1396 4 4 14 340

رضایت‌مندی پزشکان خانواده شهری و مراقبین سلامت استان‌های فارس و مازندران از سامانه یکپارچه بهداشت (سیب) Satisfaction of Urban Family Physicians and Health Care Providers in Fars and Mazandaran Provinces from Integrated Health System 1 1 مقدمه: پرونده الکترونیک سلامت، جمع‌آوری الکترونیکی اطلاعات «تمام طول حیات یک فرد» می‌باشد که توسط ارائه‌دهندگان مراقبت بهداشتی ثبت و در واحد‌های مختلف نظام ارائه خدمات سلامت به اشتراک گذاشته می‌شود. ایجاد پرونده الکترونیک سلامت از سال 1394 با راه‌اندازی سامانه سیب به همه دانشگاه‌های علوم پزشکی کشور ابلاغ شد. این مطالعه به منظور تعیین رضایت‌مندی پزشکان خانواده شهری و مراقبین سلامت استان‌های فارس و مازندران از سامانه سیب انجام گرفت. روش: این مطالعه مقطعی در زمستان 1395 انجام گرفت. جامعه پژوهش پزشکان خانواده شهری و مراقبین سلامت بودند که به صورت نمونه‌گیری تصادفی منظم انتخاب شدند. ابزار جمع‌آوری داده‌ها پرسشنامه محقق ساخته شامل 2 بخش متغیرهای فردی با 8 سؤال باز و بسته و رضایتمندی با 8 سؤال بسته در مقیاس لیکرت بوده که روایی و پایایی آن مورد تأیید قرار گرفت.  نتایج: از 464 نفر مورد مطالعه، 236 نفر (50/9%) پزشک و 228 نفر (49/1 %) مراقب سلامت، 273 (نفر(58/8%) شاغل استان فارس و 191 نفر (41/2%) شاغل استان مازندران بودند. اکثریت افراد (65/5%) زن بودند. میانگین رضایت‌مندی افراد مورد مطالعه از سامانه سیب (از 5 نمره) در کل دو استان 0/8±2/94، در استان فارس 8/0±89/2 و در استان مازندران 0/7±3/03 بود. میانگین رضایت‌مندی پزشکان خانواده شهری 0/7±2/75 و مراقبین سلامت 0/8±3/04 بود. بین نوع شغل، استان‌های محل خدمت و رضایت‌مندی از سامانه سیب تفاوت معنی‌دار وجود داشت (0/0001=P)، (0/012=P).  نتیجه‌گیری: این مطالعه نشان داد رضایت مندی شاغلین در برنامه پزشک خانواده شهری پایین‌تر از حد متوسط بود. پیشنهاد می‌گردد ساختار سامانه سیب متناسب با نیازهای ارائه‌دهندگان و به منظور کاربرمحور باز طراحی شود. 2 Introduction: Electronic health record is electronic data of “entire life of a person” registered by healthcare providers and shared in different health centers. The electronic health record has been announced to all medical universities of the country since 2015 by launching the Integrated Health System (SIB). This study aimed to determine the satisfaction of urban family physicians and health care providers in Fars and Mazandaran provinces from SIB. Methods: This cross-sectional study was conducted in the winter of 2016 on urban family physicians and health care providers who were selected by systematic random sampling. Data collection tool was a researcher-made questionnaire consisting of 2 parts: demographic variables with 8 open and closed questions and satisfaction with 8 closed questions on Likert scale. The validity and reliability of the questionnaire were confirmed. Results: The total number of 464 participants included 236 (50.9%) physicians and 228 (49.1%) health care providers. From these, 273(58.8%) were employed in Fars province and 191(41.2%) in Mazandaran province. The majority of participants (65.5%) were women. mean score of satisfaction of SIB (from 5 points) in general was 2.94±0.8, and it was 2.89±0.8 in the Fars and 3.03±0.7 in the Mazandaran provinces. Mean score of satisfaction was 2.75±0.7 in urban family physicians and 3.04±0.8 in health care providers. Satisfaction level showed significant difference based on participants' type of occupation (P=0.0001) and province (P=0.122). Conclusion: The results showed that the satisfaction of employees was lower than the average level. It is recommended to redesign the structure of SIB more consistent with the needs of employees and with a user-oriented approach.   244 252 2017/11/18 1396/8/27 2018/02/3 1396/11/14 محمدجواد کبیر Mohammad Javad Kabir دکتری مدیریت خدمات بهداشتی درمانی، استادیار، مرکز تحقیقات مدیریت سلامت و توسعه اجتماعی، دانشگاه علوم پزشکی گلستان، گرگان، ایران ایران kabirmj63@gmail.com حسن اشرفیان امیری Hasan Ashrafian Amiri متخصص بیماری‌های داخلی، مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، پژوهشکده سلامت، دانشگاه علوم پزشکی بابل، بابل، ایران ایران dr.ashrafian2015@gmail.com سید مظفر ربیعی Seyed Mozafar Rabiee متخصص بیهوشی، دانشیار، دانشکده پزشکی، دانشگاه علوم پزشکی بابل، بابل، ایران ایران Drm_rabiee@yahoo.com آناهیتا کشاورزی Anahita keshavarzi دکتری حرفه‌ای، سازمان بیمه سلامت ایران ، تهران، ایران ایران Keshavarzi.a@ ihio.gov.ir سهیلا حسینی Sohila Hosseini دکتری مدیریت خدمات بهداشتی درمانی، سازمان بیمه سلامت ایران‌، تهران، ایران ایران hosseini.s@ihio.gov.ir سیدداود نصرالله پور شیروانی Seiyed Davoud Nasrollahpour Shirvani دکتری مدیریت خدمات بهداشتی -درمانی، استادیار، مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، پژوهشکده سلامت، دانشگاه علوم پزشکی بابل، بابل، ایران ایران dnshirvani@gmail.com Urban Family physician Health electronic record SIB Health care providers پزشک خانواده شهری پرونده الکترونیک سلامت سامانه سیب مراقبین سلامت 1. Boonstra A, Versluis A, Vos JF. Implementing electronic health records in hospitals: a systematic literature review. BMC Health Serv Res 2014;14:370. ##2. Miller RH, Sim I. Physicians' use of electronic medical records: barriers and solutions. Health Aff (Millwood) 2004;23(2):116-26. ##3. Gartee R. Electronic Health Records: Understanding and Using Computerized Medical Records. 2th ed. New York: Pearson Prentice Hall; 2012. ##4. Birkhead GS, Klompas M, Shah NR. Uses of electronic health records for public health surveillance to advance public health. Annu Rev Public Health 2015;36:345-59. ##5. Yan L, Tan Y. Feeling blue? go online: an empirical study of social support among patients. Information Systems Research 2014;25(4):690-709.##6. Akematsu Y, Tsuji M. An empirical approach to estimating the effect of e-health on medical expenditure. J Telemed Telecare 2010;16(4):169-71.##7. Kabir MJ, Jafari N, Nahimi Tabihi M, Mikaniki E, Ashrafian Amir H, Davoud Nasrollahpour Shirvani S, et al. Health record and provided services recording among centers implementing rural family physician and insurance program in northern provinces of Iran. Journal of Hospital 2015;14(2):61-9. Persian##8. Ebadifard Azar F, Ansari H, Zohour A, Marashi SS. Study of users' attitudes about the computerized Hospital Information Systems (HIS). Payesh 2007; 6(1): 11-8. Persian##9. Liu YC, Huang YM. Using the UTAUT model to examine the acceptance behavior of synchronous collaboration to support peer translation. JALT CALL Journal 2015;11(1):77-91.##10. Ayatollahi H, Langarizadeh M, Chenani H. Comparison of Nurses’ Satisfaction with and expectations of hospital information systems in two selected educational hospitals. Health Inf Manage 2013; 10(5): 675- 83. Persian##11. Nasrollahpour Shirvani SD, Motlagh ME. Access and satisfaction of managers and experts of Abadan medical school in capacity utilization from computer and the internet. Journal of Health and Biomedical Informatics 2015;2(3):160-7. Persian ##12. Damari B, Torabian S, Cheraghi MA. Rural Insurance’: family physicians' satisfaction. Payesh, Journal of the Iranian Institute for Health Sciences Research 2014; 5(13): 561-73. Persian##13. Agana DF, Porter M, Hatch R, Rubin D, Carek P. Job satisfaction among academic family physicians. Fam Med 2017;49(8):622-25.##14. Torabi Ardekani A, Hoseini Saeed, Oromeei N, Mirzaee S. Study perception, knowledge and expectations from population and physicians points of view about implementation of family physician program: a case study in Shiraz. Journal of Medical Council of Islamic Republic of Iran 2015;33(2):147-55. Persian##15. Rezae P, Ahmadi M, Sadughi F. Comparative study on EHR content, structure, and terminology standards in selected organizations and design a model for Iran. Journal of Health Administration 2007;10(29):55-64. Persian##16. Sadoughi F, Ahmadi M, Shahi M, Davari Dolatabadi N. Minimum Data Set for Elderly Health: A comparison of Selected Countries. Journal of Health and Biomedical Informatics 2016;2(4):248-56. Persian ##17. Nasrollahpour Shirvani SD, Mouodi S. Evidence –based policymaking in health system and its achievements and challenge in Iran. 1th ed. Babol University of Medical Sciences; 2013. Persian ##18. Ahmadian L, Mirmohamadi M. A survey on the compatibility of the hospital information systems’ content with the guideline of minimum data set. Journal of Health and Biomedical Informatics 2016;2(4):204-10. Persian ##19. Jebraeily M, Piri Z, Rahimi B, Ghasemzade N, Ghasemirad M, Mahmodi A. Barriers of electronic health records implementation. Health Information Management 2012;8(6):814-913. Persian##20. Kahouei M, Fouladiyan S, Bayat S, Kouhestaniyan M, Abbaspour S. The challenges of implementing (EHR) in family physician plan from health providers' perspective. Journal of Research and Health 2014;4(2):728-36.##21. Yazdi-Feyzabadi V, Emami M, Mehrolhassani MH. Health Information System in Primary Health Care: The Challenges and Barriers from Local Providers' Perspective of an Area in Iran. Int J Prev Med 2015;6:57.##22. Rouhani S, Zamenian S. Prototyping and evaluating a hospital dashboard based on end-user satisfaction model. Journal of Health and Biomedical Informatics 2016; 3(3):174-85. Persian## ##

افزایش راندمان استفاده از تخت‌های بخش CCU بیمارستان با استفاده از بهینه‌سازی و ترکیب الگوریتم‌های ژنتیک و رقابت استعماری Increasing the Efficiency of Using CCU Beds of Hospitals through Optimization and Combination of Genetic Algorithm and Imperialist Competitive 1 1 مقدمه: بیمارستان‌ها به‌عنوان مهم‌ترین واحدهای مصرف‌کننده منابع در بخش بهداشت و درمان از حساسیت زیادی در استفاده حداکثری از حداقل منابع موجود برخوردار هستند. نظر به اینکه در در دو دهه اخیر استفاده از پردازش کامپیوتری داده‌ها جهت استخراج دانش و ارتقاء سطح بهره‌وری  و استفاده از منابع مورد توجه بسیاری از سازمان‌ها قرار گرفته است در این مطالعه، بهینه‌سازی تخصیص تخت‌های بخش مراقبت‌های ویژه بیمارستان شهید فقیهی شیراز با استفاده از بهینه‌سازی و ترکیب الگوریتم‌های ژنتیک و رقابت استعماری هدف گذاری شد. روش: در این مطالعه تحلیلی‌‌–‌مقطعی بیماران با استفاده از بهینه‌سازی و ترکیب الگوریتم‌های ژنتیک و رقابت استعماری در سه‌ماهه اول سال 1395 پایش و به بخش مراقبت‌های ویژه تخصیص داده شدند بدین منظور از تعداد بیماران، تعداد تخت‌ها، پزشکان و علائم حیاتی بیماران به‌عنوان ورودی و نحوه چینش بیماران و میزان بهینه‌سازی تخصیص به‌عنوان خروجی برای بررسی و تخصیص استفاده شد. جهت بررسی داده‌ها از نرم‌افزار Matlab نسخه 2012 استفاده گردید. نتایج: نتایج حاصل از این پژوهش نشان داد که الگوریتم رقابت استعماری به‌منظور بهینه‌سازی تخصیص تخت‌های بخش مراقبت‌های ویژه قلبی نسبت به الگوریتم ژنتیک کارایی بیشتری دارد و همچنین الگوریتم ترکیبی به دست آمده از آن دو الگوریتم، کارایی بهتری  نسبت به الگوریتم رقابت استعماری داشت. نتیجه­گیری: درروند پژوهش اولویت‌های بستری شدن بیماران و همچنین نحوه بستری شدن بیماران مشخص گردید و پیشنهادهایی جهت تخصیص تخت‌ها به بیماران نیز ارائه گردید.   2 Introduction: Hospitals as the most important consumer of resources in healthcare section are highly sensitive to maximum consumption of minimum existing resources. In the recent two decades, computer data processing to extract knowledge and improve utilization of resources has attracted the attention of organizations. In this study, allocation of CCU beds in Shahid Faghihi Hospital of Shiraz is investigated through optimizing and combining Genetic Algorithm (GA) and Imperialist Competitive Algorithm (ICA). Methods: In this analytic cross-sectional study, patients were monitored through optimization and combination of genetic algorithm and imperialist competitive and allocated to CCU beds in the spring of 2016. To this end, number of patients, number of beds, number of doctors and vital signs of patients were used as input and configuration of patients and allocation optimization were considered as output. MATLAB 2012 was used to analyze data. Results: Results of this study show that ICA is more efficient compared to GA in optimization of allocating CCU beds to patients. Moreover, the hybrid algorithm obtained from combination of ICA and GA is more efficient than ICA.     Conclusion: In the process of this study, priorities of patients' hospitalization and also manner of hospitalization were determined and suggestions for allocation of beds to patients were presented.   253 265 2017/11/182017/11/27 1396/9/6 2018/02/32018/02/19 1396/11/30 اسما تقوی Asma Taghavi دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش نرم‌افزار، دانشکده فنی مهندسی‌، دانشگاه آزاد اسلامی سپیدان، سپیدان، ایران ایران s_asma_t68@yahoo.com حسین منعم Hosein Monem دکترای سیستم‌های اطلاعاتی، استادیار،گروه فناوری اطلاعات، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران ایران ali.monem@gmail.com Optimization Resource allocation Genetic Algorithms Imperialist Competitive A algorithms Hybrid Algorithm CCU بهینه‌سازی‌ تخصیص منابع‌ الگوریتم ژنتیک‌ الگوریتم رقابت استعماری‌ الگوریتم ترکیبی‌ بخش مراقبت‌های ویژه قلبی 1. Cignarale C. Analysis and optimization of patient bed assignments within a hospital unit while considering isolation requirements [dissertation]. New York: Rochester Institute of Technology; 2013.##2. Burke JP. Infection control - a problem for patient safety. N Engl J Med 2003;348(7):651-6.##3. Gillespie J, McClean S, Scotney B, Garg L, Barton M, Fullerton K. Costing hospital resources for stroke patients using phase-type models. Health Care Manag Sci 2011;14(3):279-91.##4. Belciug S, Gorunescu F. Improving hospital bed occupancy and resource utilization through queuing modeling and evolutionary computation. Journal of Biomedical Informatics 2015;53:261-9.##5. Garg L, McClean S, Meenan B, Millard P. A non-homogeneous discrete time Markov model for admission scheduling and resource planning in a cost or capacity constrained healthcare system. Health Care Manag Sci 2010;13(2):155-69.##6. Gong YJ, Zhang J, Fan Z. A multi-objective comprehensive learning particle swarm optimization with a binary search-based representation scheme for bed allocation problem in general hospital. IEEE International Conference on Systems, Man and Cybernetics; 2010 10-13 Oct; Istanbul, Turkey: IEEE; 2010. p. 1083–88.##7. Official Journal of the European ::union::. Council Recommendation of 9 June 2009 on patient safety, including the prevention and control of healthcare associated infections; 2009. p. 1-6. [cited 2012 Mar 5]. Available: https://ec.europa.eu/health/sites/health/files/patient_safety/docs/council_2009_en.pdf ##8. Womersley R. Local and Global Optimization Formulation, Methods and Applications. School of Mathematics & Statistics University of New South Wales; 2008. [cited 3 Feb 2017 ]. http://web.maths.unsw.edu.au/~rsw/lgopt.pdf##9. Demeester P, Souffriau W, De Causmaecker P, Vanden Berghe G. A hybrid tabu search algorithm for automatically assigning patients to beds. Artif Intell Med 2010;48(1):61-70.##10. Ceschia S, Schaerf A. Local search and lower bounds for the patient admission scheduling problem. Computers & Operations Research 2011;38(10):1452-63.##11. Williams SV. How many intensive care beds are enough? Critical Care Medicine 1983;11(6):412-6.##12. Shmueli A, Sprung CL, Kaplan EH. Optimizing admissions to an intensive care unit. Health Care Management Science 2003;6(3):131-6. ##13. Mitchell M. An Introduction to Genetic Algorithms. 5th ed. England: MIT press; 1998, ##14. Atashpaz-Gargari E, Lucas C. Imperialist competitive algorithm: An algorithm for optimization inspired by imperialistic competition. Congress on Evolutionary Computation; 2007 Sep 25-28; Singapore, Singapore: IEEE; 20017. p. 4661–7.## ## #### ##

مدل‌سازی بیماری سرطان پستان با استفاده از روش‌های مبتنی بر داده‌کاوی Modeling Breast Cancer Using Data Mining Methods 1 1 مقدمه: سرطان سینه رایج‌ترین شکل سرطان در زنان است. اهمیت تشخیص سرطان سینه به عنوان یکی از موضوعات مهم در علم پزشکی مطرح می‌شود. تشخیص خوش‌خیم یا بدخیم بودن سرطان علاوه بر کاهش هزینه‌ها در جهت‌گیری نوع درمان از اهمیت فوق‌العاده‌ای برخوردار است. هدف از این پژوهش ارائه مدل‌هایی بر اساس داده‌کاوی است که قابلیت پیش‌بینی بیماری سرطان سینه را داشته باشند. روش: این مطالعه از نوع توصیفی-تحلیلی می‌باشد. پایگاه داده آن شامل 683 رکورد مستقل شامل 9 متغیر موجود در پایگاه داده یادگیری ماشین UCI می‌باشد. در این مقاله، از شبکه‌های عصبی مصنوعی پرسپترون‌، بیزین و شبکه عصبی LVQ برای کلاس بندی سرطان سینه به دوکلاس خوش‌خیم و بدخیم استفاده شده است. از 80‌% داده‌ها جهت آموزش و از 20‌% باقی‌مانده جهت آزمون استفاده شد. نتایج: پس از پیش‌پردازش داده‌ها شبکه‌های عصبی متفاوت با معماری‌های مختلف مورد بررسی قرار گرفتند. در بهترین حالت خوش‌خیم یا بد‌خیم بودن سرطان را در شبکه‌های عصبی پرسپترون چند لایه و شبکه عصبی LVQ و بیزین با میانگین ده بار تست به ترتیب با دقت‌های 97/5% و 97/6% و 98/3% پیش‌بینی شد. بررسی‌های مطالعه نشان داد که شبکه عصبی بیزین در تشخیص بیماری موفق‌تر است. نتیجه ­گیری: سرطان پستان یکی از شایع‌ترین سرطان‌ها در بین زنان می‌باشد. تشخیص به موقع بیماری ضمن کاهش هزینه‌ها، شانس درمان موفقیت‌آمیز بیمار را افزایش می‌دهد. در این مطالعه ضمن تشخیص بیماری به کمک روش‌های داده‌کاوی، توانست با استفاده از شبکه عصبی بیزین به دقت بالایی در تشخیص بیماری دست یابد.   2 Introduction: Breast cancer is the most common form of cancer in women. Breast cancer detection is considered as one of the most important issues in medical science. Diagnosis of benign or malignant type of cancer reduces costs and also is important in deciding about the treatment strategy. The aim of this study was to provide data mining based models that have the predictability of breast cancer detection. Methods: This study was descriptive-analytic. Its database included 683 independent records containing nine clinical variables in the UCI machine learning. Multilayer Perceptron artificial neural network, Bayesian Neural Network and LVQ neural network were used for classification of breast cancer to benign and malignant types. In this study, 80% of data were used for network training and 20% were used for testing. Results: After pre-processing the data, different neural networks with different architectures were used to detect breast cancer. In the best condition, we could predict benign or malignant cancer in the MLP neural networks, LVQ and Bayesian Neural Networks with an average of ten tests with an accuracy of 97.5% and 97.6% and 98.3% respectively. Our investigations showed that Bayesian neural network had a better performance. Conclusion: Breast cancer is one of the most common cancers among women. Early diagnosis of disease reduces healthcare costs and increases patient survival chance. In this study, using data mining techniques in diagnosis, the researchers were able to use Bayesian neural network to achieve high accuracy in diagnosis.   266 278 2017/11/182017/11/272017/07/14 1396/4/23 2018/02/32018/02/192017/11/26 1396/9/5 پروانه دهقان Parvaneh Dehghan متخصص رادیوانکولوژی، استادیار ، دانشگاه علوم پزشکی تربت حیدریه، تربت حیدریه، ایران ایران pardehghan@yahoo.com مائده مقربی Maedeh Mogharabi کارشناس کامپیوتر، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی تربت حیدریه، تربت حیدریه، ایران ایران m.mogharebi@gmail.com ایمان ذباح Iman Zabbah دانشجوی دکتری کامپیوتر، دانشکده برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران ایران imanzabbah@gmail.com کامران لایقی Kamran Layeghi دکتری کامپیوتر، استادیار گروه کامپیوتر، دانشکده برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران ایران kami.layeghiy@gmail.com علی ماروسی Ali Maroosi دکتری کامپیوتر ، استادیار، گروه برق و کامپیوتر، دانشگاه تربت حیدریه، تربت حیدریه، خراسان رضوی، ایران ایران ali.maroosi@torbath.ac.ir Breast Cancer Neural Networks LVQ Data Mining سرطان پستان شبکه عصبی مصنوعی شبکه عصبی پرسپترون LVQ‌ داده کاوی 1. Devita VT, Lawrence T, Rosenberg SA. Cancer: Principles & Practice of Oncology: Annual Advances in Oncology. 9th ed. Philadelphia: Lippincott Williams & Wilkins; 2012.##2. Ashkhaneh Y, Mollazadeh J, Aflakseir A, Goudarzi MA. Study of difficulty in emotion regulation as a predictor of incidence and severity of nausea and vomiting in breast cancer patients. Journal of Fundamentals of Mental Health 2015;17(3):123-8.##3. Harrington S, Michener LA, Kendig T, Miale S, George SZ. Patient-reported upper extremity outcome measures used in breast cancer survivors: a systematic review. Arch Phys Med Rehabil 2014;95(1):153-62. ##4. Sharifian A, Pourhoseingholi MA, Emadedin M, Rostami Nejad M, Ashtari S, Hajizadeh N, et al. Burden of Breast Cancer in Iranian Women is Increasing. Asian Pac J Cancer Prev 2015;16(12):5049-52.##5. Hatefnia E, Niknami S, Mahmudi M, Lamyian M. The effects of “theory of planned behavior” based education on the promotion of mammography performance in employed women. J Birjand Univ Med Sci 2010;17(1):50-8. Persian##6. Matsumoto A, Jinno H, Ando T, Fujii T, Nakamura T, Saito J, et al. Biological markers of invasive breast cancer. Japanese Journal of Clinical Oncology 2015;46(2):99-105.##7. Akbari ME, Khayamzadeh M, Khoshnevis S, Nafisi N, Akbari A. Five and ten years survival in breast cancer patients mastectomies vs. breast conserving surgeries personal experience. Iranian Journal of Cancer Prevention 2008;1(2):53-6.##8. Abaspur Kazerouni I, Haddadnia J. A Novel Smart System for Mammographic Image Classification Based on Breast Density. Iranian Journal of Breast Diseases 2013;6(1):15-22. Persian##9. West D, Mangiameli P, Rampal R, West V. Ensemble strategies for a medical diagnostic decision support system: A breast cancer diagnosis application. European Journal of Operational Research 2005;162(2):532-51.##10. Werner JC, Fogarty TC, editors. Genetic programming applied to severe diseases diagnosis. Proceedings Intelligent Data Analysis in Medicine and Pharmacology (IDAMAP-2001); 2001.##11. Sarvestani AS, Safavi AA, Parandeh NM, Salehi M. Predicting breast cancer survivability using data mining techniques. 2nd International Conference on Software Technology and Engineering; 2010 Oct 3-5; San Juan, PR, USA, USA: IEEE; 2010. p. 2–227. ##12. Salama GI, Abdelhalim M, Zeid MA-e. Breast cancer diagnosis on three different datasets using multi-classifiers. Breast Cancer (WDBC). 2012;32(569):2.##13. Iranpour M, Almassi S, Analoui M, editors. Breast cancer detection from fna using svm and rbf classifier. First Joint Congress on Fuzzy and Intelligent Systems; 2007 Aug 29-31; Mashhad: Ferdowsi University of Mashhad, Iran##14. Aruna S, Rajagopalan S, Nandakishore L. Knowledge based analysis of various statistical tools in detecting breast cancer. Computer Science & Information Technology 2011;2:37-45.##15. Ganji MF, Abadeh MS. Parallel fuzzy rule learning using an ACO-based algorithm for medical data mining. Fifth International Conference on Bio-Inspired Computing: Theories and Applications (BIC-TA); IEEE; 2010 Sep 23-26; p. 573–81. ##16. Zhou ZH, Jiang Y. Medical diagnosis with C4. 5 rule preceded by artificial neural network ensemble. IEEE Transactions on information Technology in Biomedicine 2003;7(1):37-42.##17. Ghiomizadeh H. Clustering and Diagnosis of breast cancer via thermal images using a combination of SVM and SOM neural network. Iranian Journal of Breast Diseases 2013;5(4):13–22. Persian##18. UCI Machine Learning Repository: Breast Cancer Wisconsin (Diagnostic) Data Set [cited 2017 May 4]. Available from: http://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)##19. American Cancer Society Information and Resources about for Cancer: Breast, Colon, Lung, Prostate, Skin. [cited 2017 May 4]. Available from: https://www.cancer.org/##20. Ghorbaninejad A. proposing novel activation functions for complex-valued neural networks and their applications on real-valued classification problems Electronic Industries 2012 ;3 (9): 61- 80. Persian##21. Han J, Kamber M, Pei J. Data Mining: Concepts and Techniques, (The Morgan Kaufmann Series in Data Management Systems). 3th ed. USA: Morgan Kaufmann; 2011.##22. Mitra S, Hayashi Y. Neuro-fuzzy rule generation: survey in soft computing framework. IEEE Trans Neural Netw 2000;11(3):748-68. ##23. Marwala T. Bayesian training of neural networks using genetic programming. Pattern Recognition Letters 2007;28(12):1452-8.##24. Daaraaee M, Vahidi J, Alipour A. A method based on an evolutionary algorithm to achieve an efficient artificial neural network model for prediction of breast tumors status. J Mazandaran Univ Med Sci 2015;25(130):100-15. Persian## ##

طراحی مجدد و ارزیابی نرم افزار تله درماتولوژی برای بیماری‌های پوستی Re-designing and Evaluation of Tele-dermatology Software for Skin Diseases 1 1 مقدمه: افزایش پیوسته درخواست خدمات تخصصی پوستی به همراه توزیع جغرافیایی نامتوازن این متخصصان، موجب محدودتر شدن دسترسی بیماران به این خدمات شده است. تله درماتولوژی یکی از راهکارهای نوآورانه می باشد که می‌تواند به عنوان راه‌حلی برای بهبود دسترسی به خدمات تخصصی پوستی با صرف حداقل منابع مادی، در کشورهای در حال توسعه مانند ایران مورد توجه قرار گیرد. روش: پژوهش حاضر از نوع کاربردی بوده و با هدف طراحی مجدد و ارزیابی نرم افزار تله درماتولوژی انجام شد. در این تحقیق، طراحی مجدد نرم‌افزار بعد از استفاده در محیط بالینی و با استفاده از نظرات کاربران انجام و نسخه نهایی نرم‌افزار تولید شد و مورد ارزیابی قرار گرفت.  نتایج: امتیاز مربوط به میزان رضایتمندی کلی کاربران از نرم افزار طراحی شده، هشت از نه امتیاز ممکن بود. امتیازات به دست آمده به ترتیب: 7.8 برای واکنش کلی به سیستم، 8.5 برای ویژگی های صفحه نمایش و رابط کاربری ، 7.9 برای اصطلاحات و اطلاعات سیستم، 8.3 برای یادگیری و 7.5 برای قابلیت های کلی سیستم بود. نتیجه‌گیری: تجربیات کسب شده از این پژوهش نشان می‌دهدکه برای طراحی و استفاده موفقیت آمیز نرم افزارهایی که در حوزه بهداشت و سلامت بکار می روند، بایستی جریان کاری و فرآیندهای مربوط به ارائه خدمات بخوبی شناسایی، درک و مدلسازی شوند. همچنین برای افزایش قابلیت استفاده و رضایت کاربر، توسعه سیستم ها باید بر اساس اصول طراحی کاربر محور و مشارکت ذینفعان در تمام مراحل طراحی و توسعه سیستم باشد. 2 Introduction: The continuous increase in the demand for specialized skin care services,  together with the unbalanced geographical distribution of these specialists, has limited the access of patients to these services. Teledermatology is one of the innovative approaches that can be considered as a solution to improve the access to specialized skin care services with minimal material resources in developing countries such as Iran. Methods: The present study is an applied and aimed to re-designing and evaluating tele-dermatology software. In this research, redesign of the software was done through obtaining the users feedback after being used in clinical setting, then final version of the software designed and usability evaluation test was conducted. Results:  The usability testing result, show dermatologist and GP were very satisfied with the system and overall average scores obtained were 8 out of a total of 9 achievable scores. The scores earned was respectively: 7.8  for overall reaction to the system, 8.5 for screen feature, 7.9 for terminology and system information, 8.3 for Learning and 7.5 for system capability. Conclusion: The experience gained from this research shows that for the successful development and use of telehealth tools, need engage and collaboration with main stakeholder, identify, understand and modeled work flows and processes related to the provision of patient services and treatment. Also in order to increase the usability and user satisfaction, the design and development of systems should be based on the principle of user-centered design and engagement of system stakeholders at all stages of system design and development.   279 290 2017/11/182017/11/272017/07/142018/02/5 1396/11/16 2018/02/32018/02/192017/11/262018/02/17 1396/11/28 حامد مهدی زاده Hamed Mehdizadeh دانشجوی دکترای تخصصی انفورماتیک پزشکی، گروه مدیریت و فن‌آوری اطلاعات بهداشتی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران ایران h.mehdizadeh@sbmu.ac.ir لیدا فدائی زاده Lida Fadaizadeh متخصص بیهوشی، دانشیار مرکز تحقیقات پزشکی از راه دور، پژوهشکده سل و بیماری‌های ریوی، دانشگاه علوم پزشکی شهید بهشتی، ایران ایران lfadaizadeh@yahoo.com E-Health Teledermatology User-centered Design Usability Satisfaction سلامت الکترونیک تله درماتولوژی طراحی کاربر محور قابلیت استفاده رضایتمندی 1. Kanthraj G. Classification and design of teledermatology practice: what dermatoes? which technology to apply? J Eur Acad Dermatol Venereol 2009;23(8):865-75.##2. Campagna M, Naka F, Lu J. Teledermatology: An updated overview of clinical applications and reimbursement policies. International Journal of Women's Dermatology 2017;3(3):176-9.##3. Baze M. Application and evaluation of teledermatology in an underserved area of Honduras. [PhD dissertation]. Blacksburg, Virginia: Virginia Tech; 2011.##4. Uscher-Pines L, Malsberger R, Burgette L, Mulcahy A, Mehrotra A. Effect of Teledermatology on Access to Dermatology Care Among Medicaid Enrollees. JAMA Dermatol 2016;152(8):905-12. ##5. Nelson C, Takeshita J, Wanat K, Bream K, Holmes J, Koenig H, et al. Impact of store-and-forward teledermatology on outpatient dermatologic care: A prospective study in an underserved urban primary care setting. J Am Acad Dermatol 2016;74(3):484-90. ##6. Romero G, Garrido J, Garcia M. Telemedicine and teledermatology (I): concepts and applications. Actas Dermosifiliogr 2008;99(7):506-22. In Spanish##7. Landow S, Mateus A, Korgavkar K, Nightingale D, Weinstock M. Teledermatology: key factors associated with reducing face-to-face dermatology visits. J Am Acad Dermatol 2014;71(3):570-6. ##8. Whited J. Teledermatology. The Medical Clinics of North America 2015;99(6):1365-79.##9. Tensen E, van der Heijden J, Jaspers M, Witkamp L. Two decades of teledermatology: current status and integration in national healthcare systems. Curr Dermatol Rep 2016;5:96-104.##10. Snoswell C, Finnane A, Janda M, Soyer HP, Whitty J. Cost-effectiveness of store-and-forward Teledermatology: a systematic review. JAMA Dermatol 2016;152(6):702-8. ##11. Coates S, Kvedar J, Granstein RD. Teledermatology: from historical perspective to emerging techniques of the modern era: part I: History, rationale, and current practice. J Am Acad Dermatol 2015;72(4):563-74; quiz 575-6.##12. Shortliffe E, Cimino J. Biomedical Informatics: Computer Applications in Health Care and Biomedicine (Health Informatics). 3th ed. London: Springer; 2014.##13. Friedman CP, Wyatt J. Evaluation Methods in Biomedical Informatics. 2th ed. New York: Springer; 2006. ##14. Mehdizadeh H. Developing a Teledermatology system in a nursing home [dissertation]. Tehran: Tehran University of Medical Science; 2013. Persian##15. Mehdizadeh H, Ayatollahi H, Esmaeili N, Kamkar M. Designing and Building a Teledermatology System. J Mazandaran Univ Med Sci 2015; 25(123):170-84. Persian##16. Mehdizadeh H, Esmaeli N. Accuracy of diagnosis and treatment plans in Teledermatology: a pilot study. Journal of Health Administration 2016; 19(64):83-92. Persian##17. Van Someren M, Barnard Y, Sandberg J. The think aloud method: a practical approach to modelling cognitive. London: Academic press; 1994.##18. Hanington B, Martin B. Universal Methods of Design. 58480th ed. NewYork: Rockport Publishers; 2012.##19. Alexandru C. Usability testing and improvement of Telemedicine websites [dissertation]. Edinburgh: University of Edinburgh; 2010.##20. Soyer H, Binder M, Smith A, Wurm E. Telemedicine in Dermatology. Berlin: Springer-Verlag Berlin Heidelberg; 2012. ##21. Chin J, Diehl V, Norman K. Development of an instrument measuring user satisfaction of the human-computer interface. CHI '88 Proceedings of the SIGCHI Conference on Human Factors in Computing Systems; 1988 May 15-19; Washington, D.C., USA: ACM; 1998. p. 213-8.##22. Ezzedine K, Amile A, Vereecke P, Simonart T, Schietse B, Seymons K, et al. Black skin dermatology online, from the project to the website: a needed collaboration between North and South. J Eur Acad Dermatol Venereol 2008;22(10):1193-99.##23. Lewis D. Pigmented skin lesion teledermatology clinic outcomes of implementing solution/service-patient and staff perception. South West Wales Cancer Network; 2008.##24. Frühauf J, Schwantzer G, Ambros-Rudolph C, Weger W, Ahlgrimm-Siess V, Salmhofer W, et al. Acceptance of a mobile patient-support system for the home monitoring of high-need psoriasis patients. Ammenwerth eHealth; 2009. p.107-14. ## ##

ارایه روشی جهت تشخیص سندرم متابولیک بر مبنای الگوریتم داده کاوی KNN، مطالعه موردی: بیمارستان شهدای کارگر یزد A Method for the Diagnosis of Metabolic Syndrome based on KNN Data Mining Algorithm: A case study in Shohada-ye Kargar Hospital in Yazd, Iran 1 1 مقدمه: سندروم متابولیک به معنای وجود گروهی از عوامل خطر‌ساز برای بروز بیماری‌‌های قلبی- عروقی و دیابت در یک شخص است. وجود علائم و ویژگی‌های مختلف این بیماری، تشخیص را برای پزشکان دشوار می‌کند. داده‌کاوی امکان تحلیل داده‌های بالینی بیماران برای تصمیم‌گیری‌های پزشکی را فراهم می‌کند. هدف این مقاله، ارائه یک مدل برای افزایش دقت پیش‌بینی سندرم متابولیک است. روش: در این مطالعه کاربردی-توصیفی، پرونده پزشکی 1499 بیمار مبتلا به سندرم متابولیک با تعداد 15 ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد بیمارستان فوق تخصصی شهدای گارگر یزد جمع‌آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. در این مقاله برای پیش‌بینی و تشخیص سندرم متابولیک، از الگوریتم کلونی زنبور‌عسل برای بهینه‌سازی نتایج الگوریتم داده‌کاوی KNN استفاده شد و یک مدل جدید ارائه گردید. نتایج: بر اساس تابع هدف برای پیش‌بینی عارضه افزایش چربی خون از روش پیشنهادی، الگوریتم‌های گرگ خاکستری، ازدحام ذرات و ژنتیک برای بهبود عملکرد الگوریتم KNN استفاده شد. تحلیل‌های صورت گرفته نشان می‌دهد که مدل پیشنهادی با دقت پیش‌بینی 0/921 از روش‌های فازی، ماشین بردار پشتیبان، درخت‌تصمیم و شبکه عصبی دقت بیشتر‌ی دارد. نتیجه‌گیری: جستجو در پایگاه داده‌های پزشکی برای رسیدن به دانش و اطلاعات جهت پیش‌بینی، تشخیص و تصمیم‌گیری از کاربردهای داده‌کاوی در پزشکی است. می‌توان از الگوریتم‌های وراثتی برای بهینه‌سازی تکنیک‌های داده‌کاوی استفاده کرد. پیش‌بینی و تشخیص صحیح سندرم متابولیک با استفاده از هوش‌ مصنوعی و یادگیری ماشین، شانس درمان موفق را بالا می‌برد.   2 Introduction: Metabolic syndrome is a group of risk factors for developing cardiovascular diseases and diabetes in an individual. The presence of various signs and symptoms makes the diagnosis of this disease difficult. Data mining can provide clinical data analysis of patients for medical decision-makings. The purpose of this study was to provide a model for increasing the predictive accuracy of metabolic syndrome. Method: In this applied-descriptive study, the medical records of 1499 patients with metabolic syndrome with 15 characteristics were investigated. Patients' information is collected from the standard database of Yazd Shohada-ye kargar Hospital. Each patient was followed for at least one year. In this paper, GBC algorithm was used to optimize the results of KNN data mining algorithm to predict and diagnose metabolic syndrome, and a new model was presented. Results: Based on the objective function to predict the increase of blood lipids in the proposed method, gray wolf algorithms, particle swarm and genetics were used to improve the performance of the KNN algorithm. The analyses show that the proposed model with the precision accuracy of 0.921 has a greater accuracy compared to  fuzzy methods, backup vector machine, tree decomposition and neural network. Conclusion: Search in medical databases for the purpose of obtaining knowledge and information to predict, diagnose, and decision making are some applications of data mining in medicine. Hereditary algorithms can be used to optimize data mining techniques. The prediction and proper diagnosis of metabolic syndrome by using artificial intelligence and machine learning increases the chance of successful treatment.   291 304 2017/11/182017/11/272017/07/142018/02/52017/09/19 1396/6/28 2018/02/32018/02/192017/11/262018/02/172018/05/24 1397/3/3 جواد لعل دشتی Javad Lal Dahti کارشناسی ارشد مهندسی کامپیوتر، موسسه آموزش عالی غیرانتفاعی اشراق، بجنورد، ایران ایران j.lal.dashti@gmail.com محسن محمدی Mohsen Mohammadi دکتری فناوری اطلاعات، استادیار گروه کامپیوتر مجتمع آموزش عالی فنی مهندسی اسفراین، اسفراین، ایران ایران mohsen@esfarayen.ac.ir فرهنگ پدیدران مقدم Farhang Padidaran Moghadam دکتری فناوری اطلاعات، استادیار گروه کامپیوتر، موسسه آموزش عالی غیرانتفاعی اشراق، بجنورد، ایران ایران padidaran@gmail.com Metabolic syndrome Bee colony algorithm Decision tree سندرم متابولیک‌ الگوریتم کلونی زنبور عسل درخت تصمیم 1. Worachartcheewan A, Shoombuatong W, Pidetcha P, Nopnithipat W, Prachayasittikul V, Nantasenamat C. Predicting metabolic syndrome using the random forest method. The Scientific World Journal 2015;2015: 1-10.##2. Worachartcheewan A, Nantasenamat C, Isarankura-Na-Ayudhya C, Pidetcha P, Prachayasittikul V. Identification of metabolic syndrome using decision tree analysis. Diabetes Research and Clinical Practice. 2010;90(1):e15-e8.##3. Edrisi M, Gharipour M, Faroughi A, Javeri F, Shahgholi B, Gharipour A, et al. Decision support in prediction of metabolic syndrome with data mining methods. Pars Journal of Medical Sciences (Jahrom Medical Journal) 2011; 9(2): 48 - 58. Persian##4. Karegowda AG, Manjunath AS, Jayaram MA. Application of genetic algorithm optimized neural network connection weights for medical diagnosis of pima Indians diabetes. International Journal on Soft Computing. 2011 May;2(2):15-23.##5. Shen L, Chen H, Yu Z, Kang W, Zhang B, Li H, et al. Evolving support vector machines using fruit fly optimization for medical data classification. Knowledge-Based Systems 2016;96:61-75.##6. Jayalakshmi T, Santhakumaran A Novel classification method for diagnosis of diabetes mellitus using artificial neural networks. International Conference on Data Storage and Data Engineering; 2010 Feb 9-10; Bangalore, India: IEEE; 2010. p. 159-63.##7. Harper PR. A review and comparison of classification algorithms for medical decision making. Health Policy 2005;71(3):315-31.##8. AlJarullah A. Decision tree discovery for the diagnosis of type II diabetes. International Conference on Innovations in Information Technology; 2011 Apr 25-27; Abu Dhabi, United Arab Emirates: IEEE; 2011. p. 303-7.##9. Fang X. Are you becoming a diabetic? a data mining approach. Sixth International Conference on Fuzzy Systems and Knowledge Discovery; 2009 Aug 14-16; Tianjin, China: IEEE; 2009. p. 18-22.##10. Alshamlan HM, Badr GH, Alohali YA. Genetic Bee Colony (GBC) algorithm: A new gene selection method for microarray cancer classification. Computational Biology and Chemistry 2015;56:49-60. ##11. Huang MJ, Chen MY, Lee SC. Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis. Expert Systems with Applications 2007;32(3):856-67.##13. Prilutsky D, Rogachev B, Marks RS, Lobel L, Last M. Classification of infectious diseases based on chemiluminescent signatures of phagocytes in whole blood. Artif Intell Med 2011;52(3):153-63.##13. Sheikhpour R, Sarram MA, Sheikhpour R. Particle swarm optimization for bandwidth determination and feature selection of kernel density estimation based classifiers in diagnosis of breast cancer. Applied Soft Computing 2016;40:113-31.##14. Bellaachia A, Guven E. Predicting breast cancer survivability using data mining techniques. Age 58, no. 13, pp. 10-110, 2006.##15. Colombet I, Ruelland A, Chatellier G, Gueyffier F, Degoulet P, Jaulent MC. Models to predict cardiovascular risk: comparison of CART, multilayer perceptron and logistic regression. Proc AMIA Symp 2000: 156–60.##16. Uzer MS, Yilmaz N, Inan O. Feature selection method based on artificial bee colony algorithm and support vector machines for medical datasets classification. The Scientific World Journal 2013;2013: 1-10.##17. Hayashi Y, Yukita S. Rule extraction using Recursive-Rule extraction algorithm with J48graft combined with sampling selection techniques for the diagnosis of type 2 diabetes mellitus in the Pima Indian dataset. Informatics in Medicine Unlocked. 2016 Jan 1;2:92-104.## ## ##

تجزیه و تحلیل فیلوژنتیکی گونه‌های نوکاردیا با استفاده از ژن‌های 16S rRNA، hsp65 و gyrB Phylogenetic Analysis of Nocardia spp. using 16S rRNA, hsp65 and gyrB Genes 1 1 مقدمه: نوکاردیا یکی از مهم‌ترین گروه از اکتینومایست‌های هوازی است که در خاک زندگی می‌کند و قادر است به وسیله تنفس و تلقیح تروماتیک به بدن انسان وارد شود و عفونت نوکاردیوزیس را به وجود آورد. روش‌های مولکولی یکی از بهترین روش‌های سریع و دقیق برای شناسایی و افتراق این گروه از باکتری‌ها می‌باشد. هدف از این مطالعه ارزیابی سه ژن خانه‌دار در تشخیص و تفریق مهم‌ترین گونه‌های نوکاردیا بود. روش: در این مطالعه مقطعی، ابتدا توالی ژن‌های 16S rRNA، gyrB و hsp65 برای ده گونه نوکاریا از بانک ژنی دریافت شد. سپس توالی ها به کمک نرم‌افزار‌های AL16S و jPhydit هم ردیف شدند، سپس اطلاعات به برنامه MEGA منتقل شد و در نهایت درخت فیلوژنتیک براساس هر یک از ژن‌های 16S rRNA، gyrB و hsp65 به طور جداگانه رسم شد. نتایج: تجزیه‌و‌تحلیل درخت فیلوژنتیک حاصل از ژن‌های 16S rRNA، gyrB و hsp65 نشان داد که همه این ژن‌ها گونه‌های نوکاردیا را تشخیص دادند. همچنین ژن gyrB بهترین گزینه برای ترسیم روابط فیلوژنتیک گونه نوکاردیا می‌باشد. نتیجه‌گیری:: براساس پژوهش حاضر، برای شناسایی و افتراق صحیح گونه‌های نوکاردیا می‌بایست چند ژن خانه‌دار به طور همزمان مطالعه شود.   2 Introduction: Nocardia is one of the most important aerobic actinomycetes that lives in soil and can enter the human body by inhalation and traumatic inoculation and causes Nocardiosis. Molecular methods are one of the best methods for rapid and accurate identification and differentiation of species of this group of bacteria. The purpose of this study was evaluation of three housekeeping genes in identification and differentiation of most important species of Nocardia. Methods: In this study cross-sectional, first, gene sequences of 16S rRNA, gyrB and hsp65 for ten species of Nocardia were obtained from Genebank (NCBI). Then, those sequences were transferred to MEGA 5.0. Finally, phylogenetic trees based on each of 16S rRNA, gyrB and hsp65 genes were drawn. Results: Phylogenetic trees analysis based on 16S rRNA, gyrB and hsp65 gene sequences indicated that all of these genes could identify and differentiate Nocardia species. Also, it was found that gyrB gene is the best option for drawing the phylogenetic relationships of Nocardia species. Conclusion: According to this research, for accurate identification of Nocardia species, several housekeeping genes should be investigated simultaneously.   305 312 2017/11/182017/11/272017/07/142018/02/52017/09/192017/05/27 1396/3/6 2018/02/32018/02/192017/11/262018/02/172018/05/242018/05/24 1397/3/3 مسعود کیخا Masoud Keikha دانشجوی کارشناسی ارشد میکروب شناسی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران masoud.keykha90@gmail.com Nocardia Phylogenetic analysis 16S rRNA نوکاردیا تجزیه و تحلیل فیلوژنتیک 16S rRNA 1. Aghamirian MR, Ghiasian SA. Isolation and characterization of medically important aerobic actinomycetes in soil of Iran (2006 - 2007). Open Microbiol J. 2009;3:53-7. ##2. Bafghi MF, Heidarieh P, Habibnia S, Rasouli-Nasab M, Kalantar Neyestanaki D, Afshar D, et al. Phenotypic and molecular properties of the Nocardia species. Avecinna J Clin Microb Infect 2014;1(1):e19215.##3. Brown-Elliott BA, Brown JM, Conville PS, Wallace RJ. Clinical and laboratory features of the Nocardia spp. based on current molecular taxonomy. Clin Microbiol Rev 2006;19(2):259-82.##4. Rahdar HA, Azadi D, Shojaei H, Daei-Naser A. Molecular analysis and species diversity of Nocardia in the hospital environment in a developing country, a potential health hazard. J Med Microbiol 2017;66(3):334-341.##5. Wallace RJ, Steele LC, Sumter GW, Smith JM. Antimicrobial susceptibility patterns of Nocardia asteroides. Antimicrob agents chemother. 1988;32(12):1776-9.##6. Salehipour M, Zaker Bostanabad S, Rezaee S, Hashemi-Shahraki A. Species spectrum of pathogenic Nocardia isolated from patients. New Cellular & Molecular Biotechnology Journal 2016; 6(21):75-84. ##7. Kageyama A, Poonwan N, Yazawa K, Mikami Y, Nishimura K. Nocardia asiatica sp. nov., isolated from patients with nocardiosis in Japan and clinical specimens from Thailand. Int J Syst Evol Microbiol 2004;54(Pt 1):125-30.##8. Rudramurthy SM, Honnavar P, Kaur H, Samanta P, Ray P, Ghosh A, et al. Molecular identification of clinical Nocardia isolates from India. J Med Microbiol 2015;64(10):1216-25.##9. Shariff M, Gunasekaran J. Pulmonary nocardiosis: review of cases and an update. Can Respir J 2016;2016:7494202. ##10. Cui Y, Yang Y, Peng WH, Liang Q, Li H, Li XY, et al. Nocardia infection of muscular and pulmonary in a membranous glomerulonephritis patient treated only by steroids: a case report and article review. Int J Clin Exp Med 2016;9)11):22687-90.##11. Kandi V. Human nocardia infections: a review of pulmonary nocardiosis. Cureus 2015;7(8):e304.##12. Igbinosa O, Igbinosa O, Dass K, Wortmann G. Nocardia arthritidis infection in an immunocompetent human in the United States. American Journal of Medical Case Reports 2016;4(7):251-4.##13. Menku A, Kurtsoy A, Tucer B, Yildiz O, Akdemir H. Nocardia brain abscess mimicking brain tumour in immunocompetent patients: report of two cases and review of the literature. Acta Neurochir (Wien) 2004;146(4):411-4;##14. Muricy EC, Lemes RA, Bombarda S, Ferrazoli L, Chimara E. Differentiation between nocardia spp. and mycobacterium spp.: critical aspects for bacteriological diagnosis. Rev Inst Med Trop Sao Paulo 2014; 56(5): 397–401.##15. Wallace RJ, Tsukamura M, Brown BA, Brown J, Steingrube VA, Zhang YS, et al. Cefotaxime-resistant Nocardia asteroides strains are isolates of the controversial species Nocardia farcinica. J Clin Microbiol 1990;28(12):2726-32.##16. McTaggart LR, Richardson SE, Witkowska M, Zhang SX. Phylogeny and identification of Nocardia species on the basis of multilocus sequence analysis. J Clin Microbiol 2010;48(12):4525-33.##17. Takeda K, Kang Y, Yazawa K, Gonoi T, Mikami Y. Phylogenetic studies of Nocardia species based on gyrB gene analyses. J Med Microbiol 2010;59(Pt 2):165-71.##18. Carrasco G, Valdezate S, Garrido N, Villalon P, Medina-Pascual MJ, Saez-Nieto JA. Identification, typing, and phylogenetic relationships of the main clinical Nocardia species in spain according to their gyrB and rpoB genes. J Clin Microbiol 2013;51(11):3602-8.## ##

نقش به کارگیری تلفن همراه در مراقبت بهداشتی کشور ایران، یک مطالعه مروری Role of Mobile Technology in Iran Healthcare System: A review study 1 1 مقدمه: فناوری تلفن همراه، فرصت‌های جدیدی را برای سیستم‌های مراقبت بهداشتی کشورها فراهم نموده است. ارتقاء پیامد درمان‌های بهداشتی در گروه‌های مختلف بیماران از جمله منافع به کارگیری این ابزار می‌باشد. اگرچه به کارگیری سلامت همراه در کشور ایران نیز در حال گسترش است شواهدی بر وضعیت و جهت استفاده از این فناوری در سیستم سلامت وجود ندارد. هدف از این مطالعه بررسی تحقیقات منتشر شده در زمینه استفاده از سلامت همراه در نظام بهداشتی ایران است. روش: به منظور انجام یک تحقیق مروری، پایگاه داده PubMed با کلید‌واژه "سلامت تلفن همراه" و معادل آن که از "سرعنوان موضوع پزشکی" مورد جستجو قرار گرفت. پایگاه‌های ایرانی Iranmedx، Magiran و SID نیز با واژه‌های فارسی و انگلیسی سلامت همراه مورد جستجو قرار گرفت. استنادات بازیابی شده از جستجوی، به نرم‌افزار Endnote ارسال و بر اساس معیارهای تعیین شده مورد بررسی و ارزیابی قرار گرفتند. نتایج: تعداد 26 عنوان مقاله که معیارهای ورود به مطالعه را داشتند، نمونه پژوهش را تشکیل داد. در اغلب مطالعات پیام کوتاه متنی ابزار اصلی مداخله در سلامت همراه بود. نتایج حاکی از تأثیر معنی‌دار استفاده از سلامت همراه در بهبود مراقبت از بیماران بود. نتیجه‌گیری: سلامت تلفن همراه در ایران به علت ساختار جمعیت و گستردگی جغرافیایی می‌تواند در سیستم بهداشتی مورد استفاده قرار گیرد. بر اساس نتایج مطالعه، استفاده از سلامت همراه به خصوص در آموزش بیماران به جهت خود‌مراقبتی و جلوگیری از گسترش بیماری‌ها، بسیار مؤثر خواهد بود.   2 Introduction: Mobile technology has provided new opportunities for health care systems. Improvement of health services outcomes in different patient groups is one of the benefits of using this tool. Although the use of mobile in Iran is expanding, there is no evidence of the state and the use of this technology in health system. The aim of this study was to review published researches on the application of mHealth in the health system of Iran. Methods: In order to carry out a review study, Pubmed database was searched by the keyword "mobile Health" and its equivalents which have derived from the "Medical Subject Headings". Iranian databases including Iran medex, Magiran and Scientific Information Database (SID) were also searched for Persian and English terms of mobile health. Retrieval citations from information databases were sent to the endnote software and evaluated based on the considered criteria. Results: The research sample consisted of 26 articles that met the criteria of the study. In most of studies, text messaging was the main intervention tool of mHealth. The results indicated significant effect of mobile health in improving the patients' care. Conclusion: In Iran, mobile health can be effectively used in the health system due to population structure and geographic extent. According to the results of this study, the use of mobile health, especially in educating patients for self-care and preventing the spread of diseases, can be very effective.   313 326 2017/11/182017/11/272017/07/142018/02/52017/09/192017/05/272017/09/6 1396/6/15 2018/02/32018/02/192017/11/262018/02/172018/05/242018/05/242018/05/24 1397/3/3 رقیه ارشاد سرابی Roqhayeh Ershad Sarabi دکتری مدیریت اطلاعات سلامت، استادیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران a.ershadsarabi@gmail.com فرحناز صدوقی Farahnaz Sadoughi دکتری مدیریت اطلاعات سلامت،استاد ،گروه مدیریت و فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران sadoughi.f@gmail.com روح انگیز جمشیدی اورک Rouhangiz Jamshidi Orak دکتری مدیریت اطلاعات سلامت،استاد ،گروه مدیریت و فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران JAM_ORAK@yahoo.co.in کامبیز بهاالدین بیگی Kambiz Bahaadinbeigy دکتری انفورماتیک پزشکی، دانشیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان،کرمان، ایران ایران Mobile health Mobile Phone Cell Phones Text Messaging Health care system سلامت همراه تلفن همراه تلفن سلولی پیام متنی سیستم مراقبت‌های بهداشتی‌ 1. Carey M, Noble N, Mansfield E, Waller A, Henskens F, Sanson-Fisher R. The Role of eHealth in Optimizing Preventive Care in the Primary Care etting J Med Internet Res 2015;17(5):e126).##2. Kay M, Santos J, Takane M. mHealth: New horizons for health through mobile technologies. World Health Organization 2011;64(7):66-71.##3. Consulting VW. mHealth for development: the opportunity of mobile technology for healthcare in the developing world. Washington, D.C. and Berkshire, UK: UN Foundation-Vodafone Foundation Partnership; 2009.##4. Loo JL. Acceptance of health services on mobile phones: A Study of Consumer Perceptions [dissertation]. USA: University of North Carolina at Chapel Hill; 2009.##5. Enayati T, Yazdan Panah Nozari A, Behnamfar R, Ghafari Hamedani SS. Cell Phone applicability in providing educational content to students. Educ Strategy Med Sci 2014;7(2):115-20. Persian##6. Hardell L. Effects of Mobile Phones on Children's and Adolescents' Health: A Commentary. Child Dev 2018;89(1):137-140##7. Berrouiguet S, Baca-Garcia E. Fundamentals for Future mobile-health (mhealth): a systematic review of mobile phone and web-based text messaging in mental health. J Med Internet Res 2016;18(6):e135. ##8. Ershad Sarabi R, Sadoughi F, Jamshidi Orak R, Bahaadinbeigy K. The effectiveness of mobile phone text messaging in improving medication adherence for patients with chronic diseases: a systematic review. Iran Red Crescent Med J 2016;18(5):e25183.##9. Horvath T, Azman H, Kennedy GE, Rutherford GW. Mobile phone text messaging for promoting adherence to antiretroviral therapy in patients with HIV infection. The Cochrane Database Of Systematic Reviews 2012(3):Cd009756. ##10. Gandhi S, Chen S, Hong L, Sun K, Gong E, Li C, et al. Effect of mobile health interventions on the secondary prevention of cardiovascular disease: systematic review and meta-analysis. Can J Cardiol 2017;33(2):219-31.##11. Kitsiou S, Pare G, Jaana M, Gerber B. Effectiveness of mHealth interventions for patients with diabetes: An overview of systematic reviews. PloS one 2017;12(3):e0173160.##12. Khorshid MR, Afshari P, Abedi P. The effect of SMS messaging on the compliance with iron supplementation among pregnant women in Iran: a randomized controlled trial. J Telemed Telecare 2014;20(4):201-6. ##13. Alipour S, Jannat F, Hosseini L. Teaching breast cancer screening via text messages as part of continuing education for working nurses: a case-control study. Asian Pac J Cancer Prev 2014;15(14):5607-9.##14. Baghiani Moghadam MH, Taheri G, Fallah Zadeh H, Parsa M. The effect of instructional designed SMS based on Health Belief Model (HBM) on adoption of self-care behavior of patients with type II diabetes. Modern Care Journal (Scientific Quarterly of Birjand Nursing & Midwifery Faculty) 2014;11(1):10-8. Persian##15. Naderi F, Ayati M, Zare Bidaki M, Akbari Bourang M. The Effect of mobile learning on metacognitive self-regulation and attitudes of students of allied health Sciences. Iranian Journal of Medical Education 2014; 13(12):1001-10. Persian##16. Nasiri M, Nasiri M, Adarvishi S, Hadigol T. Anatomy education through mobile learning compering to lecture is more effective on medicine students’ knowledge retention. Journal of Medical Education Development. 2014;7(14):94-103.##17. Sedri N, Asadi Noughabi A, Zolfaghari M, Haghani H, Tavan A. Comparison of the effect of two types of short message service (interactive and non-interactive) on anticoagulant adherence of patients with prosthetic heart valves. 2 Journal of Nursing Education. 2014;2(4):1-11. Persian##18. Modanloo S, Zolfaghari M, Dehghankar L, Mohamammadi Y, Mohammadkhani Ghiasvand A. Assessment the effect of small message service (SMS) follow up on self efficacy in dialysis patients. Iranian Journal of Nursing Research 2014;8(4):61-71. Persian##19. Atarodi A, RahmaniBeilondi M, RahmaniBeilondi R, Bondar T, Bagheri M. The survey of sms effect on general health and quality of life in people with diabetes type 2 referring to clinic of 22-bahman hospital of Gonabad city in 2011. Zahedan Journal of Research in Medical Sciences 2013;15(4):56-9. Persian##20. Parizad N, Hemmati Maslakpak M, Khalkhali HR. Promoting Self-Care in Patients with Type 2 Diabetes : Tele-Education. Hakim Research Journal 2013; 16(3): 220- 7.##21. Mostafapour E, Pourfakharan M, Hosseini E, Mostafapour A, Javad-Mousavi SA, Pourfakharan MH. Case report: Monitoring of blood pressure and pulse rate and sending the information to physician by Global System for Mobile Communications. Razi Journal of Medical Sciences 2013;19(105):67-71. Persian##22. Borhani F, Ranjbar H, Abbaszadeh A, Abazari F, Ranjbar A. The effect of telenursing (cellphone software) on a1c hemoglobin in patients with type 2 diabetes mellitus. Ann Mil Health Sci Res 2013;11(2):130-7. Persian##23. Zolfaghari M, Mousavifar SA, Pedram S, Haghani H. The impact of nurse short message services and telephone follow-ups on diabetic adherence: which one is more effective? J Clin Nurs 2012;21(13-14):1922-31. ##24. Sadeghi Shermeh M, Ghafuri F, Tadrissi SD, Tayyebi A. The effect of two methods, follow-up care by telephone and short message services on prothrombin time in patients with valve replacement surgery in hospitals of Tehran. Medical-Surgical Nursing Journal 2013;1(2):42-37. Persian##25. Faghanipour S, Hajikazemi E, Nikpour S, Shariatpanahi Sa-S, Hosseini AF. Mobile phone short message service (SMS) for weight management in iranian overweight and obese women: a pilot study. Int J Telemed Appl 2013; 2013: 785654. ##26. Pedram Razi S, Piroozmand N, Zolfaghari M, Kazemnejad A, Firoozbakhsh S. Education of how-to-use peak flow meter and following up via sms on asthma self-management. Hayat 2013;18(4):19-27. Persian##27. 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. ##28. Alipour S, Moini A, Jafari-Adli S, Gharaie N, Mansouri K. Comparison of teaching about breast cancer via mobile or traditional learning methods in gynecology residents. Asian Pac J Cancer Prev 2012;13(9):4593-5.##29. Hemmati Maslakpak M, Parizad N, Khalkhali H. The Effect of Tele-Education By Telephone And Short Message Service On Glycaemic Control In Patient With Type 2 Diabetes. J Urmia Nurs Midwifery Fac 2012;10(4):580-88. Persian##30. Mehran L, Nazeri P, Delshad H, Mirmiran P, Mehrabi Y, Azizi F. Does a text messaging intervention improve knowledge, attitudes and practice regarding iodine deficiency and iodized salt consumption? Public Health Nutr 2012;15(12):2320-5. ##31. Fatehi F, Malekzadeh G, Akhavimirab A, Rashidi M, Afkhami-Ardekani M. The effect of short message service on knowledge of patients with diabetes in Yazd, Iran. Iranian Journal of Diabetes and Obesity 2010;2(1):27-31.##32. Taleban R, Zamani A, Moafi M, Jiryaee N, Khadivi R. Applications of Text Messaging, and Bibliotherapy for Treatment of Patients Affected by Depressive Symptoms. Int J Prev Med 2016;7:46. ##33. Vakili M, Abedi P, Afshari P, Kaboli NE. The effect of mobile phone short messaging system on healthy food choices among Iranian postmenopausal women. J Midlife Health 2015; 6(4): 154–9.##34. Naghibi SA, Moosazadeh M, Zhyanifard A, Jafari Makrani Z, Yazdani Cherati J. Analyzing short message services application effect on diabetic patients’ self-caring. Int J Prev Med 2015; 6: 75.##35. Sadeghian S, Shams M, Alipour Z, Saadat S, Hamidian R, Shahrzad M. Application of short message service to control blood cholesterol: a field trial. BMC Medical Informatics and Decision Making 2017;17(1):32.##36. Naserian N, Ansari S, Abedi P. Comparison of training via short messages and group training on level of knowledge and practice of middle-aged women about breast cancer screening Tests. J Cancer Educ 2017.##37. Owlia P, Eftekhari MB, Forouzan AS, Bahreini F, Farahani M, Ghanei M. Health research priority setting in Iran: Introduction to a bottom up approach. J Res Med Sci 2011; 16(5): 691–98. ##38. Fiordelli M, Diviani N, Schulz PJ. Mapping mHealth research: a decade of evolution. J Med Internet Res 2013;15(5):e95.##39. Kallander K, Tibenderana JK, Akpogheneta OJ, Strachan DL, Hill Z, ten Asbroek AH, et al. Mobile health (mHealth) approaches and lessons for increased performance and retention of community health workers in low- and middle-income countries: a review. J Med Internet Res 2013;15(1):e17. ##40. 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(1):10. ##41. Dehghan Nayeri N, Asadi Noghabi AA, Molaee S. The effect of telephone consultation on the quality of life of patients receiving interferon therapy: a quasi-experimental study. Telemed J E Health 2012;18(6):459-63.##42. Deglise C, Suggs LS, Odermatt P. SMS for disease control in developing countries: a systematic review of mobile health applications. J Telemed Telecare 2012;18(5):273-81. ##43. Hall CS, Fottrell E, Wilkinson S, Byass P. Assessing the impact of mHealth interventions in low- and middle-income countries--what has been shown to work? Glob Health Action 2014;7:25606.##44. Sahu M, Grover A, Joshi A. Role of mobile phone technology in health education in Asian and African countries: a systematic review. Int J Electron Healthc 2014;7(4):269-86. ##45. Krishna S, Boren SA, Balas EA. Healthcare via cell phones: a systematic review. Telemed J E Health 2009;15(3):231-40. ##46. Hamine S, Gerth-Guyette E. Impact of mHealth chronic disease management on treatment adherence and patient outcomes: a systematic review. J Med Internet Res 2015;17(2):e52##47. Vervloet M, Linn AJ, van Weert JC, de Bakker DH, Bouvy ML, van Dijk L. The effectiveness of interventions using electronic reminders to improve adherence to chronic medication: a systematic review of the literature. J Am Med Inform Assoc 2012;19(5):696-704.##48. Mbuagbaw L, Mursleen S, Lytvyn L, Smieja M, Dolovich L, Thabane L. Mobile phone text messaging interventions for HIV and other chronic diseases: an overview of systematic reviews and framework for evidence transfer. BMC Health Serv Res 2015;15:33. ##49. Evans D. Hierarchy of evidence: a framework for ranking evidence evaluating healthcare interventions. J Clin Nurs 2003;12(1):77-84.##50. Kannisto KA, Koivunen MH. Use of mobile phone text message reminders in health care services: a narrative literature review. J Med Internet Res 2014;16(10):e222.## ## ##

کاربرد و نقش هستان‌شناسی در نظام‌های بازیابی اطلاعات زیست‌پزشکی Application and Role of Ontologies in Biomedical Information Retrieval Systems 1 1 مقدمه: هستان‌شناسی‌ها کیفیت بازیابی اطلاعات را افزایش می‌دهند؛ بنابراین شناخت بیشتر فرآیند ساخت هستان‌شناسی‌ها و کاربرد آن‌ها در نظام‌های بازیابی اهمیت می‌یابد. هدف این مطالعه بررسی کاربردها و روش ساخت هستان‌شناسی‌هایی است که در نظام‌های بازیابی اطلاعات زیست‌پزشکی مبتنی بر هستان‌شناسی به کار رفته‌اند. روش: این پژوهش مروری از نظر روش مطالعه کتابخانه‌ای با رویکرد تحلیلی است. بازیابی اطلاعات مرتبط با موضوع پژوهش از پایگاه‌های اطلاعاتی پاب‌مد، اسکوپوس و وب‌آوساینس بدون محدودیت زمانی با استفاده از کلیدواژه‌های "Ontology-based biomedical Information Retrieval"، " Information Retrieval"،"Biomedical Information Retrieval"، "Ontology engineering"، "Ontology construction"، "Biomedical Ontology"  و "Ontology building"انجام شد. 5 مقاله که به معرفی یک نظام بازیابی اطلاعات زیست‌پزشکی می‌پرداختند و در ذخیره یا بازیابی اطلاعات آن‌ها از هستان‌شناسی استفاده می‌شد، بررسی شدند.  نتایج: مطالعات در زمینه بازیابی اطلاعات زیست‌پزشکی مبتنی بر هستان‌شناسی که از سال 2004 آغاز شده به یک کشور محدود نمی‌شوند. به طور کلی هدف استفاده از هستان شناسی‌ها استفاده از فراداده‌های معنایی است. اکثر مطالعات سعی دارند هستان شناسی‌های خاص خود را تولید کنند؛ اما استفاده‌ مجدد از هستان‌شناسی‌های پیشین یک الویت است. مواد اولیه تولید هستان‌شناسی متون مرتبط با حیطه موضوعی است. هستان‌شناسی‌های مورد بررسی به صورت متمرکز تولید شده‌اند و از رویکردهای گروهی غیرمتمرکز استفاده نشده است. نتیجه‌گیری: هدف اصلی نظام‌ها برای به کارگیری هستان‌شناسی‌ها استفاده از آن‌ها برای تولید فراداده‌های معنایی برای کمک برای استدلال ماشینی است.   2 Introduction: Ontologies improve the quality of information retrieval (IR). Therefore, it is important to better know the process of ontology engineering and their application in IR. The aim of this research was to identify the engineering methods of ontologies and also their application in biomedical IR. Method: This review was done through library research method with an analytical approach. Required information for the review was retrieved from Pubmed, Scopus and Web of Science using keywords: "Ontology-based biomedical Information Retrieval", "Information Retrieval", "Biomedical Information Retrieval",  "Ontology engineering", "Ontology construction",  "Biomedical Ontology" and "Ontology building" without time limit. Five articles addressing an ontology-based biomedical IR system were reviewed. Results: Studies on ontology based biomedical IR, started in 2004, are not limited to a single country. In general, ontologies are used to manage the semantic metadata. Although most IRs try to develop their own ontologies, reuse of earlier ontologies is a priority. The material for developing ontologies is taken from the literature in the domain. The studied ontologies have been produced by centralized approaches and decentralized approaches and different groups have not been used. Conclusion: The main purpose of systems for applying ontologies is using them to develop semantic metadata for helping machine reasoning.   327 340 2017/11/182017/11/272017/07/142018/02/52017/09/192017/05/272017/09/62017/09/1 1396/6/10 2018/02/32018/02/192017/11/262018/02/172018/05/242018/05/242018/05/242017/11/2 1396/8/11 نادر عالیشان کرمی Nader Alishan Karami دانشجوی دکتری علم اطلاعات و دانش شناسی، دانشکده علوم انسانی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران ایران nalishan@gmail.com محسن حاجی زین العابدینی Mohsen Haji Zeinolabedini دکترای علم اطلاعات و دانش شناسی، استادیار دانشکده علوم تربیتی و روانشناسی، دانشگاه شهید بهشتی، تهران، ایران ایران zabedini@gmail.com ایرج رداد Iraj Radad دکترای علم اطلاعات و دانش شناسی، استادیار دانشکده علوم انسانی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران ایران irajradad@yahoo.com سید جواد قاضی میرسعید Seyed Javad Ghazi-Mirsaeid دکترای کتابداری و اطلاع‌رسانی، دانشیار دانشکده پیراپزشکی و عضو مرکز تحقیقات مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی تهران، تهران، ایران ایران jghazi37@gmail.com Information Storage and Retrieval Biological Ontologies Information Systems ذخیره و بازیابی اطلاعات هستان‌شناسی‌های زیستی نظام‌های اطلاعاتی 1. Manning CD, Raghavan P, Schutze H. Introduction to Information Retrieval. Cambridge: Cambridge University Press; 2008. p. 405-16.##2. Sy MF, Ranwez S, Montmain J, Regnault A, Crampes M, Ranwez V. User centered and ontology based information retrieval system for life sciences. BMC bioinformatics. 2012; 13 (Suppl 1): S4.##3. Zhang Y, Jin R, Zhou Z-H. Understanding bag-of-words model: a statistical framework. International Journal of Machine Learning and Cybernetics. 2010; 1(1-4): 43-52.##4. Wallach HM, editor Topic modeling: beyond bag-of-words. Proceedings of the 23rd international conference on Machine learning; 2006 Jun 25-29; Pittsburgh, USA. New York: ACM; 2006.##5. Baziz M, Boughanem M, Pasi G, Prade H. A fuzzy set approach to concept-based information retrieval. European Society for Fuzzy Logic and Technology and the 11th Rencontres Francophones sur la Logique Floue et ses Applications; 2005 Sep 7-9; Barcelona, Spain.##6. Haav H-M, Lubi T-L. A survey of concept-based information retrieval tools on the web. Proceedings of the 5th East-European Conference on Advances in Databases and Information Systems; 2001 Sep 25-28; Vilnius, Lithuania.##7. Andreasen T, Bulskov H, Knappe R, editors. From ontology over similarity to query evaluation. 2nd CologNET-ElsNET Symposium-Questions and Answer: Theoretical and Applied Perspective; 2003.##8. Müller H-M, Kenny EE, Sternberg PW. Textpresso: an ontology-based information retrieval and extraction system for biological literature. PLoS biology. 2004; 2(11): e309.##9. Jimeno-Yepes A, Berlanga-Llavori R, Rebholz-Schuhmann D. Ontology refinement for improved information retrieval. Information Processing & Management. 2010; 46(4): 426-35.##10. Berners-Lee T, Hendler J, Lassila O. The semantic web. Scientific american. 2001; 284(5): 28-37.##11. Ruotsalo T, Hyvönen E. A method for determining ontology-based semantic relevance. In: Wagner R, Revell N, Pernul G, editors. Database and Expert Systems Applications. Berlin: Springer; 2007.##12. Lai LF. A knowledge engineering approach to knowledge management. Information Sciences. 2007; 177(19): 4072-94.##13. Maiga G, Ddembe W. A user centered approach for evaluating biomedical data integration ontologies. 2008.##14. TAO T-y, Ming Z. An ontology-based information retrieval model for vegetables e-commerce. Journal of Integrative Agriculture. 2012; 11(5): 800-7.##15. Patricia L. Whetzel, Natalya F. Noy, Nigam H. Shah, Paul R. Alexander, Csongor Nyulas, Tania Tudorache, Mark A. Musen. BioPortal: enhanced functionality via new Web services from the National Center for Biomedical Ontology to access and use ontologies in software applications. Nucleic Acids Research. 2011; 39(suppl 2): p. W541–W545.##16. Gladun A, Rogushina J, Valencia-García R, Béjar RM. Semantics-driven modelling of user preferences for information retrieval in the biomedical domain. Informatics for health and social care. 2013; 38(2): 150-70.##17. Textpresso. About. [cited 2017 Sep 15]. Available from: http://www.textpresso.org/about.html.##18. Caltech. Caltech at a Glance. [cited 2017 Sep 15]. Available from: http://www.caltech.edu.##19. Yourgenome. What are model organisms?. [cited 2017 Sep 15]. Available from: http://www.yourgenome.org/facts/what-are-model-organisms.##20. Consortium GO. Gene Ontology Consortium. [cited 2017 Sep 15]. Available from: http://www.geneontology.org/.##21. LGI2P LRAC. La Recherche Au Centre LGI2P. [cited 2017 Sep 15]. Available from: http://lgi2p.mines-ales.fr/.##22. l’Evolution-Montpellier IdSd. Institut des Sciences de l’Evolution-Montpellier. [cited 2017 Sep 15]. Available from: http://www.isem.univ-montp2.fr/?lang=en.##23. Systems IoS. Institute of Software Systems. [cited 2017 Sep 15]. Available from: http://www1.nas.gov.ua/en/Structure/vinf/isofts/Pages/default.aspx ##24. Systems IRaTCfITa. International Research and Training Center for Information Technologies and Systems Ukraine. [cited 2017 Sep 15]. Available from: http://www.irtc.org.ua/Eng/Organis_eng.html.##25. Patrão DF, Oleynik M, Massicano F, Sasso AM, editors. Recruit-An Ontology Based Information Retrieval System for Clinical Trials Recruitment. Studies in Health Technology and Informatics. 2015; 216: 534-8.##26. Center ACCC. CIPE - International Center for Research. [cited 2017 Sep 15]. Available from: http://www.accamargo.org.br/cipe-international-center-for-research.##27. Smith B, Ashburner M, Rosse C, Bard J, Bug W, Ceusters W, et al. The OBO Foundry: coordinated evolution of ontologies to support biomedical data integration. Nature biotechnology. 2007; 25(11): 1251-5## ##