Hanauer DA. Query Log Analysis of an Electronic Health Record Search Engine. AMIA Annu Symp Proc 2011; 2011: 915–24.##4. Melville P, Sindhwani V. Recommender Systems. In Encyclopedia of Machine Learning. USA: Springer; 2011.##5. Shokouhi M. Learning to personalize query auto-completion. Proceedings of the 36th Proceedings of the ACM International Conference on Research and Development in Information Retrieval (SIGIR); 2013 Jul-Aug 28 -1; Dublin, Ireland: ACM; 2013. p. 103-12.##6. Soo J. A non-learning approach to spelling correction in web queries. Proceedings of the 22th International Conference on World Wide Web; 2013 May 13-17; Rio de Janeiro, Brazil: ACM; 2013. p. 101-2.##7. Xu J, Croft WB. Query expansion using local and global document analysis. 19th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval; 1996 Aug 18–22; Zurich, Switzerland ACM; 1996. p. 4-11.##8. Li L, Yang Z, Liu L, Kitsuregawa M. Query-URL bipartite based approach to personalized query recommendation. Proceedings of the 23th National Conference on Artificial Intelligence; 2008 Jul 13-17; Chicago, Illinois: Association for the Advancement of Artificial Intelligence; 2008. p. 1189-94.##9. Wang J, Huang JZ, Guo J, Lan Y. Query ranking model for search engine query recommendation. International Journal of Machine Learning and Cybernetics 2017;8(3):1019-38. ##10. Guo J, Zhu X, Lan Y, Cheng X. Modeling users’ search sessions for high utility query recommendation. Information Retrieval Journal 2017;20(1):4-24.##11. Zeng QT, Crowell J, Plovnick RM, Kim E, Ngo L, Dibble E. Assisting consumer health information retrieval with query recommendations. J Am Med Inform Assoc 2006;13(1):80-90.##12. Spink A, Wolfram D, Jansen MB, Saracevic T. Searching the web: The public and their queries. Journal of the Association for Information Science and Technology 2001; 52(3): 226-34.##13. Boldi P, Bonchi F, Castillo C, Donato D, Gionis A, Vigna S. The query-flow graph: model and applications. In Proceedings of the 17th ACM Conference on Information and Knowledge Management; 2008 Oct 26-30; Napa Valley, California, USA: ACM; 2008. p. 609-18.##14. Mei Q, Zhou D, and Church K. Query suggestion using hitting time. In Proceedings of 17th ACM Conference on Information and Knowledge Management; 2008 Oct 26–30; Napa Valley, California, USA: ACM Press; 2008. p. 469–78.##15. Zhang B, Zhang B, Zhang S, Ma C. Query recommendation based on irrelevant feedback analysis. 8th International Conference on Biomedical Engineering and Informatics (BMEI); 2015 Oct 14-16. Shenyang, China IEEE; 2015. p. 644-8.##16. Mitsui M, Shah C. Multi-word generative query recommendation using topic modeling. In Proceedings of 10th ACM International Conference on Recommender Systems; 2016 Sep 15–19; Boston, Massachusetts, USA: ACM; 2016. p. 27-30.##17. Khodaparasti F. Comprehensive dictionary of synonymous and opposite vocabulary of Persian language. [cited 2017 Sep 1]. Available from: http://dadegan.ir/catalog/D3911124a.##18. Hodgdon M. Value of organic first-page results. [cited 2017 Sep 5]. Available from: https://www.infront.com/blogs/the-infront-blog/2015/6/17/value-of-first-page-google-results.##19. Hong Y, Vaidya J, Lu H. Search engine query clustering using top-k search results. IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology; 2011 Aug 22-27; Lyon, France: IEEE; 2011.p. 112-9.##20. Gaur D, Gaur S. Comprehensive Analysis of Data Clustering Algorithms. In: Jung HK, Kim JT, Sahama T, Yang CH, editors. Future Information Communication Technology and Applications: ICFICE 2013. Dordrecht: Springer Netherlands; 2013. p. 753-62.##21. Parra-Santander D, Brusilovsk P. Improving Collaborative Filtering in Social Tagging Systems for the Recommendation of Scientific Articles. IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology; 2010 Aug-Sept 31-3; 2010 Toronto, ON, Canada: IEEE 2010; p.136-42.##22. De Moor K, De Pessemier T, Mechant P, Courtois C, De Marez AJL, Martens L. Users’ (Dis)satisfaction with the PersonalTV Application: Combining Objective and Subjective Data. ACM Computers in Entertainment 2011; 9(3): 1-22.#### ##

دسته‌بندی موضوعی نرم‌افزارهای سلامت همراه و اولویت‌بندی آن‌ها از دیدگاه پزشکان ایرانی Thematic Categorization of Mobile Health Software Packages and their Priority from the Perspective of Iranian Physicians 1 1 مقدمه: سلامت همراه به معنی ارائه خدمات بهداشتی با استفاده از فناوری‌های همراه و بی‌سیم می‌باشد. با توسعه سلامت همراه، نرم افزارهای کاربردی زیادی در حوزه‌های مختلف پزشکی تولید و به کار گرفته شده‌اند. این پژوهش با هدف دسته‌بندی موضوعی نرم افزارهای سلامت همراه در کشور و اولویت‌بندی آن‌ها از دیدگاه پزشکان انجام شد. روش: این پژوهش از نوع توصیفی و جامعه پژوهش شامل کلیه نرم‌افزارهای موجود در کشور بود. همچنین پزشکان متخصص از سه دانشگاه علوم پزشکی شهید بهشتی‌، ایران و تهران انتخاب شدند. ابتدا نرم‌افزارهای سلامت همراه موجود در کشور بررسی شد و دسته بندی موضوعی بر اساس کاربرد نرم‌افزارها صورت گرفت. اولویت‌بندی نرم‌افزارها نیز از دیدگاه پزشکان بر اساس پرسشنامه محقق ساخته انجام شد. نتایج: نرم‌افزارهای سلامت همراه بر اساس کاربرد و نظر‌خواهی از پزشکان به 21 دسته تقسیم شدند که عبارت‌اند از: پیشگیری، تشخیص و درمان، جراحی عمومی و پلاستیک، آزمایش‌های پزشکی، محاسبات پزشکی، رادیولوژی، پرستاری، روانشناسی، خودمراقبتی، آموزش علوم پزشکی‌، آناتومی و اطلس‌ها، اطلاع‌رسانی پزشکی، دارو و داروخانه، توانبخشی، واژه‌نامه و اختصارات، مجلات، اخلاق وحقوق پزشکی، مشاوره، امداد و اورژانس، آسیب‌های اجتماعی و طب سنتی. نتیجه‌گیری: لازم است تولید کنندگان نرم‌افزارهای موبایل با در نظر گرفتن اولویت‌های مشخص شده توسط پزشکان جهت تولید و عرضه نرم‌افزار در آن حوزه‌ها اقدام نمایند تا پزشکان و بهره‌برداران نرم‌افزارها نیز تمایل بیشتری به بهره‌گیری از خدمات سلامت همراه پیدا کنند.   2 Introduction: Mobile health is the use of mobile and wireless technologies for health-related goals. To this end, various mobile applications have been created in different medical fields. The goal of this study was subject categorization of mobile health applications in Iran and to find their priority according to physicians.  Methods: This was a descriptive study. The study population consisted of all Iran mobile applications and also specialized physicians from Iran University of Medical Sciences, Shahid Beheshti and Tehran universities of medical sciences. First, mobile health applications in Iran were investigated and categorized based on their subject area and then their priority from the perspectives of physicians was determined using a researcher-made questionnaire. Results: Based on the application and physicians views, mobile health applications were divided into 21 categories of prevention, diagnosis and treatment, general and plastic surgery, medical tests, medical calculations, radiology, nursing, psychology, self-care, medical education, anatomy and atlases, medical informatics, medicine and pharmacy, rehabilitation, glossary and abbreviations, journals, medical ethics and rights, consultation, emergency and relief, social harm and traditional medicine. Conclusion: It is necessary that developers of mobile health software consider the identified priorities in developing applications in order to make physicians and general users more willing to use mobile health services.   216 221 2017/05/302017/04/202017/06/252017/09/282017/09/24 1396/7/2 2017/11/22017/07/52017/11/22017/11/272017/09/30 1396/7/8 صدیقه کرمی Sedighe Karami دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران ایران فرخنده اسدی Farkhondeh Asadi دکترای مدیریت اطلاعات بهداشتی-درمانی، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی ، تهران‌، ایران ایران حسن امامی Hassan Emami دکتری مدیریت تکنولوژی‌، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران ایران Mobile health applications Mobile health Subject categorization سلامت همراه نرم‌افزار سلامت همراه دسته‌بندی موضوعی نرم‌افزارها 1. Akter S, Ray P. mHealth - an Ultimate Platform to Serve the Unserved. Yearb Med Inform 2010:94-100. ##2. García-Gómez JM, de la Torre-Díez I, Vicente J, Robles M, López-Coronado M, Rodrigues JJ. Analysis of mobile health applications for a broad spectrum of consumers: a user experience approach. Health Informatics J 2014;20(1):74-84. ##3. Klasnja P, Pratt W. Healthcare in the pocket: mapping the space of mobile-phone health interventions. J Biomed Inform 2012;45(1):184-98.##4. Mosa AS, Yoo I, Sheets L. A systematic review of healthcare applications for smartphones. BMC Med Inform Decis Mak 2012;12:67.##5. Ventola CL. Mobile devices and apps for health care professionals: uses and benefits. Pharmacy and Therapeutics 2014;39(5):356-64.##6. Pereira A, Marins F, Rodrigues B, Portela F, Santos MF, Machado J, et al. Improving Quality of Medical Service with Mobile Health Software. Procedia Computer Science 2015;63:292-9.##7. Free C, Phillips G, Felix L, Galli L, Patel V, Edwards P. The effectiveness of M-health technologies for improving health and health services: a systematic review protocol. BMC Res Notes 2010;3:250. ##8. Yasini M, Marchand G. Toward a use case based classification of mobile health applications. Stud Health Technol Inform 2015;210:175-9.##9. Poon CC, Hung KK. mHealth: Intelligent Closed-Loop Solutions for Personalized Healthcare. Telehealth and Mobile Health 2015:145.https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=mHealth%3A+Intelligent+Closed-Loop+Solutions+for+Personalized+Healthcare+.&btnG=##10. cafe bazar. ]cited 2017 Dec 2 [Available from: URL: https://cafebazaar.ir/search/?q=%D9%BE%D8%B2%D8%B4%DA%A9%DB%8C&l=fa##11. myKet.] cited 2017 Dec 4[ Available from: URL: [https://www.myket.ir/cat/33/newest/%D9%BE%D8%B2%D8%B4%DA%A9%DB%8C%20%D9%88%20%D8%B3%D9%84%D8%A7%D9%85%D8%AA## ##

تأثیر هفت ترکیب مختلف موجود در عصاره شاهدانه بر میزان تجمع پپتید آمیلوئید موجود در بیماری آلزایمر از طریق شبیه‌سازی مولکولی A Study on the Effect of Seven Different Compounds of Cannabis Extract on the Accumulation of Amyloid Peptide in Alzheimer's Disease through Molecular Simulations 1 1 مقدمه: بیماری آلزایمر یک بیماری پیشرونده مغزی با آسیب جبران‌ناپذیر است که به تدریج توانایی‌های ذهنی بیمار تحلیل می‌رود. در این تحقیق 7 ترکیب مختلف موجود در عصاره شاهدانه در مواجهه با پپتید آمیلوئید قرار گرفته و سپس تغییر ساختار و پارامترهای ترمودینامیکی مورد ارزیابی قرار گرفت.  روش: این مطالعه از نوع شبیه‌سازی مولکولی با کمک رایانه بود. نخست ساختار سه بعدی پپتید آمیلوئید بتا در بیماران دارای بیماری آلزایمر از بانک اطلاعاتی RCSB تهیه گردید. همچنین ترکیبات اصلی عصاره شاهدانه از دیتابیس CHEBI استخراج شد. سپس هر کدام از مولکول‌های عصاره شاهدانه به طور جداگانه در محیط نرم‌افزار شبیه‌ساز دینامیک مولکولی در معرض پپتید آمیلوئید قرار گرفته و مشخصات ساختاری و ترمودینامیکی آن در مدت 3000 پیکوثانیه مورد ارزیابی قرار گرفت. برای تجزیه و تحلیل داده‌ها مقادیر مطلق هر پارامتر فیزیکی قبل و بعد از مواجهه یادداشت و سپس اختلاف قبل و بعد محاسبه گردید و در انتها درصد تغییرات با هم مقایسه شد. نتایج: مقایسه‌ هفت ترکیب مختلف عصاره‌ شاهدانه نشان داد که همه‌ ترکیبات عصاره‌ شاهدانه توانایی تغییر در ساختار پپتید آمیلوئید را داشتند. هر هفت ترکیب توانستند حجم، سطح مؤثر و انحلالیت در چربی پپتید آمیلوئید را تغییر دهند. نتیجه‌گیری: توانایی تغییر حجم و سطح توسط این ترکیبات می‌تواند مانع تجمع پپتید آمیلوئید شود. یافته‌ها‌ی این تحقیق می‌بایست در محیط آزمایشگاهی و سپس در بدن انسان مورد بررسی قرار گیرد تا به طور قطع بتوان در مورد کارایی ترکیبات شاهدانه قضاوت کرد.       2 Introduction: Alzheimer's disease is a progressive cerebrovascular disease with irreversible damage, which gradually degrades the mental abilities of the patient. In this study, amyloid peptide was exposed to seven different compounds in the canaboid extract and then, the structure and thermodynamic parameters were evaluated. Methods: In this study, the three-dimensional structure of beta-amyloid peptide in patients with Alzheimer's disease was prepared from the rcsb database. The main components of canaboid extract were obtained from CHEBI database too. Then, amyloid peptide was subjected to each of the canaboid extract molecules in the molecular dynamics simulation software, and its structural and thermodynamic characteristics were evaluated over 3000 picoseconds. Results: Comparison of seven different compounds of cannabis extract showed that all cannabis extract compounds were able to change the structure of amyloid peptide. Each compound was able to change the effective surface and volume, and the level of lipophilicty of amyloid peptides. Conclusion: The ability of these compounds to change the volume and surface is effective in preventing amyloid peptide accumulation. The findings of this study should be investigated in a laboratory scale and then on the human body to detect the efficacy of canaboid extract components exactly.   222 231 2017/05/302017/04/202017/06/252017/09/282017/09/242017/11/10 1396/8/19 2017/11/22017/07/52017/11/22017/11/272017/09/302017/12/19 1396/9/28 فائزه جلالیان Faezeh Jalalian دکتری نانوفناوری پزشکی، استادیار، گروه علوم آزمایشگاهی، دانشکده پیراپزشکی، یزد، ایران ایران jalalianr@yahoo.com علی جبالی Ali Jebali دکتری نانوفناوری پزشکی، استادیار، گروه علوم آزمایشگاهی، دانشکده پیراپزشکی، یزد، ایران ایران alijebal2011@gmail.com Amyloid peptide Alzheimer's disease Cannabis extract Simulation Molecular dynamics پپتید آمیلوئید بیماری آلزایمر عصارۀ شاهدانه شبیه‌سازی دینامیک مولکولی 1. Peric A, Annaert W. Early etiology of Alzheimer's disease: tipping the balance toward autophagy or endosomal dysfunction?Acta Neuropathol 2015;129(3):363-81.##2. Salomon-Ferrer R, Götz AW, Poole D, Le Grand S, Walker RC. Routine Microsecond Molecular Dynamics Simulations with AMBER on GPUs. 2. Explicit Solvent Particle Mesh Ewald. J Chem Theory Comput 2013;9(9):3878-88. ##3. Thal DR, Walter J, Saido TC, Fändrich M. Neuropathology and biochemistry of Aβ and its aggregates in Alzheimer's disease. Acta Neuropathol 2015;129(2):167-82. ##4. Dorostkar MM, Zou C, Blazquez-Llorca L, Herms J. Analyzing dendritic spine pathology in Alzheimer's disease: problems and opportunities. Acta Neuropathol 2015;130(1):1-19. ##5. Andre CM, Hausman JF, Guerriero G. Cannabis sativa: the plant of the thousand and one molecules. Front Plant Sci 2016;7:19.##6. Kogan NM, Mechoulam R. Cannabinoids in health and disease. Dialogues Clin Neurosci 2007;9(4):413-30. ##7. Radwan MM, Elsohly MA, Slade D, Ahmed SA, Khan IA, Ross SA. Biologically active cannabinoids from high-potency Cannabis sativa. J Nat Prod 2009;72(5):906-11.##8. Zulfiqar F, Ross SA, Slade D, Ahmed SA, Radwan MM, Ali Z, et al. Cannabisol, a novel Δ9-THC dimer possessing a unique methylene bridge, isolated from Cannabis sativa. Tetrahedron Lett 2012;53(28):3560-3562. ##9. Pertwee RG. Handbook of Cannabis (Handbooks in Psychopharmacology). USA: Oxford University Press; 2014.##10. Eubanks LM, Rogers CJ, Beuscher AE, Koob GF, Olson AJ, Dickerson TJ, et al. A molecular link between the active component of marijuana and Alzheimer's disease pathology. Mol Pharm 2006;3(6):773-7.##11. Ahmed A, van der Marck MA, van den Elsen G Olde Rikkert M. Cannabinoids in late-onset Alzheimer's disease. Clin Pharmacol Ther 2015;97(6):597-606.##12. Shankar GM, Walsh DM. Alzheimer’s disease: synaptic dysfunction and Aβ. Mol Neurodegener 2009; 4: 48. ##13. O'Brien RJ, Wong PC. Amyloid precursor protein processing and Alzheimer's disease. Annu Rev Neurosci 2011;34:185-204. ##14. Nisbet RM, Polanco JC, Ittner LM, Götz J. Tau aggregation and its interplay with amyloid-β. Acta Neuropathol 2015;129(2):207-20. ##15. Aso E, Sánchez-Pla A, Vegas-Lozano E, Maldonado R, Ferrer I. Cannabis-based medicine reduces multiple pathological processes in AβPP/PS1 mice. J Alzheimers Dis 2015;43(3):977-91. ##16. Jafarinezhad SA. Computer simulations of 3D structure changes of amyloid precursor protein in Alzheimer's disease by various functional nano-motors [dissertation]. Ashkezar: Ashkezar Azad University; 2016.##17. Nukala UA, Sahithi P. Insilico Binding Studies on Tau protein and PP2A as Alternative Targets in the Treatment of Alzheimer’s Disease. Int J Life Sci Scienti Res 2017;3(4):1238-43.## ##

مدیریت بیماران نارسائی قلبی با استفاده از گوشی‌های موبایل: مرور نظام مند Heart Failure Management via Mobile Phones: A Systematic Review 1 1 مقدمه: پیشرفت‌های به وجود آمده در فناوری‌های مخابراتی فرصت‌های جدیدی برای ارائه مراقبت پزشکی از راه دور به عنوان کمکی به منظور مدیریت بیماران مبتلا به نارسائی قلبی ایجاد کرده است. یکی از راهکارهای پیشنهادی برای کمک به بیماران نارسائی قلبی جهت مدیریت بهتر بیماری‌شان استفاده از گوشی‌های موبایل است که در سراسر جهان با سرعت فراوانی در حال رشد هستند؛ با این وجود، کارائی و اثربخشی چنین سیستمی هنوز نامشخص است. هدف این بررسی سیستماتیک تعیین اثرات استفاده از موبایل در مدیریت بیماران نارسائی قلبی می‌باشد. روش: در این مطالعه مروری، مطالعات انجام شده از سال 2009 تا ژانویه 2015 موجود در پایگاه داده‌های الکترونیک PubMed،ScienceDirect ، Proquest، Scopus جستجو شد و از 1021 مطالعه مرتبط، 69 مقاله مرتبط بر اساس عنوان شناسایی شد؛ پس از اعمال معیار ورود و خروج، درنهایت 11 مطالعه برای بررسی انتخاب شد. نتایج: در کل مطالعات بررسی شده 32 پیامد توسط محققین مورد بررسی قرار گرفته بود که بررسی‌ها نشان داد در 14 مورد از پیامدها، مداخله انجام شده اثر مثبت و معنی‌دار و در 11 مورد اثر مثبت و غیرمعنی‌داری برجای گذاشته است؛ در 5 مورد نیز مداخله انجام شده تأثیری بر نتایج نداشته است، همچنین در 2 مورد نیز مداخله استفاده شده اثر منفی بر روی نتایج گذاشته است. نتیجه­ گیری: نتایج حاصل از این بررسی نشان داد که استفاده از موبایل می‌تواند در مدیریت بیماران نارسائی قلبی و ارائه خدمات بهداشتی به این گونه بیماران سودمند باشد.   2 Introduction: Advances in telecommunication technologies have created new opportunities to provide telemedical care as an adjunct to medical management of patients with heart failure. One of the proposed strategies for helping heart failure patients in managing their disease is using mobile phone which is now growing rapidly worldwide. However, the efficacy of this system is not well known. The objective of this systematic review was to determine the effects of mobile use on heart failure management. Methods: In this review, published studies from 2009 to January 2015 that were accessible in PubMed, ScienceDirect, Scopus and Proquest were searched and from 1021 related studies, 69 articles were identified by their titles and finally, after applying inclusion and exclusion criteria, 11 articles were selected for review. Results: In whole, 32 outcomes had been studied in the selected papers and the review showed that in 14 cases, the intervention had led to significant positive effect and in 11 cases, the intervention had non-significant positive effect. While, in 5 cases, the intervention had no effect and in 2 cases, it had led to a negative effect. Conclusion: According to the results of this review, using mobile phones could be beneficial in the management of Heart Failure and delivery of health services to the affected patients.   232 241 2017/05/302017/04/202017/06/252017/09/282017/09/242017/11/102017/06/4 1396/3/14 2017/11/22017/07/52017/11/22017/11/272017/09/302017/12/192017/11/26 1396/9/5 زکیه پیری Zakie Piri دکترای تخصصی مدیریت اطلاعات سلامت، دانشیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، گروه فناوری اطلاعات سلامت، دانشگاه علوم پزشکی تبریز، تبریز، ایران ایران piriz_444@yahoo.com مهسا دهقانی صوفی Mahsa Dehghani Sufi دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی، دانشگاه علوم پزشکی تبریز، تبریز، ایران ایران dehghani.hit@gmail.com زینب سلیم زاده Zeynab Salimzadeh دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی، دانشگاه علوم پزشکی تبریز، تبریز، ایران ایران zeynab.salimzadeh@gmail.com بهاره اشرق Bahareh Ashragh دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی، دانشگاه علوم پزشکی تبریز، تبریز، ایران ایران bahar_eshragh@yahoo.com قاسم علیزاده دیزج Ghasem Alizadeh دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی، دانشگاه علوم پزشکی تبریز، تبریز، ایران ایران alizadeh.gasem@gmail.com Heart Failure Systematic Review Mobile phone Telemedicine نارسائی قلبی مرور نظام‌مند موبایل پزشکی از راه دور 1. Karimi S, Javadi M, Jafarzadeh F. Economic burden and costs of chronic diseases in Iran and the world. Health Information Management 2012; 8(7):984- 96. Persian##2. Mahdavi B. Iran has the highest record of cardiovascular disease. Iran-Newspape 2014. Persian##3. Khoshtarash M, Momeni M, Ghanbari A, Salehzadeh AH, Rahmatpour P. Self-care behaviors and related factors in patients with heart failure reffering to‎ medical & educational center of heart in Rasht.‎ Holistic Nursing and Midwifery Journal. 2013;23(1):22-9.##4. Goodarzi M, Ebrahimzadeh I, Rabi A, Saedipoor B, Jafarabadi MA. Impact of distance education via mobile phone text messaging on knowledge, attitude, practice and self efficacy of patients with type 2 diabetes mellitus in Iran. J Diabetes Metab Disord 2012; 11: 10. ##5. Parizad N, Hemmati Maslakpak M, Khalkhali H R. The Effect of Tele-Education by Telephone and Short Message Service on Laboratory Parameters in Patients with Type 2 Diabetes. J Ardabil Univ Med Sci 2014; 14 (1) :7-17. Persian##6. Bui AL, Fonarow GC. Home monitoring for heart failure management. J Am Coll Cardiol 2012;59(2):97-104.##7. Harris LT, Tufano J, Le T, Rees C, Lewis GA, Evert AB, et al. Designing mobile support for glycemic control in patients with diabetes. J Biomed Inform 2010;43(5 Suppl):S37-40. ##8. Holtz B, Lauckner C. Diabetes management via mobile phones: a systematic review. Telemed J E Health 2012;18(3):175-84. ##9. Saffari M, Ghanizadeh G, Koenig HG. Health education via mobile text messaging for glycemic control in adults with type 2 diabetes: A systematic review and meta-analysis. Prim Care Diabetes 2014;8(4):275-85. ##10. Seto E, Leonard KJ, Cafazzo JA, Barnsley J, Masino C, Ross HJ. Mobile phone-based telemonitoring for heart failure management: a randomized controlled trial. J Med Internet Res 2012;14(1):e31. ##11. Riley WT, Keberlein P, Sorenson G, Mohler S, Tye B, Ramirez AS, et al. Program evaluation of remote heart failure monitoring: healthcare utilization analysis in a rural regional medical center. Telemed J E Health 2015;21(3):157-62.##12. Kastner P, Morak J, Modre R, Kollmann A, Ebner C, Fruhwald F, et al. Innovative telemonitoring system for cardiology: from science to routine operation. Appl Clin Inform 2010;1(2):165-76.##13. Cano Martín JA, Martínez-Pérez B, de la Torre-Díez I, López-Coronado M. Economic impact assessment from the use of a mobile app for the self-management of heart diseases by patients with heart failure in a Spanish region. J Med Syst 2014;38(9):96.##14. Morak J, Kumpusch H, Hayn D, Leitner M, Scherr D, Fruhwald F, et al. Near Field Com-munication-based telemonitoring with integrated ECG recordings. Appl Clin Inf 2011;2:481-98.##15. Tahat AA. Mobile messaging services-based personal electrocardiogram monitoring system. International Journal of Telemedicine and Applications 2009;2009:4.##16. Liu L, Liu J. Mobile phone-enabled control of medical care and handicapped assistance. Expert Rev Med Devices 2011;8(6):757-68.##17. Svagård I, Austad H, Seeberg T, Vedum J, Liverud A, Mathiesen B, et al. A usability study of a mobile monitoring system for congestive heart failure patients. Stud Health Technol Inform 2014;205:528-32.##18. Winkler S, Schieber M, Lücke S, Heinze P, Schweizer T, Wegertseder D, et al. A new telemonitoring system intended for chronic heart failure patients using mobile telephone technology--feasibility study. Int J Cardiol 2011;153(1):55-8. ##19. Nundy S, Razi RR, Dick JJ, Smith B, Mayo A, O'Connor A, et al. A text messaging intervention to improve heart failure self-management after hospital discharge in a largely African-American population: before-after study. J Med Internet Res 2013;15(3):e53.##20. Walker CM, Elder BL, Hayes KS. The Role of a Self-Directed Technology to Improve Medication Adherence in Heart Failure Patients. The Journal for Nurse Practitioners. 2014;10(10):856-63.##21. Purdy S, Paranjothy S, Huntley A, Thomas R, Mann M, Huws D, et al. Interventions to reduce unplanned hospital admission. 2012. [cited 2015 May 10] Available from: http://www.bristol.ac.uk/media-library/sites/primaryhealthcare/migrated/documents/unplannedadmissions.pdf##22. Philp I, Mills KA, Thanvi B, Ghosh K, Long JF. Reducing hospital bed use by frail older people: results from a systematic review of the literature. Int J Integr Care 2013;13:e048.##23. Hersh WR, Helfand M, Wallace J, Kraemer D, Patterson P, Shapiro S, Greenlick M. et al. Clinical outcomes resulting from telemedicine interventions: a systematic review. BMC Med Inform Decis Mak 2001;1:5. ##24. Anker SD, Koehler F, Abraham WT. Telemedicine and remote management of patients with heart failure. Lancet 2011;378(9792):731-9.##25. Dellifraine JL, Dansky KH. Home-based telehealth: a review and meta-analysis. J Telemed Telecare 2008;14(2):62-6. ##26. Dang S, Dimmick S, Kelkar G. Evaluating the evidence base for the use of home telehealth remote monitoring in elderly with heart failure. Telemed J E Health 2009;15(8):783-96.#### ##

کاربرد محاسبات ابری در سلامت و بررسی آن در ایران Application of Cloud Computing in Health and its Review in Iran 1 1 مقاله از نوع نامه به سردبیر است، لذا فاقد چکیده می باشد. 242 243 2017/05/302017/04/202017/06/252017/09/282017/09/242017/11/102017/06/42017/08/4 1396/5/13 2017/11/22017/07/52017/11/22017/11/272017/09/302017/12/192017/11/262017/08/28 1396/6/6 لیلا شاهمرادی Leila Shahmoradi استادیار، دکترای تخصصی مدیریت اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران lshahmoradi20@gmail.com پریناز تبری Parinaz Tabari کارشناس ارشد انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران papiamentu@gmail.com 1. Fylaktopoulos G, Goumas G, Skolarikis M, Sotiropoulos A, Maglogiannis I. An overview of platforms for cloud based development. Springerplus. 2016; 5: 38.##2. Mell P, Grance T. The NIST Definition of Cloud Computing(draft). NIST Spec Publ 2011;800(145):7.##3. AbuKhousa E, Mohamed N, Al-Jaroodi J. e-Health cloud: opportunities and challenges. Future Internet 2012;4(3):621.##4. Griebel L, Prokosch HU, Köpcke F, Toddenroth D, Christoph J, Leb I, et al. A scoping review of cloud computing in healthcare. BMC Med Inform Decis Mak 2015;15:17.##5. Cikajlo I, Cizman Staba U, Vrhovac S, Larkin F, Roddy M. A cloud-based virtual reality app for a Novel telemindfulness service: rationale, design and feasibility evaluation. JMIR Res Protoc 2017;6(6):e108. ##6. Aijing L, Jin Y. Design of the hospital integrated information management system based on cloud platform. West Indian Med J 2015;64(5):521-26. ##7. Coats B, Acharya S. Leveraging the cloud for electronic health record access. Perspect Health Inf Manag 2014 11:1. ##8. Abresalamat. [cited 2017 Jul 24] Available from: http://www.abresalamat.ir/pages/about.##9. ElecompIran. "Abresalamat" startup description in elecom stars 2016 [cited 2017 Jul 24]. Available from: http://innotalks.ir/?p=5267.#### ##