1397 5 1 15 84

مدل‌ مفهومی و ارزیابی سامانه پایش ازراه دور روان‌درمانی مبتنی بر خود گزارش‌دهی برای بیماران مبتلا به افسردگی Conceptual Modeling and Evaluation of Tele- Psychotherapy System based on Self-inventory for Patients with Depression 1 1 مقدمه: ناهنجاری‌های روحی و روانی آمار شیوع قابل توجهی در جهان و به خصوص در کشورهای در حال توسعه، مانند ایران، داشته و نیازمند به‌کارگیری و توسعه تهمیدات مختلف تشخیص، درمان، پایش و مراقبت می‌باشند. با توجه به ماهیت پایش ناهنجاری‌های روانی و به ویژه روش آزمون‌های خودگزارش‌دهی، می‌توان از قابلیت‌های دوراپزشکی برای پایش از راه دور مبتلایان به این‌گونه ناهنجاری‌ها استفاده نمود. هدف این مطالعه طراحی و مدل‌سازی سامانه پایش از راه‌دور روان درمانی مبتنی بر خودگزارش‌دهی برای ناهنجاری افسردگی می‌باشد. روش: در این مطالعه، ابتدا از طریق مرور متون و مشاهده سامانه‌‌های مشابه، مصاحبه با متخصصان روان پزشکی بیمارستان شهید بهشتی کرمان، پرستاران و بیماران این مرکز و ارائه و تحلیل پرسشنامه، نیازمندی‌های چنین سامانه‌ای احصاء شد و در قالب نمودارهایی نظیر کلاس و مورد کاربرد در UML2.0 ارائه شد. برای ارزیابی مدل از دو راهبرد ارزیای مبتنی بر سناریو و شبیه‌سازی استفاده شد. نتایج: با بررسی 33 مطالعه مشابه و 45 وب سایت مربوط به سامانه‌های مشابه، 7 زیرسامانه حساب کاربری، آموزش، مشاوره، درمان، پایش، امور مالی و ارتباطات با تعاریف کامل آیتم‌های نیازمندی مربوطه تعریف و فهرست شدند و اقسام ارتباطات توسط نمودارهای UML ارائه گردید. همچنین در گام اول ارزیابی از بین 20 سناریو، سناریوی نهایی توسط متخصصان تصویب شد. شاخص‌های شبیه‌سازی نشان دهنده بهره‌وری بالای سامانه است. نتیجه‌گیری: نتایج حاصل از ارزیابی سامانه پیشنهادی نشان می‌دهد که سامانه پیشنهادی از نظر معیارهای کیفی عملکرد قابل قبولی از خود نشان داده و تمام نیازمندی‌های کارکردی مورد انتظار را پوشش داده است. 2 Introduction: Psychological anomalies have a significant prevalence in the world, especially in developing countries, such as Iran, and require the development of various interventions for diagnosis, treatment, monitoring and care services. Regarding the nature of psychological abnormalities monitoring, and especially the self-inventory testing method, it is recommended to use telemedicine capabilities for remote monitoring of patients with these abnormalities. The purpose of this study was to design and model a self-reported psychiatric system for depression. Methods: In this study, firstly, by reviewing the texts and observing similar systems, interviewing the psychiatric specialists of Shahid Beheshti Hospital of Kerman, nurses and patients of this center, and presenting and analyzing the questionnaire, the requirements of such a system were elicited and presented in the form of diagrams such as Class and business use Case in UML2.0. In order to provide a general view of prospective view, context diagram was presented. Scenario-based and simulation strategies were used to evaluate the model. Results: By reviewing 33 similar studies and 45 websites related to similar systems, seven subsets of account, education, counseling, treatment, monitoring, financial affairs and communications were defined and listed with the full definition of relevant items, and communication types were presented by UML diagrams. Also, in the first step of the evaluation of 20 scenarios, the final scenario was approved by experts. Simulation indicators represent the high efficiency of the system. Conclusion: The results of the evaluation of the proposed system show that the proposed system is satisfactory in terms of qualitative criteria and covers all expected functional requirements.   1 11 2018/02/3 1396/11/14 2018/06/10 1397/3/20 زینب دل ارام Zeinab Delaram کارشناسی ارشد انفورماتیک پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران zeinab.delaram@modares.ac.ir علی اصغر صفائی Aliasghar Safaei دکترای مهندسی کامپیوتر، استادیار، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران aa.safaei@modares.ac.ir علیرضا آتشی Alireza Atashi دکترای انفورماتیک پزشکی، استادیار، گروه سلامت الکترونیک، دانشکده مجازی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران smatashi@yahoo.com Tele-monitoring Self-inventory Depression Physical and logical modeling Psychotherapy پایش از راه‌دور خود‌گزارش‌دهی افسردگی مدل‌سازی منطقی و فیزیکی روان‌درمانی 1. National Center for Health Statistics (US). Health, United States, 2012: With Special Feature on Emergency Care.##2. Hamshahri Online. Iranian People Depression Statistics. [cited 2017 Apr 9] Available on: http://www.hamshahrionline.ir/details/366509/Lifeskills/heathsubpage .##3. Blackburn LM, Davidson K. Davidson KM: Cognitive Therapy for Depression and Anxiety: A Practitioner's Guide. 1th ed. USA: Wiley Blackwell; 1995.##4. Boyne JJ, Gorgels AP, Spreeuwenberg MD, Vrijhoef HJ. Effects of Telemonitoring on Heart Failure Patients’ Quality of Life and Depression Scores: a Randomised Controlled Trial. The Six International Conference on eHealth, Telemedicine, and Social Medicine; 2014 Jan 1; Spain IARIA; 2014. p. 35-43.##5. Burket RC, Schramm LL. Therapists' attitudes about treating patients with eating disorders. South Med J 1995;88(8):813-8. ##6. Corraze J. An outline of General Psychopathology (Mental Diseases). Translated by Mansour M, Dadsetan P. Tehran: Roshd; 2008. Persian##7. Sadock BJ, Sadock VA. Kaplan and Sadock's Synopsis of Psychiatry: Behavioral Sciences/Clinical Psychiatry. 10th ed. USA: Lippincott Williams & Wilkins; 2011.##8. Sherwood A, O'Connor CM, Routledge FS, Hinderliter AL, Watkins LL, Babyak MA, et al. Coping effectively with heart failure (COPE-HF): design and rationale of a telephone-based coping skills intervention. J Card Fail 2011;17(3):201-7.##9. Holt J. UML for Systems Engineering: watching the wheels. 2th ed. London: IET Digital Library; 2004.##10. Derogatis LR, Melisaratos N. The Brief Symptom Inventory: an introductory report. Psychol Med 1983;13(3):595-605.##11. Botella C, Gallego MJ, Garcia-Palacios A, Guillen V, Banos RM, Quero S, et al. An Internet-based self-help treatment for fear of public speaking: a controlled trial. Cyberpsychology, behavior and social networking. 2010;13(4):407-21.##12. Botella C, Hofmann SG, Moscovitch DA. A self-applied, Internet-based intervention for fear of public speaking. J Clin Psychol 2004;60(8):821-30.##13. Sanchez-Elsner T, Ramirez JR, Sanz-Rodriguez F, Varela E, Bernabeu C, Botella LM. A cross-talk between hypoxia and TGF-beta orchestrates erythropoietin gene regulation through SP1 and Smads. J Mol Biol 2004;336(1):9-24.## ##

برازش مدل‌های هوش مصنوعی و آمار کلاسیک سری زمانی جهت پیش‌بینی تعداد بیماران بستری بیمارستان‌ها Evaluation of Artificial Intelligence Models and Classical Statistics Models of Time Series in Forecasting the Number of Hospital Inpatient Admissions 1 1 مقدمه: مطالعه و تجزیه‌وتحلیل هر سیستم بهداشتی و درمانی، یک ضرورت برای بهبود عملکرد آن در طول زمان به‌ شمار‌ می‌آید. در‌ این میان، مدیریت و تجزیه‌وتحلیل تعداد بیماران یک عامل مهم و تعیین‌کننده در بهبود تصمیمات مدیران این حوزه است. هدف از این پژوهش، مطالعه‌و بررسی روش‌های پیش‌بینی مبتنی بر سری‌های‌زمانی جهت پیش‌بینی ماهیانه‌ تعداد بیماران بستری و مقایسه‌ صحت عملکرد این روش‌ها می‌باشد. روش: در این مطالعه مقطعی مدل‌سازی بر اساس داده‌های ماهیانه‌ تعداد بیماران بستری 6 بیمارستان دولتی شهر مشهد از فروردین 1383 تا فروردین 1395 انجام‌گرفت که از پایگاه‌ داده‌ اداره آمار دانشگاه علوم‌پزشکی‌مشهد استخراج شد. جهت پیش‌بینی تعداد بیماران بستری سه‌ماهه‌ نخست سال 1395 هر یک از بیمارستان‌ها، از تکنیک‌‌های پیش‌بینی Holt-Winters، SARIMA،MLP  و GRNN استفاده گردید. برای هر مدل، خطای مقادیر پیش‌بینی‌شده توسط معیار میانگین قدرمطلق درصد خطا (MAPE) گزارش ‌شد. نتایج: روش‌ Holt-Winters با ارائه بهترین نتایج پیش‌بینی برای 4 بیمارستان می‌تواند روش‌ کارآمدی برای پیش‌بینی تعداد بیماران بیمارستان‌ها باشد. در مجموع، مدل‌های پیش‌بینی مورد‌ بررسی در این مطالعه با ارائه‌ معیار صحت MAPE در بازه‌ 2/13 درصد تا 4/12 درصد، عملکرد قابل‌قبولی برای هر 6 بیمارستان داشته‌اند. نتیجه‌گیری: در این مطالعه نشان‌داده‌شد که تجزیه‌وتحلیل سری‌های‌زمانی ابزاری مناسب و کاربردی برای پیش‌بینی تعداد بیماران بستری بیمارستان‌های مورد‌ مطالعه می‌باشد. با توجه به ویژگی‌های منحصربه‌فرد بیمارستان‌های مختلف، فرایندهای ذکرشده در این پژوهش شامل مدل‌سازی و تجزیه‌وتحلیل داده‌ها را می‌توان در دیگر بیمارستان‌ها جهت بهبود تخصیص منابع و برنامه‌ریزی‌های استراتژیک مورد استفاده قرار داد.   2 Introduction: The study and analysis of each health system has become a necessity for its performance improvement through time. In this context, management and analysis of the number of patients is an important factor in the process of improving managers' decisions. The aims of this study were to explore and evaluate the use of multiple time series forecasting methods to predict monthly hospital inpatient admissions at six public hospitals in Mashhad city and to compare the accuracy performance of these methods. Methods: This cross-sectional modeling study was performed based on monthly data of inpatient admissions at six public hospitals in Mashhad from March 2004 through March 2016. Data were extracted from database of the Statistics Office of Mashhad University of Medical Sciences. Holt-winters, Seasonal Autoregressive Integrated Moving Average (SARIMA), Multilayer Perceptron (MLP) and Generalized Regression Neural Networks (GRNN) models were applied to forecast monthly inpatient numbers at each hospital. The error of the models in regard to the predicted values was reported through Mean Absolute Percentage Error (MAPE). Results: Holt-Winters method, due to providing the optimal forecasting performance in four hospitals, could be an efficient method for predicting the number of inpatients in hospitals. Totally, the studied models with a MAPE from 2.13% to 4.12% showed acceptable performance in all six hospitals. Conclusion: Time series analysis is an adequate practical tool for predicting the number of hospital inpatient admissions. Given the unique characteristics of different hospitals, applied methods in this study, including modeling and data analysis can be used in other hospitals to improve their resource allocation and strategic planning. 12 24 2018/02/32017/10/1 1396/7/9 2018/06/102018/04/23 1397/2/3 سمیرا رسولی Samira Rasouli دانشجوی کارشناسی ارشد انفورماتیک پزشکی، کمیته تحقیقات دانشجویی، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران sam.rasouli@mums.ac.ir حامد تابش Hamed Tabesh دکتری آمار زیستی، استادیار گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران TabeshH@mums.ac.ir کبری اطمینانی kobra Etminani دکتری کامپیوتر، استادیار گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران Etminanik@mums.ac.ir Time Series Analysis Inpatient Numbers Holt-Winters SARIMA Neural Networks تجزیه‌و تحلیل سری‌زمانی تعداد بیماران Holt-Winters SARIMA‌ شبکه‌های عصبی 1. Bhattacharjee, P. and P.K. Ray, Patient flow modelling and performance analysis of healthcare delivery processes in hospitals: A review and reflections. Computers & Industrial Engineering, 2014. 78: p. 299-312.##2. Brailsford, S. and J. Vissers, OR in healthcare: A European perspective. European journal of operational research, 2011. 212(2): p. 223-234.##3. Zhu, T., et al., Time Series Approaches for Forecasting the Number of Hospital Daily Discharged Inpatients. 2015.##4. Lin, W.T., Modeling and forecasting hospital patient movements: Univariate and multiple time series approaches. International Journal of Forecasting, 1989. 5(2): p. 195-208.##5. Sheard, S., Hospitalist Recruitment and Retention: Building a Hospital Medicine Programme. Occupational Medicine, 2010. 60(7): p. 579-580.##6. System, I.o.M.C.o.t.F.o.E.C.i.t.U.H., Hospital-based emergency care: at the breaking point. 2006, Washington, DC: National Academies Press.##7. Boyle, J., et al., Predicting emergency department admissions. Emergency Medicine Journal, 2012. 29(5): p. 358-365.##8. Jones, S.S., et al., Forecasting daily patient volumes in the emergency department. Academic Emergency Medicine, 2008. 15(2): p. 159-170.##9. Abraham, G., G.B. Byrnes, and C.A. Bain, Short-term forecasting of emergency inpatient flow. IEEE Transactions on Information Technology in Biomedicine, 2009. 13(3): p. 380-388.##10. Littig, S.J. and M.W. Isken, Short term hospital occupancy prediction. Health care management science, 2007. 10(1): p. 47-66.##11. Bergs, J., P. Heerinckx, and S. Verelst, Knowing what to expect, forecasting monthly emergency department visits: A time-series analysis. International emergency nursing, 2014. 22(2): p. 112-115.##12. Boyle, J., PAPT—patient admissions prediction tool. Healthcare IT Manage, 2009. 4: p. 30-32.##13. Shumway, R.H. and D.S. Stoffer, Time series analysis and its applications. 2013: Springer Science & Business Media.##14. Asplin, B.R., T.J. Flottemesch, and B.D. Gordon, Developing models for patient flow and daily surge capacity research. Academic Emergency Medicine, 2006. 13(11): p. 1109-1113.##15. Cochrane, J.H., Time series for macroeconomics and finance. Manuscript, University of Chicago, 2005.##16. Ahmed, N.K., et al., An empirical comparison of machine learning models for time series forecasting. Econometric Reviews, 2010. 29(5-6): p. 594-621.##17. Abraham, G., G.B. Byrnes, and C.A. Bain, Short-term forecasting of emergency inpatient flow. Information Technology in Biomedicine, IEEE Transactions on, 2009. 13(3): p. 380-388.##18. Schweigler, L.M., et al., Forecasting models of emergency department crowding. Academic Emergency Medicine, 2009. 16(4): p. 301-308.##19. Aboagye-Sarfo, P., et al., A comparison of multivariate and univariate time series approaches to modelling and forecasting emergency department demand in Western Australia. Journal of biomedical informatics, 2015. 57: p. 62-73.##20. Singh, A. and G. Mishra, Application of Box-Jenkins method and Artificial Neural Network procedure for time series forecasting of prices. Statistics in Transition new series, 2015. 1(16): p. 83–96.##21. Hyndman, R.J. and Y. Khandakar, Automatic time series for forecasting: the forecast package for R. 2007, Monash University, Department of Econometrics and Business Statistics.##22. Myung, I.J. and M.A. Pitt, Applying Occam’s razor in modeling cognition: A Bayesian approach. Psychonomic Bulletin & Review, 1997. 4(1): p. 79-95.##23. Sheela, K.G. and S. Deepa, Review on methods to fix number of hidden neurons in neural networks. Mathematical Problems in Engineering, 2013. 2013.##24. Curry, B. and P.H. Morgan, Model selection in neural networks: some difficulties. European Journal of Operational Research, 2006. 170(2): p. 567-577.##25. Batal, H., et al., Predicting patient visits to an urgent care clinic using calendar variables. Academic Emergency Medicine, 2001. 8(1): p. 48-53.#### ##

تشخیص نوع لوسمی به کمک یادگیری ماشین: کاهش ابعاد و متوازن‌سازی Diagnosis of Leukemia Type by Machine Learning: Dimension Reduction and Balancing 1 1 مقدمه: ترکیب تکنیک‌های محاسباتی هوش مصنوعی و داده‌کاوی در پزشکی به پیشرفت‌های قابل توجهی در پیش‌گیری و تشخیص بیماری‌ها منجر شده ‌است. در تشخیص لوسمی حاد از اطلاعات ژنتیکی، مدل‌های پیچیده‌ای تاکنون ارائه شده؛ اما نتایج قابل توجهی را ارائه نکرده است. این مطالعه به تشخیص نوع سرطان خون با بررسی محدوده گسترده‌ای از توابع پارامتری و غیرپارامتری و به منظور افزایش قابلت تعمیم آن‌ها در یادگیری با استخراج ویژگی‌های ذاتی کم‌تر از نمونه‌ها می‌پردازد. روش: این مطالعه توصیفی- تحلیلی، بر روی داده‌های Leukemia1 از دانشگاه واندربیلت آمریکا انجام شد. این داده‌ها مجموعه‌ای از نمونه‌های مغز استخوان و خون بیماران لوسمی است که برای طبقه‌بندی بر اساس سه زیر گروه سرطان خون ALL B-cell، ALL T-cell و AML استفاده می‌شود. دسته‌بندی پارامتری با الگوریتم‌های خطی، بیز ساده، فاصله اقلیدسی، نزدیک‌ترین میانگین، تطبیق قالب و دسته‌بندی غیرپارامتری با الگوریتم‌های تخمین‌گرهای پایه، هسته، k -همسایه نزدیک‌تر و k -همسایه نزدیک‌تر مبتنی برهسته انجام گردید. نتایج: با در نظر گرفتن تمامی ویژگی‌ها بهترین الگوریتم نزدیک‌ترین میانگین بود که به دقت پیش‌بینی 92/86‌% رسید. با اعمال روش کاهش ویژگی PCA، باز هم بهترین نتیجه مربوط به الگوریتم نزدیک‌ترین میانگین بود و با متوسط تعداد ویژگی 6/8 به دقت 96% دست یافت. در نهایت با متوازن‌سازی داده‌های Leukemia1، متوسط تعداد ویژگی و دقت توسط الگوریتم درجه 2 به ترتیب 41/5 و 98/59 حاصل گردید. نتیجه‌گیری: نتایج به دست آمده بیانگر اثربخشی استخراج ویژگی‌های ذاتی و متوازن‌سازی در بهبود دقت مدل مبتنی بر قاعده بیز و برتری آن نسبت به مدل‌های پیچیده‌تر کنونی می‌باشد.   2 Introduction: Combination of artificial intelligence and data mining has been resulted to considerable progress in the prevention and diagnosis of diseases. Complex models have been proposed for the diagnosis of acute leukemia from genetic information, but significant results have not been achieved. This study aimed to predict the type of blood cancer by examining a wide range of parametric and non-parametric methods and to increase the generalization of learning by extracting fewer essential features. Methods: This descriptive and analytical study used Leukemia1 dataset from the Vanderbilt University of USA. This dataset contains a set of bone marrow and blood samples of patients having leukemia used for classification based on three subgroups of leukemia, namely ALL B-cell, ALL T-cell and AML. Parametric classification including linear algorithms, Naïve Bayes, Euclidean distance, nearest average, template matching as well as non-parametric classification using basic estimator algorithms, kernel, k-nearest neighbors and k-nearest neighbors based on the kernel has been used. Results: Considering all features, the best method was nearest mean prediction method achieving the accuracy of 92.86%. By applying the PCA feature reduction method, too, the best result was related to the nearest mean algorithm and by average number of features of 6.8, the accuracy became 96%. Finally, using data-balancing methods and quadratic algorithm resulted in the average number of features and the accuracy of 5.41 and 98.59% respectively. Conclusion: The results show the effectiveness of essential features extraction in improving the accuracy of Bayes-based models and its preference over the existing complex models.   25 34 2018/02/32017/10/12017/11/16 1396/8/25 2018/06/102018/04/232018/05/7 1397/2/17 محمد رضا پژوهان Mohamadreza Pajoohan دکتری مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران ایران pajoohan@yazd.ac.ir زینب قرائتی Zeinab Gharaati دانشجوی کارشناسی ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران ایران zeinabgharaati@gmail.com Genetics data Diagnosis of type of blood cancer Data mining Data balancing Dimension reduction. داده‌های ژنتیکی تشخیص نوع سرطان خون داده‌کاوی متوازن‌سازی داده‌ها کاهش ابعاد 1. Zhou Q, Zhou H, Li T. Cost-sensitive feature selection using random forest: Selecting low-cost subsets of informative features. Knowledge-Based Systems 2016;95:1-11.##2. Minnie D, Srinivasan S. Preprocessing and generation of association rules for prediction of acute myeloid leukemia from bone marrow data. Journal of Theoretical and Applied Information Technology 2014; 70(2): 415-24.##3. Prasartvit T, Banharnsakun A, Kaewkamnerdpong B, Achalakul T. Reducing bioinformatics data dimension with ABC-kNN. Neurocomputing 2013;116:367-81.##4. Li J, Su L, Pang Z. A filter feature selection method based on MFA score and redundancy excluding and it's application to tumor gene expression data analysis. Interdisciplinary Sciences: Computational Life Sciences 2015; 7(4): 391-6. ##5. Chen Y, Wang L, Li L, Zhang H, Yuan Z. Informative gene selection and the direct classification of tumors based on relative simplicity. BMC Bioinformatics 2016; 17: 44.##6. Wang H, Yang F, Luo Z. An experimental study of the intrinsic stability of random forest variable importance measures. BMC Bioinformatics 2016;17:60.##7. Voyant C, Notton G, Kalogirou S, Nivet, ML, Paoli C, Motte F, et al. Machine learning methods for solar radiation forecasting: A review. Renewable Energy 2017; 105: 569-82.##8. Heidari M, Seifossadat G, Razaz M. an intelligent-based islanding detection method using K-Nearest neighbors and discrete wavelet transform. Journal of Electrical Engineering 2013; 43(1): 6-15. Persian##9. Remagnino P, Mayo S, Wilkin P, Cope J, Kirkup D. Machine Learning for Plant Leaf Analysis. Computational Botany: Methods for Automated Species Identification. Berlin, Heidelberg: Springer Berlin Heidelberg; 2017. p. 57-79.##10. Mishra S, Sharma L, Majhi B, Sa PK. Microscopic Image Classification Using DCT for the Detection of Acute Lymphoblastic Leukemia (ALL). Proceedings of International Conference on Computer Vision and Image Processing: CVIP; 2016. p. 171-80.##11. Mousavizadegan M, Mohabatkar H. An evaluation on different machine learning algorithms for classification and prediction of antifungal peptides. Med Chem 2016;12(8):795-800.##12. Alpaydin E, Introduction to Machine Learning. . 3th ed. London, England: MIT press; 2014.##13. Leukemia1. [cited: 2016 Apr 1]. Available http://www.gems-system.org.## 14. Barandela R, Sanchez JS, Garcia V, Rangel E. Strategies for learning in class imbalance problems. Pattern Recognition 2003; 36: 849-51.##15. Batista GE, Prati RC, Monard MC. A study of the behavior of several methods for balancing machine learning training data. ACM Sigkdd Explorations Newsletter 2004; 6(1): 20-9.## ##

شناسایی و اولویت بندی عوامل موثر بر تجاری سازی سلامت همراه Identifying and Prioritizing the Effective Factors in Commercialization of Mobile Health 1 1 مقدمه: سلامت همراه، فعالیت ها و عملیات پزشکی پشتیبانی شده توسط تلفن همراه است که به مثابه دستیار دیجیتالی برای اطلاع رسانی و خدمات بهداشتی، درمانی و شخصی عمل می کند. تجاری سازی سلامت همراه یک پدیده جهانی است و بسیاری از نظام های بهداشتی جهان تحت تاثیر آن قرار دارند. به همین جهت در این پژوهش سعی بر آن نمودیم تا عوامل موثر بر تجاری سازی سلامت همراه را اولویت بندی کنیم. روش: در این تحقیق با بررسی برخی از تحقیقات انجام شده مرتبط با حوزه تجاری سازی سلامت همراه، 31 شاخص اصلی موثر در تجاری سازی سلامت همراه شناسایی شد. پس از نظرسنجی از خبرگان و انجام تحلیل عاملی اکتشافی، این 31 شاخص در 6 بعد دسته بندی و با استفاده از تحلیل سلسله مراتبی فازی رتبه بندی شدند. نتایج: به ترتیب عوامل بدست آمده عبارتند از: توسعه خدمات، مدیریت بازار، سازمان و فرآیندهای حقوقی، فناوری و زیرساخت، مالی و بسترهای کلان. آن چه در اولویت بندی پیشنهادی قابل توجه است، جامعیت شاخص های مدنظر در آن و توجه به ابعاد مختلف تجاری سازی می باشد. نتیجه گیری: فارغ از اولویت بندی عوامل موثر بر فرایند تجاری سازی سلامت همراه، نکته مهم در این چارچوب اهمیت شاخص های همگرایی فناوری با ساختار اقتصادی حاکم بر ساختار بهداشت و درمان کشور، انطباق فناوری با زیرساخت های محوری سلامت کشور و نحوه ترفیع فناوری سلامت همراه می باشد. 2 Introduction: Mobile phone, as a manifestation of modern communication technology, has a strong position in human life and is an integral part of daily life. The health industry is also one of the main areas where mobile penetration in the industry has resulted in surprising advances and various challenges. Mobile health (activities and medical operations supported by the mobile phone) serves as a digital assistant for information, health and personal care. Health commercialization is a global phenomenon and many health systems in the world are affected by it. The aim of this study was to prioritize the factors influencing the commercialization of mobile health. Methods: In this applied study, through reviewing studies in the field of mobile health commercialization, 31 leading indicators of mobile health commercialization were identified and after obtaining the opinions of experts and explorative factor analysis, the identified indicators were categorized in 6 dimensions and ranked using a fuzzy hierarchy analysis. Results: The obtained indicators were respectively, service development, market management, organization and legal processes, technology and infrastructure, finances and large substrates. What is noteworthy in the proposed prioritization compared to the studied documents is the comprehensiveness of the relevant indicators and consideration of the various dimensions of commercialization in relation to similar researches. Conclusion: Regardless of the prioritization of effective factors on mobile health commercialization, a noteworthy point in this framework is significant importance of convergence of this technology with the economic structure governing health care system of the country, agreement of the technology with basic health infrastructures and methods of improvement of mobile health technology that undoubtedly, each of them, by itself, is an important factor in mobile health commercialization.    35 43 2018/02/32017/10/12017/11/162018/01/23 1396/11/3 2018/06/102018/04/232018/05/72018/05/2 1397/2/12 مریم زمان پور بارکوسرائی Maryam Zamanpour Barkousaraei کارشناس ارشد مدیریت فناوری اطلاعات دانشگاه آزاد واحد تهران شمال، تهران، ایران ایران m.zamanpour@behdasht.gov.ir محمدرضا محسنی ازغندی Mohamadreza Mohseni Azghandi دکترای مدیریت صنعتی، استادیار، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران ایران m.zamanpour@behdasht.gov.ir غلامرضا گودرزی GholamReza Godarzi دکترای مدیریت، دانشیار دانشگاه امام صادق (ع)، تهران، ایران ایران mzamanpour@yahoo.com Commercialization Services Superior technology Mobile health تجاری سازی خدمات فناوری برتر سلامت همراه 1. Agarwal S, Perry HB, Long LA, Labrique AB. Evidence on feasibility and effective use of mHealth strategies by frontline health workers in developing countries: systematic review. Trop Med Int Health 2015;20(8):1003-14.##2. Torabi, M and Safdari, R. Electronic Health Secretariat of the Supreme Council of Information. 2009. [Persian].##3. Löhr H, Sadeghi AR, Winandy M. Securing the e-health cloud. Proceedings of the 1st ACM International Health Informatics Symposium; 2010 Nov 11-12; NewYork: ACM; 2010. p. 220-29. ##4. Ipektsidis, C. 2005. e-health in the European ::union::: an assessment of its socio-political foundations.##5. Alzagh, F, Rezaei Rad, M. The role of electronic health in the provision of health services, Scientific Journal of Medicine, School of Health. 2011. 11(4). [Persian].##6. Tabatabaiyan, S.H, Farnoodi, S.S. The Framework and Concepts of Top Technologies, Ministry of Industry and Mines, Center for Modern Industries. (2015). [Persian].##7. Konstantas D, Bults RG, Halteren Av, Wac KE, Jones VM, Widya IA, et al. Mobile Health Care: Towards a commercialization of research results. Bonn: Gesselschaft fuer Informatik (GI); 2006. p. 155-66.##8. Kwan, A. (2012). Using mobile technologies for healthier aging mHealth Alliance and Pfizer. ## ##

بهبود دقت در تشخیص احساسات با استفاده از سیگنال‌های EEG با نوآوری در ترکیب استخراج ویژگی New Feature Extraction Method for Precision Improvement in Emotion Detection Using EEG Signals 1 1 مقدمه: از آنجا که احساسات نقش مهمی در زندگی روزمره انسان بازی می‌کند، ایجاد روشی هوشمند جهت بهبود قابلیت تشخیص احساسات از سیگنال الکتروانفسالوگرافی (EEG)‌، مبتنی بر تکنیک‌های پردازش سیگنال، ضروری به نظر می رسد. به‌علاوه، استفاده از طبقه‌بند ماشین بردار پشتیبان بهینه شده با الگوریتم تکاملی ژنتیک، از نوآوری‌های این پژوهش در بخش طبقه‌بندی می‌باشد. روش: روش پیشنهادی با تمرکز بر روی استخراج و طبقه‌بندی ویژگی‌ها بر مبنای سیگنال‌های دریافتی از مغز سعی بر بهبود تشخیص احساسات دارد. در این راستا با شناسایی کانال‌های EEG که در استخراج ویژگی نقش دارند، از ویژگی‌های زمان – فرکانس سیگنال‌های EEG استفاده شده و این ویژگی‌ها توسط یک طبقه‌بند مناسب، طبقه‌بندی می‌شوند. الگوریتم پیشنهادی بر روی پایگاه داده DEAP که با ثبت سیگنال EEG از 32 شرکت‌کننده در هنگام تماشای 40 نوع ویدئو-موسیقی تهیه شده است، مورد آزمایش قرار گرفت. نتایج: نتایج به دست آمده نشان می‌دهد که انتخاب 7.5 ثانیه و 3 کانال از داده‌های ورودی، نتایج قابل قبولی را ارائه می‌دهد. به علاوه باعث کاهش حجم محاسبات و حافظه مورد نیاز برای پردازش شده و به دقت  86/93% در طبقه‌بندی 4 احساس دست یافته است. نتیجه‌گیری: بهبود دقت در تشخیص احساسات مبتنی بر سیگنال EEG گام‌های متعددی دارد که استخراج ویژگی‌های کارآمد و طبقه‌بندی مؤثر آن‌ها دو گام مهم در این راستا می‌باشد. بر اساس نتایج این تحقیق، در نظر گرفتن ویژگی‌های حوزه‌های زمان و فرکانس سیگنال‌های EEG و به کارگیری الگوریتم SVM چند کلاسه که توسط الگوریتم تکاملی ژنتیکی بهینه‌سازی شده است، عملکرد بهتری را فراهم می‌کند.   2 Introduction: Since emotions play an important role in human life, it requires providing an intelligent method to detect emotions using electroencephalogram (EEG) signal based on signal processing techniques. In addition, in this research, using support vector machine (SVM) classifier with genetic evolutionary algorithm is a novelty in classification part. Methods: The proposed method focuses on feature extraction and classification of received signals from brain to improve emotion detection. In this way, firstly, effective EEG channels are identified and then time and frequency features of EEG signals are extracted and classified by an appropriate classifier. The proposed method is applied on DEAP database which includes recorded EEG signals by 32 people watching and listening 40 videos and music.     Results: The experiments show that selection of 7.5 seconds and 3 EEG channels provides acceptable results. In addition, the proposed method reduces computations and required memory and results in 93.86% accuracy for 4 emotion classification.   Conclusion: Improvement in emotion detection based on EEG signals contains several steps in which effective features extraction and classification are two important steps. According to this research, using time-frequency features of EEG signals and optimized SVM classifier with genetic algorithm provides better results.     44 55 2018/02/32017/10/12017/11/162018/01/232018/02/3 1396/11/14 2018/06/102018/04/232018/05/72018/05/22018/04/22 1397/2/2 هانیه زمانیان Hanieh zamanian دانشجوی دکتری مهندسی برق مخابرات، گروه مخابرات، دانشکده برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران ایران hanieh.zamanian@birjand.ac.ir حسن فرسی hassan farsi استاد، دکترای مهندسی برق - مخابرات، دانشکده برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران ایران hfarsi@birjand.ac.ir Emotion recognition EEG signal neural network and support vector machine (SVM) تشخیص احساسات EEG شبکه‌های عصبی ماشین بردار پشتیبان 1. Mühl C, Allison B, Nijholt A, Chanel G. A survey of affective brain computer interfaces: principles, state-of-the-art, and challenges. Brain-Computer Interfaces 2014;1(2):66-84.##2. Zheng WL, Zhu JY, Lu BL. Identifying stable patterns over time for emotion recognition from EEG. IEEE Transactions on Affective Computing; IEEE; 2017.##3. Savran A, Çiftçi K, Chanel G, Rombaut M. Emotion Detection in the Loop from Brain Signals and Facial Images. Proceedings of the eNTERFACE; 2066 Jul 11-17; Dubrovnik, Croatia: 2006.##4. Chen L, Mao X, Xue Y, Cheng LL. Speech emotion recognition: Features and classification models. Digital Signal Processing 2012;22(6):1154-60. ##5. Jenke R, Peer A, Buss M. Feature extraction and selection for emotion recognition from EEG. IEEE Transactions on Affective Computing 2014; 5(3): 327 – 39.##6. Liu Y, Sourina O. Real-time fractal-based valence level recognition from EEG. Berlin, Heidelberg: Springer; 2013.##7. Wang XW, Nie D, Lu BL. EEG-based emotion recognition using frequency domain features and support vector machines. 18th International Conference, ICONIP; 2011 Nov 13-17; Shanghai, Chaina: 2011. p. 734–43.##8. Murugappan M, Rizon M, Nagarajan R, Yaacob S. Inferring of human emotional states using multichannel EEG. European Journal of Scientific Research 2010; 48(2): 281–99.##9. Takahashi K, Tsukaguchi A. Remarks on emotion recognition from multi-modal bio-potential signals. International Conference on Industrial Technology; 2003 Oct 8; Washington, DC, USA: IEEE; 2004. p. 1138-43.##10. Sleigh JW, Olofsen E, Dahan A, de Goede J, Steyn-Ross A. Entropies of the EEG: The effects of general anesthesia. 5th International Conference on Memory, Awareness and Consciousness; 2001 Jun 1-3; New York: 2001. p. 1-21.##11. Hjorth B. EEG analysis based on time domain properties. Electroencephalogr Clin Neurophysiol 1970;29(3):306-10.##12. Ansari-asl K, Chanel G, Pun T. A channel selection method for EEG classification in emotion assessment based on synchronization likelihood. 15th European Signal Processing Conference; 2007 Sep 3-7; Poznan, Poland, IEEE; 2007. p. 1241–5.##13. Horlings R, Datcu D, Rothkrantz L. Emotion recognition using brain activity. 9th International Conference on Computer Systems and Technologies and Workshop for PhD Students in Computing; 2008 Jun 12-13; Gabrovo, Bulgaria; ACM; 2008. p. 1–6.##14. Liu Y, Sourina O, EEG-based subject-dependent emotion recognition algorithm using fractal dimension. IEEE International Conference on Systems, Man, and Cybernetics (SMC); 2014 Oct 5-8; San Diego, CA, USA, IEEE; 2014. p. 3166 –71.##15. Kroupi E, Yazdani A, Ebrahimi T. EEG Correlates of Different Emotional States Elicited during Watching Music Videos. Berlin, Heidelberg: Springer; 2011.##16. Petrantonakis PC, Hadjileontiadis LJ. Emotion recognition from EEG using higher order crossings. IEEE Transactions on Information Technology in Biomedicine 2010; 14(2): 186- 97.##17. Petrantonakis PC, Hadjileontiadis LJ. A novel emotion elicitation index using frontal brain asymmetry for enhanced EEG-based emotion recognition. IEEE Trans Inf Technol Biomed 2011;15(5):737-46.##18. Hosseini S, Khalilzadeh M, Naghibi-Sistani M. Niazmand V. Higher Order Spectra Analysis of EEG Signals in Emotional Stress States. Second International Conference on Information Technology and Computer Science; 2010 Jul 24-25; Kiev, Ukraine: IEEE; 2010. p. 60–3.##19. Nie D, Wang XW, Shi LC, Lu BL. EEG-based emotion recognition during watching movies. 5th International IEEE/EMBS Conference on Neural Engineering; 2011 Apr-May 27-1; Cancun, Mexico: IEEE; 2011. p. 667–70.##20. Liu Y, Sourina O. EEG-based dominance level recognition for emotion-enabled interaction. International Conference on Multimedia and Expo; 2012 Jul Melbourne, VIC Australia: IEEE; 2012. p. 1039–44.##21. Reuderink B, Mühl C, Poel M. Valence, arousal and dominance in the EEG during game play. International Journal of Autonomous and Adaptive Communications Systems 2013; 6(1): 45–62.##22. Rozgić V, Vitaladevuni SN, Prasad R, Robust EEG emotion classification using segment level decision fusion. International Conference on Acoustics, Speech and Signal Processing; 2013 May 26-31; Vancouver, BC, Canada: IEEE; 2013. p. 1286–90.##23. Soleymani M, Kolestra S, Patras I, Pun T. Continuous emotion detection in response to music videos. IEEE International Conference on Automatic Face & Gesture Recognition and Workshops (FG 2011), 2011 IEEE International Conference on; 2011 Mar 21-25; Santa Barbara, CA, USA, USA: IEEE; 2011. p. 803–8. ##24. Stelios K, Hadjidimitriou LJ. Toward an EEG-based recognition of music liking using time-frequency analysis. IEEE Transactions on Biomedical Engineering 2012; 59(12): 3498 – 510.##25. Murugappan M, Nagarajan R, Yaacob S. Classification of human emotion from EEG using discrete wavelet transform. Journal of Biomedical Science and Engineering 2010; 3(4): 390–6. ##26. Hadjidimitriou SK, Hadjileontiadis LJ. Toward an EEG-based recognition of music liking using time-frequency analysis. IEEE Trans Biomed Eng 2012;59(12):3498-510.##27. Bajaj V, Pachori RB. Detection of Human Emotions Using Features Based on the Multiwavelet Transform of EEG Signals. In: Hassanien AE, Azar AT, editors. Brain-Computer Interfaces: Current Trends and Applications. Cham: Springer International Publishing; 2015. p. 215-40.##28. Liu Y, Sourina O. Real-Time Subject-Dependent EEG-Based Emotion Recognition Algorithm. In: Gavrilova ML, Tan CJK, Mao X, Hong L, editors. Transactions on Computational Science XXIII: Special Issue on Cyberworlds. Berlin, Heidelberg: Springer Berlin Heidelberg; 2014. p. 199-223.##29. Park MS, Oh HS, Sohn JH. Eeg-based emotion recogntion during emotionally evocative films. International Winter Workshop on Brain-Computer Interface (BCI); 2013 Feb 18-20; Gangwo, South Korea: IEEE; 2013. ##30. Kwon M, Kang JS M, Lee M. Emotion classification in movie clips based on 3D fuzzy GIST and EEG signal analysis. International Winter Workshop on Brain-Computer Interface (BCI); 2013 Feb 18-20; Gangwo, South Korea: IEEE; 2013. p. 67-8.##31. Chung SY, Yoon HJ. Affective classification using Bayesian classifier and supervised learning. 12th International Conference on Control, Automation and Systems; 2012 Oct 17-21; Jeju Island, Korea: IEEE; 2012. p. 1768‑71.##32. Hosseini SA, Khalilzadeh MA, Naghibi-Sistani MB, Homam SM. Emotional stress recognition using a new fusion link between electroencephalogram and peripheral signals. Iran J Neurol 2015;14(3):142-51.##33. Khosrowabadi R, Rahman AW. Classification of EEG correlates on emotion using features from Gaussian mixtures of EEG spectrogram. Proceeding of the 3rd International Conference on Information and Communication Technology for the Moslem World (ICT4M); 2010 Dec 13-14; Jakarta, Indonesia: IEEE; 2010.##34. Koelstra S, Muhl C, Soleymani M, Lee JS, Yazdani A, Ebrahimi, T, et al. DEAP: a database for emotion analysis ;using physiological signals. IEEE Transactions on Affective Computing 2012; 3(1): 18–31.##35. Vijayan AE, Sen D, Sudheer AP. EEG-based emotion recognition using statistical measures. IEEE International Conference on Computational Intelligence & Communication Technology; 2015 Feb 13-14; Ghaziabad, India: IEEE; 2015.##36. Struc V, Pavesic N. Gabor-based kernel partial-least-squares discrimination features for face recognition. Journal of Informatica 2009; 20 (1):115-38. ##37. Struc V, Pavesic N. From Gabor magnitude to gabor phase features: tackling the problem of face recognition under severe illumination changes. Face Recognition; 2010 Jan; Vienna, Austria: In-Tech; 2010. p. 215-38.##38. Zhang B, Shan S, Chen X, Gao W. Histogram of Gabor Phase Patterns (HGPP): a novel object representation approach for face recognition. IEEE Transactions on Image Processing 2007; 16(1): 57 – 68.##39. Huang NE, Shen Z, Long SR, Wu MC, Shih HH, Zheng Q, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings: Mathematical, Physical and Engineering Sciences 1998; 454(1971): 903–95.##40. Sharma R, Pachori RB. Classification of epileptic seizures in EEG signals based on phase space representation of intrinsic mode functions. Expert Systems with Applications 2014; 42(3): 1106–17.##41. Li M, Lu BL. Emotion classification based on gamma-band EEG. Conf Proc IEEE Eng Med Biol Soc 2009;1323-6.##42. Lin YP, Wang CH, Wu TL, Jeng SK, Duann JR, Chen JH. EEG-Based emotion recognition in music listening. IEEE Transactions on Biomedical Engineering 2010;57(7): 1798– 1806.## ##

مروری بر روش‌های پیش‌بینی سایت‌های تعامل کمپلکس‌های آنتی‌بادی–پروتئین مبتنی بر هوش مصنوعی A Review of Prediction Methods of Interaction Sites of Antibody-Protein Complexes Based on Artificial Intelligence 1 1 مقدمه: سرطان یکی از مهمترین چالش‌های بهداشتی قرن اخیر و آینده می‌باشد. طراحی داروهای ضدسرطان هدفمند، مبتنی بر آنتی‌بادی‌های مونوکلونال، نیازمند درک مکانیسم تعامل آنتی‌بادی–پروتئین در سطح باقی‌مانده‌ها است. اولین گام برای تولید آنتی‌بادی‌های مونوکلونال، پیش‌بینی ساختار آن‌ها می‌باشد. روش: در این مقاله، مهم‌ترین تحقیقات منتشر شده در پایگاه‌های اطلاعاتی PubMed، ScienceDirect، Springer و IEEE، برای پیش‌بینی سایت‌های تعامل کمپلکس‌های آنتی‌بادی-پروتئین و تعیین ساختار مؤثر آنتی‌بادی‌ها، به صورت ساختاریافته مورد بررسی قرار گرفت. معمولاً برای این منظور، از شبکه‌های عصبی مصنوعی یا وب‌سرورها استفاده می‌شود. به علاوه، برخی محققین نیز از الگوریتم‌های تکاملی برای پیش‌بینی ساختار مؤثر آنتی‌بادی‌ها استفاده نموده‌اند. بر این اساس، تعداد 14 روش مبتنی بر ساختار فضایی پروتئین‌ها، 28 روش مبتنی بر توالی اسیدهای آمینه (مستقل از ساختار فضایی) و 18 روش پیش‌بینی ساختار آنتی‌ژن/آنتی‌بادی مورد بررسی قرار گرفت. نتایج: مطالعه حاضر نشان داد که دقت روش‌های مبتنی بر ساختار فضایی تا 80‌% قابل افزایش می‌باشد؛ در حالی که دقت روش‌های پیش‌بینی مبتنی بر توالی اسیدهای آمینه به ندرت بهتر از 75‌% بود. از آنجا که ساختار فضایی بسیاری از آنتی‌بادی‌ها در دسترس نمی‌باشد؛ برخی محققین برای بهبود دقت (حتی تا 96%)، تنها از توالی آنتی‌بادی‌های مؤثر بر چند آنتی‌ژن مشابه در آموزش شبکه عصبی استفاده نموده‌اند؛ لذا با توجه به دقت بالای به دست آمده، پیشنهاد می‌شود که از روش اخیر برای پیش‌بینی ساختار آنتی‌بادی‌های مونوکلونال استفاده گردد. نتیجه­گیری: در این مقاله، پس از مرور روش‌های موجود برای پیش‌بینی سایت‌های تعامل آنتی‌بادی‌-پروتئین، پیشنهادهایی برای پیش‌بینی ساختار آنتی‌بادی‌های مونوکلونال پیشنهاد گردید. 2 Introduction: Cancer is one of the most important health issues in the current and next centuries. Understanding the mechanism of interaction between antibody-protein residues is essential for designing targeted anticancer drugs based on monoclonal antibodies. Prediction of the effective structure is the first step for production of monoclonal antibodies. Methods: This paper is a systematic review of the state-of-the-art researches on prediction of interaction sites and specification of antibody structures. Artificial neural networks or web servers are frequently used for evaluation of interaction sites while some researchers have employed evolutionary algorithms for prediction of the effective structure of antibodies. Accordingly, 14 methods based on the protein spatial structure, 28 researches based on the molecular amino-acide sequence (without usage of the spatial structure), and 18 antigen/antibody structure prediction techniques were reviewed. Results: We demonstrated that the accuracy of structure-based methods can be increased up to 80% while the acuracy of sequence-based methods was rarely better than 75%. Since the spatial structure of many antibodies is unknown, some researchers raised the accuracy (even to 96%) by only antibody sequences able to interact with some similar antigens in training neural networks. Therefore, we suggest this approach for structure prediction of monoclonal antibodies because of its adequate high accuracy. Conclusion: In this paper, after reviewing available methods for prediction of antibody-protein interaction sites, some suggestions were made for effective prediction of structure of monoclonal antibodies.   56 69 2018/02/32017/10/12017/11/162018/01/232018/02/32017/09/21 1396/6/30 2018/06/102018/04/232018/05/72018/05/22018/04/222018/03/1 1396/12/10 مرضیه عبدی Marzieh Abdi گروه مهندسی برق، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران ایران ma.abdi@stu.um.ac.ir مهدی سعادتمند طرزجان Mahdi Saadatmand-Tarzjan دکتری مهندسی پزشکی (بیوالکتریک)، استادیار آزمایشگاه تصویربرداری پزشکی، گروه مهندسی برق، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران ایران saadatmand@um.ac.ir محمد طاهر زاده ثانی Mohammad Taherzadeh Sani گروه مهندسی برق، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران ایران taherzadeh@um.ac.ir علیرضا حق پرست Alireza Haghparast گروه پاتوبیولوژی، دانشکده دامپزشکی، دانشگاه فردوسی مشهد، مشهد، ایران ایران haghparast@ferdowsi.um.ac.ir Immunology Monoclonal Antibodies Antibody-Protein Complexes Artificial Intelligence Neural Networks ایمونولوژی آنتی‌بادی‌های مونوکلونال کمپلکس آنتی‌بادی-پروتئین هوش مصنوعی شبکه‌های عصبی 1. Oldham RK, Dillman RO. Monoclonal antibodies in cancer therapy: 25 years of progress. J Clin Oncol 2008;26(11):1774-7.##2. Abbas AK, Lichtman AH. Cellular and Molecular Immunology. 9th ed. Canada: Elsevier/Saunders; 2017.##3. Scott AM, Wolchok JD, Old LJ. Antibody therapy of cancer. Nat Rev Cancer 2012;12(4):278-87.##4. Ofran Y, Rost B. Predicted protein-protein interaction sites from local sequence information. FEBS Lett 2003;544(1-3):236-9.##5. Keskin O, Tuncbag N, Gursoy A. Characterization and prediction of protein interfaces to infer protein-protein interaction networks. Curr Pharm Biotechnol 2008;9(2):67-76.##6. Zhou HX, Shan Y. Prediction of protein interaction sites from sequence profile and residue neighbor list. Proteins 2001;44(3):336-43.##7. Fariselli P, Pazos F, Valencia A, Casadio R. Prediction of protein--protein interaction sites in heterocomplexes with neural networks. Eur J Biochem 2002;269(5):1356-61.##8. Koike A, Takagi T. Prediction of protein-protein interaction sites using support vector machines. Protein Eng Des Sel 2004;17(2):165-73. ##9. Bordner AJ, Abagyan R. Statistical analysis and prediction of protein-protein interfaces. Proteins 2005;60(3):353-66. ##10. Wang B, Chen P, Huang DS, Li JJ, Lok TM, Lyu MR. Predicting protein interaction sites from residue spatial sequence profile and evolution rate. FEBS Lett 2006;580(2):380-4. ##11. Chung JL, Wang W, Bourne PE. Exploiting sequence and structure homologs to identify protein-protein binding sites. Proteins 2006;62(3):630-40.##12. Nguyen MN, Rajapakse JC. Protein-Protein Interface Residue Prediction with SVM Using Evolutionary Profiles and Accessible Surface Areas. Symposium on Computational Intelligence and Bioinformatics and Computational Biology; 2006 Sep 28-29; Toronto, Ont., Canada: IEEE; 2007.##13. Dong Q, Wang X, Lin L, Guan Y. Exploiting residue-level and profile-level interface propensities for usage in binding sites prediction of proteins. BMC Bioinformatics 2007;8:147.##14. Li N, Sun Z, Jiang F. Prediction of protein-protein binding site by using core interface residue and support vector machine. BMC Bioinformatics 2008;9:553.##15. Liu B, Wang X, Lin L, Tang B, Dong Q, Wang X, Prediction of protein binding sites in protein structures using hidden Markov support vector machine. BMC Bioinformatics 2009; 10:381. ##16. Sikic M, Tomic S, Vlahovicek K. Prediction of protein-protein interaction sites in sequences and 3D structures by random forests. PLoS Comput Biol 2009;5(1):e1000278.##17. Chen Y, Xu J, Yang B, Zhao Y, He W. A novel method for prediction of protein interaction sites based on integrated RBF neural networks. Comput Biol Med 2012;42(4):402-7. ##18. Li BQ, Feng KY, Chen L, Huang T, Cai YD. Prediction of protein-protein interaction sites by random forest algorithm with mRMR and IFS. PLoS One 2012;7(8):e43927. ##19. Hwang H, Vreven T, Weng Z, Binding interface prediction by combining protein–protein docking results. Proteins 2014; 82(1): 57–66.##20. Bock JR, Gough DA. Predicting protein--protein interactions from primary structure. Bioinformatics 2001;17(5):455-60. ##21. Yan C, Honavar V, Dobbs D. Identification of interface residues in protease-inhibitor and antigen-antibody complexes: a support vector machine approach. Neural Comput Appl 2004;13(2):123-9.##22. Res I, Mihalek I, Lichtarge O. An evolution based classifier for prediction of protein interfaces without using protein structures. Bioinformatics 2005;21(10):2496-501.##23. Ofran Y, Rost B. ISIS: interaction sites identified from sequence. Bioinformatics 2007;23(2):e13-6.##24. Chen XW, Jeong JC. Sequence-based prediction of protein interaction sites with an integrative method. Bioinformatics 2009;25(5):585-91.##25. Goffard N, Garcia V, Iragne F, Groppi A, de Daruvar A. IPPRED: server for proteins interactions inference. Bioinformatics 2003;19(7):903-4.##26. Neuvirth H, Raz R, Schreiber G. ProMate: a structure based prediction program to identify the location of protein-protein binding sites. J Mol Biol 2004;338(1):181-99. ##27. Chen H, Zhou HX. Prediction of interface residues in protein-protein complexes by a consensus neural network method: test against NMR data. Proteins 2005;61(1):21-35. ##28. Bradford JR, Westhead DR. Improved prediction of protein-protein binding sites using a support vector machines approach. Bioinformatics 2005;21(8):1487-94. ##29. de Vries SJ, van Dijk AD, Bonvin AM. WHISCY: what information does surface conservation yield? Application to data-driven docking. Proteins 2006;63(3):479-89. ##30. Porollo A, Meller J. Prediction-based fingerprints of protein-protein interactions. Proteins 2007;66(3):630-45.##31. Kufareva I, Budagyan L, Raush E, Totrov M, Abagyan R. PIER: protein interface recognition for structural proteomics. Proteins 2007;67(2):400-17.##32. Murakami Y, Mizuguchi K. Applying the Naive Bayes classifier with kernel density estimation to the prediction of protein-protein interaction sites. Bioinformatics 2010;26(15):1841-8.##33. Huang J, Deng R, Wang J, Wu H, Xiong Y, Wang X. metaPIS: a sequence-based meta-server for protein interaction site prediction. Protein Pept Lett 2013;20(2):218-30. ##34. Liang S, Zhang C, Liu S, Zhou Y. Protein binding site prediction using an empirical scoring function. Nucleic Acids Res 2006;34(13):3698-707.##35. Qin S, Zhou HX. meta-PPISP: a meta web server for protein-protein interaction site prediction. Bioinformatics 2007;23(24):3386-7. ##36. Aloy P, Russell RB. InterPreTS: protein interaction prediction through tertiary structure. Bioinformatics 2003;19(1):161-2. ##37. Dominguez C, Boelens R, Bonvin AM. HADDOCK: a protein-protein docking approach based on biochemical or biophysical information. J Am Chem Soc 2003;125(7):1731-7.##38. Schneidman-Duhovny D, Inbar Y, Polak V, Shatsky M, Halperin I, Benyamini H, et al. Taking geometry to its edge: fast unbound rigid (and hinge-bent) docking. Proteins 2003;52(1):107-12.##39. Comeau SR, Gatchell DW, Vajda S, Camacho CJ. ClusPro: an automated docking and discrimination method for the prediction of protein complexes. Bioinformatics 2004;20(1):45-50.##40. Tovchigrechko A, Vakser IA. GRAMM-X public web server for protein-protein docking. Nucleic Acids Res 2006;34(Web Server issue):W310-4. ##41. Mashiach E, Schneidman-Duhovny D, Andrusier N, Nussinov R, Wolfson HJ. FireDock: a web server for fast interaction refinement in molecular docking. Nucleic Acids Res 2008;36(Web Server issue):W229-32.##42. Lyskov S, Gray JJ. The RosettaDock server for local protein-protein docking. Nucleic Acids Res 2008;36(Web Server issue):W233-8.##43. Singh R, Park D, Xu J, Hosur R, Berger B. Struct2Net: a web service to predict protein-protein interactions using a structure-based approach. Nucleic Acids Res 2010;38(Web Server issue):W508-15.##44. Macindoe G, Mavridis L, Venkatraman V, Devignes MD, Ritchie DW. HexServer: an FFT-based protein docking server powered by graphics processors. Nucleic Acids Res 2010;38(Web Server issue):W445-9.##45. de Vries SJ, Bonvin AM. CPORT: a consensus interface predictor and its performance in prediction-driven docking with HADDOCK. PloS one 2011;6(3):e17695. ##46. Jimenez-Garcia B, Pons C, Fernandez-Recio J. pyDockWEB: a web server for rigid-body protein-protein docking using electrostatics and desolvation scoring. Bioinformatics 2013;29(13):1698-9.##47. Resch W, Hoffman N, Swanstrom R. Improved success of phenotype prediction of the human immunodeficiency virus type 1 from envelope variable loop 3 sequence using neural networks. Virology 2001;288(1):51-62. ##48. Chen J, Liu H, Yang J, Chou KC. Prediction of linear B-cell epitopes using amino acid pair antigenicity scale. Amino Acids 2007;33(3):423-8.##49. Saha S, Raghava GP. Prediction of continuous B-cell epitopes in an antigen using recurrent neural network. Proteins 2006;65(1):40-8.##50. Kulkarni-Kale U, Bhosle S, Kolaskar AS. CEP: a conformational epitope prediction server. Nucleic Acids Res 2005;33(Web Server issue):W168-71.##51. Haste Andersen P, Nielsen M, Lund O. Prediction of residues in discontinuous B-cell epitopes using protein 3D structures. Protein Sci 2006;15(11):2558-67.##52. Ponomarenko J, Bui HH, Li W, Fusseder N, Bourne PE, Sette A, et al. ElliPro: a new structure-based tool for the prediction of antibody epitopes. BMC Bioinformatics 2008;9:514.##53. Rubinstein ND, Mayrose I, Martz E, Pupko T. Epitopia: a web-server for predicting B-cell epitopes. BMC Bioinformatics 2009; 10: 287.##54. Liang S, Zheng D, Zhang C, Zacharias M. Prediction of antigenic epitopes on protein surfaces by consensus scoring. BMC Bioinformatics 2009;10:302.##55. Liang S, Zheng D, Standley DM, Yao B, Zacharias M, Zhang C. EPSVR and EPMeta: prediction of antigenic epitopes using support vector regression and multiple server results. BMC Bioinformatics 2010;11:381.##56. Sun J, Wu D, Xu T, Wang X, Xu X, Tao L, et al. SEPPA: a computational server for spatial epitope prediction of protein antigens. Nucleic Acids Res 2009;37(Web Server issue):W612-6. ##57. Zhang W, Xiong Y, Zhao M, Zou H, Ye X, Liu J. Prediction of conformational B-cell epitopes from 3D structures by random forests with a distance-based feature. BMC Bioinformatics 2011;12:341.##58. Mahmoudi M, Khademi M, Mirsalehi M, Taherzadeh-Sani M, Azemi A, Naghibi MB. Determination of effective structures of antibodies in binding to DNA using artificial neural networks. Iranian Journal of Basic Medical Sciences 2004; 6(4):315–22. Persian##59. Taherzadeh M, Mirsalehi M, Khademi M, Mahmoudi M, Naghibi MB, Azemi A. Usage of the genetic algorithm and multi-layer perceptron to predict effective structures for antibody binding, Amirkabir 2004; 33(1). Persian ##60. Abdi M, Saadatmand-Tarzjan M, Taherzadeh M, Haghparast A. The new algorithm for for determining antibodies effective to HIV using support vector machine. 1st National E-Conference of Technology Development on Electrical, Electronics and Computer Engineering; 2015 Feb 15; Mashhad: Ferdowsi University of Mashhad; 2015##61. Kunik V, Ashkenazi S, Ofran Y. Paratome: an online tool for systematic identification of antigen-binding regions in antibodies based on sequence or structure. Nucleic Acids Res 2012;40(Web Server issue):W521-4.##62. Olimpieri P, Chailyan A, Tramontano A, Marcatili P. Prediction of site-specific interactions in antibody-antigen complexes: the proABC method and server. Bioinformatics 2013; 29(18): 2285–91.##63. Krawczyk K, Baker T, Shi J, Deane CM. Antibody i-Patch prediction of the antibody binding site improves rigid local antibody-antigen docking. Protein Eng Des Sel 2013;26(10):621-9. ##64. Asti L, Uguzzoni G, Marcatili P, Pagnani A. Maximum-Entropy Models of Sequenced Immune Repertoires Predict Antigen-Antibody Affinity. PLoS Comput Biol 2016;12(4):e1004870.## ##

مستندسازی گزارش‌های پرستاری با استفاده از فناوری تشخیص گفتار ( مزایا، موانع و چالش‌ها و تسهیلگرها) Documenting Nursing Reports Using Speech Recognition Technology: Benefits, Barriers, Challenges and Facilitators 1 1 مقدمه: مستندسازی گزارش‌های پرستاری و ثبت داده‌ها یکی از اولین و مهم‌ترین وظایف پرستاران محسوب می‌شود. فناوری تشخیص گفتار به عنوان یکی از فناوری‌های مؤثر بر مستندسازی پرستاری معرفی شده که با آزادسازی زمان پرستاران برای نوشتن مستندات از تعامل پرستار و بیمار و نیز آموزش آن‌ها حمایت می‌کند. این مطالعه با هدف شناسایی مزایا، موانع و تسهیل‌کننده‌های استفاده از این فناوری در مستندسازی گزارش‌های پرستاری انجام شد.  روش: در این مطالعه به روش مروری، مطالعات مختلف استفاده از فناوری تشخیص گفتار در حوزه پرستاری در سال‌های 1990 تا سال 2017 در پایگاه‌های اطلاعاتیPubMed, Science Direct, Google Scholar, Magiran, SID  بررسی و نهایتاً 10 مطالعه در مرور متون وارد شد. معیار ورود مقالات زبان فارسی یا انگلیسی، پیاده‌سازی سیستم تشخیص گفتار در حوزه پرستاری و گزارش دادن، یکی از ابعاد مورد‌نظر این مطالعه بود. نتایج: در بررسی مطالعات مختلف بهبود گردش کار با بیشترین فراوانی از اهمیت بیشتری در بین مزایا برخودار بود. پس از بررسی موانع کاهش دقت نرم‌افزارهای تشخیص گفتار به عنوان اولین مانع و در اولویت بعدی تأثیر نویزهای محیطی قرار داشت. آموزش کافی و استفاده از ابزارهای مناسب نیز مهم‌ترین تسهیلگرهای استفاده از این فناوری می‌باشند. نتیجه‌گیری: مدیران بیمارستان‌ها، مدیران پرستاری و مسئولین فناوری اطلاعات بیمارستان‌ها با کمک نتایج این مطالعه می‌توانند رفتار آگاهانه‌تری در انتخاب و پیاده‌سازی سیستم تشخیص گفتار برای مستندسازی گزارش‌های پرستاری داشته باشند. در نتیجه از کاهش بهره‌وری به دلیل عدم دقت در تشخیص صدا، عدم بهبود کیفیت مستندسازی گزارش‌های پرستاری، افزایش حجم کاری پرستاران و درگیری آن‌ها در فعالیت‌های غیرمستقیم مراقبتی جلوگیری نمایند.   2 Introduction: Documenting nursing reports and recording data are among the first and most important tasks of nurses. Speech recognition technology has been introduced as one of the most effective technologies in nursing documentation, which supports the nursing and patient interaction as well as the training of nurses through saving nurses' time. This study aimed to identify the benefits, barriers and facilitators of using this technology in documenting nursing reports. Methods: In this review study, various studies on the use of speech recognition technology in the field of nursing documentation published from 1990 to 2017 were reviewed at Pubmed, Science Direct, Google Scholar, Magiran, SID databases and, finally, ten papers were included in the review. The inclusion criteria were studies published in Persian or English language and the implementation of the speech recognition system in the field of nursing documentation and reporting. Results: Improvement of workflow, with the highest frequency, was the most important benefit. Reduction of the accuracy of speech recognition software was the first mentioned barrier of using this technology followed by the impact of environmental noises. Sufficient training and use of appropriate tools were found as the most important facilitators of using this technology. Conclusion: This study helps hospital managers, nursing managers and IT managers of hospitals to better manage selection and implementation of speech recognition system for documenting nursing reports. As a result, reducing productivity due to inaccuracy in voice recognition, lack of improvement in the quality of documentation of nursing reports, increasing the workload of nurses and their involvement in indirect care activities can be prevented.   70 82 2018/02/32017/10/12017/11/162018/01/232018/02/32017/09/212018/01/1 1396/10/11 2018/06/102018/04/232018/05/72018/05/22018/04/222018/03/12018/05/7 1397/2/17 مهدیه کمالی mahdieh kamali کارشناس ارشد، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی ایران، تهران، ایران ایران kamali.m.yas@gmail.com عباس شیخ طاهری Abbas Sheikhtaheri دکترای مدیریت اطلاعات سلامت، استادیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی ایران، تهران، ایران ایران tt_taheri@yahoo.com Speech recognition Nursing documentation Nursing reports Nursing notes Benefits Barriers Challenges Facilitator تشخیص گفتار مستندسازی پرستاری گزارش‌های پرستاری یادداشتهای پرستاری تأثیرات موانع چالش‌ها تسهیلگر 1. Ahmadi M, Gorzin Z, Khoshgam M. Nurses Needs Assessment on Methods of Documentation in Electronic Health Records. Hakim Health Sys Res 2013;16(3):251-7. Persian##2. Jafari Golestan N, Dadgari F. The computer records replace paper records in nursing documentation. Journal of Nursing Iran's Army 2011;11(1):20-4. Persian ##3. Kahouei M, Babamohamadi HD. Experiences of nurses in impact of nursing information system on nursing services efficiency. Health Inf Manage 2013 10(2):201-12. Persian##4. Yen PY, Gorman P. Usability testing of digital pen and paper system in nursing documentation. AMIA Annual Symposium proceedings AMIA Symposium 2005:844-8.##5. Carter-Wesley J. Voice recognition dictation for nurses. J Nurs Adm 2009;39(7-8):310-2.##6. Ghazanfari Z, Sheykhpour-khani M, Haghdoost A-A. Nurse’s knowledge and practice of the principles of nursing documentation at hospitals of Kerman University of Medical Sciences. Iran Journal of Nursing 2009;22(59):15-22. Persian##7. Rozitalab M, Azimi S, Mobaraaki A, Mohebbi Z. The quality of recording the nursing report at Emam Sajjad and Beheshti hospital Yasouj 2006. Faslname Dena 2008;3(2):61-71. Persian##8. Dehghani M, Hayavie Haghighi M, Tayary N, Khorami F. Nurses’ organizational behavior and their quality of documentation. Journal of Nursing Education 2015;3(4):68-80. Persian##9. Askari Majdabadi HD, Kahouei M. Survey of the quality of nursing practice of documentation to determine their training needs and providing them with a program of quality promotion. Journal of Sabzevar University of Medical Sciences 2003;10(4):61-8. Persian##10. Zafar kargar Yazdi S, Shayeste S, Kazemi E, editors. A study on the role of computerized medical records system to improve patient safety. The First Student Congress of Clinical Governance and Continuous Quality Improvement; 2012 May 16-17; Tabtiz: Tabtiz University of Medical Sciences; 2012. Persian ##11. Varzeshnezhad M, Rasouli M, Zagheri tafreshi M, Kashef Ghorbavpour R. Validation of Mapping and Usage Ability of Clinical Care Classification System in Nursing Documentation in Neonatal Intensive Care Units. Health Inf Manage 2013; 10(5):654. Persian##12. Sheikhtaheri A, Kimiafar K, Sarbaz M. Evaluation of system quality of hospital information system: a case study on nurses' experiences. Stud Health Technol Inform 2014;205:960-4.##13. Baker RH. Voice recognition assists clinicians [cited 2010 May 3]. Available from: http://www.healthmgttech.com/voice-recognition-assists-clinicians.php.##14. Sheykhotayefeh M. Role of wireless based technologies in hospital information systems. IHMA 2012;7(2):54-62. Persian ##15. Ghazisaeedi M, Safdari R, Kalantar-Hormozi A, Shahmoradi L, Sadeghi F. The design of a reconstructive hand surgery text database based on a speech recognition system [dissertation]. Tehran University of Medical Sciences; 2013. Persian##16. Mohammad Ghasaby M, Masudi Alavi N. Quality and barriers against nursing documentation in Kashan Shahid Beheshti Hospital (2011). Mod Care J 2012;9(4):336-43. Persian##17. Suominen H, Hanlen L, Goeuriot L, Kelly L, Jones G. Task 1a of the CLEF eHealth evaluation lab 2015: Clinical speech recognition. CLEF; 2015.##18. Suominen H, Ferraro G. Noise in speech-to-text voice: analysis of errors and feasibility of phonetic similarity for their correction. In Proceedings of the Australasian Language Technology Association Workshop; 2013. p. 34-42.##19. Marinis M, Piredda M, Pascarella M, Vincenzi B, Spiga F, Tartaglini D, Alvaro R, Matarese, M. 'If it is not recorded, it has not been done!'? consistency between nursing records and observed nursing care in an Italian hospital. J Clin Nurs 2010;19(11-12):1544-52.##20. Lake S. Current State of Voice Recognition Charting Current State of Voice Recognition Charting: University of Utah; 2013.##21. Forrester DA, Fowler S, Gaidemak H, Alves F. Voice communications technology: healthcare provider perceptions and satisfaction. American Nurse Today Journal 2011;6(2):1-9.##22. Kuwahara N, Noma H, Tetsutani N, Kogure K, Hagita N, Iseki H. Wearable Auto-Event-Recording of Medical Nursing. IOS Press; 2003. p. 805-8.##23. Dawson L, Johnson M, Suominen H, Basilakis J, Sanchez P, Estival D, et al. A usability framework for speech recognition technologies in clinical handover: a pre-implementation study. J Med Syst 2014;38(6):56. ##24. Dunphy H, Finlay JL, Lemaire J, Macnairn I, Wallace JE. Hands-free communication technology: a benefit for nursing? J Nurs Adm 2011;41(9):365-8.##25. Fratzke J, Tucker S, Shedenhelm H, Arnold J, Belda T, Petera M. Enhancing nursing practice by utilizing voice recognition for direct documentation. J Nurs Adm 2014;44(2):79-86.##26. Suominen H, Zhou L, Hanlen L, Ferraro G. Benchmarking clinical speech recognition and information extraction: new data, methods, and evaluations. JMIR Med Inform 2015;3(2):e19.##27. Johnson M, Suominen H, Hanlen L, Dawson L, Basilakis J, Yeo A, et al. Using speech-to-text (STT) technology in nursing health communication. CSIRO; 2011.##28. Suominen H, Johnson M, Zhou L, Sanchez P, Sirel R, Basilakis J, et al. Capturing patient information at nursing shift changes: methodological evaluation of speech recognition and information extraction. J Am Med Inform Assoc 2015;22(e1):e48-66.##29. Suominen H, Basilakis J, Johnson M, Sanchez P, Dawson L, Hanlen L, et al. Preliminary evaluation of speech recognition for capturing patient information at nursing shift changes. The 4th International Louhi Workshop on Health Document Text Mining and Information Analysis; 2013; Sydney, Australia: NICTA; 2013. p.1-6.##30. Force AT. Speech Recognition in the Electronic Health Record. AHIMA(American Health Information Management Association); 2003.##31. Weiss DL, Kim W, Branstetter BF, Prevedello LM. Radiology reporting: a closed-loop cycle from order entry to results communication. J Am Coll Radiol 2014;11(12 Pt B):1226-37.##32. Vogel M, Kaisers W. Analysis of documentation speed using web-based medical speech recognition technology: randomized controlled trial. J Med Internet Res 2015;17(11):e247.##33. Pothier D, Monteiro P, Mooktiar M, Shaw A. Pilot study to show the loss of important data in nursing handover. Br J Nurs 2005;14(20):1090-3.##34. Deng Y, Li X, Kwan C, Raj B, Stern R. Continuous feature adaptation for non-native speech recognition. International Journal of Signal Processing 2006;3(4):230-7.##35. Sadoughi F, Sheikhtaheri A. Applications of Artificial intelligence in clinical decision-making:##opportunities and challenges. Health Information Management 2011; 8(3): 440-45. Persian##36. Bansal S, Bahety R. Speech Recognition System; 2013. [cited 2014 May 16] Available from: https://cseweb.ucsd.edu/classes/fa06/cse237a/finalproj/ruchi.pdf##37. Gaudard C, Aradilla G, Bourlard H. Speech Recognition based on Template Matching and Phone Posterior Probabilities. IDIAP Research Institute; 2007. [cited 2009 Jun 27]. Available from: http://publications.idiap.ch/downloads/reports/2007/gaudard-idiap-com-07-02.pdf##38. Beats J, Brouch K, Bugdanowitz L, Johnson M, Korn-Smith N, Lucci S, et al. Speech Recognition in the Electronic Health Record. [cited 2013 Sep 3]. Available from: http://library.ahima.org/doc?oid=300181#.WwzeJIoVTIU##39. White KS. Speech recognition implementation in radiology. Pediatric Radiology 2005;35(9):841-6.##40. Kimiafar K, Sadoughi F, Sheikhtaheri A, Sarbaz M. Prioritizing factors influencing nurses' satisfaction with hospital information systems: a fuzzy analytic hierarchy process approach. Comput Inform Nurs 2014;32(4):174-81.##41. Prevedello LM, Ledbetter S, Farkas C, Khorasani R. Implementation of speech recognition in a community-based radiology practice: effect on report turnaround times. J Am Coll Radiol 2014;11(4):402-6.## ##

سیستم های اطلاعات جغرافیایی در سلامت: معرفی و کاربرد آن‌ها Geographical Information Systems in Health: Introduction and Application 1 1 با توجه به اینکه مقاله از نوع نامه به سردبیر است،فاقد چکیده می باشد.   2 The paper is a letter to editor, so it does not have an abstract.   83 84 2018/02/32017/10/12017/11/162018/01/232018/02/32017/09/212018/01/12018/04/4 1397/1/15 2018/06/102018/04/232018/05/72018/05/22018/04/222018/03/12018/05/72018/04/12 1397/1/23 بهزاد کیانی Behzad Kiani دکترای انفورماتیک پزشکی، استادیار، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران kianib@mums.ac.ir Geographical information systems Spatial data Spatial analysis Health geography سیستم اطلاعات جغرافیایی داده مکانی تحلیل مکانی جغرافیای سلامت 1. Snow J. On the Mode of Communication of Cholera London: John Churchill; 1855.##2. Ling L, Tamer OM. Encyclopedia of Database Systems: Springer; 2009. ##3. Sanati NA, Sanati M. Growing interest in use of geographic information systems in health and healthcare research: a review of PubMed from 2003 to 2011. JRSM Short Rep 2013;4(6):2042533313478810.##4. Kiani B, Bagheri N, Tara A, Hoseini B, Tabesh H, Tara M. Revealed access to haemodialysis facilities in northeastern Iran: Factors that matter in rural and urban areas. Geospat Health 2017;12(2):584. ##5. McLafferty SL. GIS and health care. Annu Rev Public Health 2003;24:25-42. ##6. Kiani B, Bagheri N, Tara A, Hoseini B, Tara M. Haemodialysis services in the northeastern region of Iran. Geospat Health 2017 11;12(1):561.##7. MIE2018. Submission Classification System [2018 Apr 2]. Available from:http://mie2018.org/ #### ##