1397 5 2 16 324

ارزیابی تأثیر انتخاب ویژگی و توابع کرنل مختلف در عملکرد SVM برای تشخیص سرطان پستان Evaluation of the Effect of Feature Selection and Different kernel Functions on SVM Performance for Breast Cancer Diagnosis 1 1 مقدمه: سرطان پستان یکی از رایج ترین سرطان ها در میان زنان است. در تصاویر ماموگرافی، تشخیص تومورهای خوش خیم از بدخیم به دلیل شباهت ساختاری کاری دشوار و زمان بر است. یادگیری ماشین یک شاخه از هوش مصنوعی است که میتواند به صورت ابزاری کمکی در کنار پزشک قرار گیرد و آنها را در تصمیم گیری یاری کند. ماشین بردار پشتیبان SVM یکی از رایج ترین روش های یادگیری ماشین است که عملکرد آن به نوع تابع کرنل و ویژگی های ورودی وابسته است. هدف این مطالعه، بررسی تأثیر انتخاب ویژگی و توابع کرنل مختلف در عملکرد SVM میباشد. روش: این مطالعه از نوع تحلیلی بود و با روش مقایسه ای انجام گرفت. انتخاب بهترین ویژگی ها توسط الگوریتم ژنتیک انجام شد. سپس SVM با توابع کرنلی مختلف شامل چندجمله ای، خطی، توابع شعاعی پایه، درجه دو و پرسپترون چندلایه ابتدا با تمام ویژگیها و سپس با ویژگیهای منتخب آموزش و ارزیابی شد. به منظور ارزیابی عملکرد طبقه بندها از مجموعه داده سرطان پستان ویسکانسین و پیاده سازی مدل ها در متلب انجام شد. نتایج: نتایج نشان داد که بعد از انتخاب ویژگی عملکرد SVM با تابع کرنل پرسپترون چندلایه کاهش و با تابع کرنل درجه دو افزایش یافت. با این حال، عملکرد توابع کرنل خطی و تابع شعاعی پایه در هر دو حالت مطلوب بود. به طور کلی، بعد از کاهش بعد، بهترین مقدار دقت، ویژگی، حساسیت و صحت به ترتیب به میزان 0/663 ،0/833 ،1/077 و 0/138 درصد کاهش یافت. نتیجه گیری: روش های مبتنی بر تکنیک های یادگیری ماشین می توانند پزشکان را در تصمیم گیری برای درمان یا تشخیص بیماری یاری کنند. 2 Introduction: Breast cancer is one of the most common cancers affecting women. In mammography, differentiating a malignant tumor from a benign one is a very tedious task due to their structural similarities. Machine Learning (ML) is a subfield of Artificial Intelligence that can be used as an effective tool to help physicians to make decisions. Support vector machine (SVM) is one of the most common ML techniques that its performance depends on kernel parameters tuning and input features. The aim of this study was to investigate the effect of feature selection and different kernel functions on SVM performance. Methods: This analytic study was performed through comparative method. Genetic algorithm was used for feature selection. SVM models based on different kernel functions, including polynomial, Linear, Radial Basis Function (RBF), Quadratic and Multi-Layer Perceptron (MLP), were first performed with all features and then, with the selected features. The Wisconsin original breast cancer data set was used as a training set to evaluate the performance of the classifiers. All implementations were done in MATLAB environment. Results: According to the obtained results, by applying feature selection, the performance of SVM with MLP kernel function decreased and with quadratic kernel function increased. However, the performances of the linear and RBF kernels were desirable in both conditions. Generally, after the dimension reduction, the best accuracy, specificity, sensitivity and accuracy were dropped by 0.663, 0.833, 1.077 and 0.138 percent respectively. Conclusion: The ML-based methods can help physicians in diagnosis and decision makings for treatment. 244 251 2018/02/18 1396/11/29 2018/07/12 1397/4/21 اعظم اروجی Azam Orooji دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران orooji_9898@yahoo.com مصطفی لنگری زاده Mostafa Langarizadeh دکترای تخصصی انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران langarizadeh2001@yahoo.com Machine Learning Dimension reduction Clinical decision support systems Early cancer diagnosis یادگیری ماشین کاهش بعد سیستم‌های پشتیبان تصمیم بالینی تشخیص زودهنگام سرطان 1. Gatuha G, Jiang T. Evaluating Diagnostic Performance of Machine Learning Algorithms on Breast Cancer. In: He X, Gao X, Zhang Y, Zhou Z-H, Liu Z-Y, Fu B, et al., editors. Intelligence Science and Big Data Engineering Big Data and Machine Learning Techniques: 5th International Conference, IScIDE 2015, Suzhou, China, June 14-16, 2015, Revised Selected Papers, Part II. Cham: Springer International Publishing; 2015. p. 258-66.##2. Mittal D, Gaurav D, Roy SS. An effective hybridized classifier for breast cancer diagnosis. IEEE International Conference on Advanced Intelligent Mechatronics (AIM); Busan, South Korea: IEEE; 2015. p. 1026-31.##3. Dramićanin T, Lenhardt L, Zeković I, Dramićanin MD. Support Vector Machine on Fluorescence Landscapes for Breast Cancer Diagnostics. Journal of Fluorescence. 2012;22(5):1281-9.##4. Liou D-M, Chang W-P. Applying Data Mining for the Analysis of Breast Cancer Data. In: Fernández-Llatas C, García-Gómez JM, editors. Data Mining in Clinical Medicine. New York, NY: Springer New York; 2015. p. 175-89.##5. Bazazeh D, Shubair R, editors. Comparative study of machine learning algorithms for breast cancer detection and diagnosis. 5th International Conference on Electronic Devices, Systems and Applications (ICEDSA); 2016 6-8 Dec. 2016; United Arab Emirates.##6. Kourou K, Exarchos TP, Exarchos KP, Karamouzis MV, Fotiadis DI. Machine learning applications in cancer prognosis and prediction. Computational and Structural Biotechnology Journal. 2015;13(Supplement C):8-17.##7. Kumar KS, Sitamahalakshmi T. Performance Variation of Support Vector Machine and Probabilistic Neural Network in Classification of Cancer Datasets. International Journal of Applied Engineering Research. 2016;11(4):2224-34.##8. Mert A, #x131, #x131, #xe7, N, Bilgili E, et al. Breast Cancer Detection with Reduced Feature Set. Computational and Mathematical Methods in Medicine. 2015;2015:11.##9. Goodarzi M, dos Santos Coelho L. Firefly as a novel swarm intelligence variable selection method in spectroscopy. Analytica Chimica Acta. 2014;852(Supplement C):20-7.##10. Sewak M, Vaidya P, Chan CC, Zhong-Hui D, editors. SVM Approach to Breast Cancer Classification. Second International Multi-Symposiums on Computer and Computational Sciences (IMSCCS); 2007 13-15 Aug. 2007; USA IEEE.##1. Gatuha G, Jiang T. Evaluating Diagnostic Performance of Machine Learning Algorithms on Breast Cancer. In: He X, Gao X, Zhang Y, Zhou Z-H, Liu Z-Y, Fu B, et al., editors. Intelligence Science and Big Data Engineering Big Data and Machine Learning Techniques: 5th International Conference, IScIDE 2015, Suzhou, China, June 14-16, 2015, Revised Selected Papers, Part II. Cham: Springer International Publishing; 2015. p. 258-66.##2. Mittal D, Gaurav D, Roy SS. An effective hybridized classifier for breast cancer diagnosis. IEEE International Conference on Advanced Intelligent Mechatronics (AIM); Busan, South Korea: IEEE; 2015. p. 1026-31.##3. Dramićanin T, Lenhardt L, Zeković I, Dramićanin MD. Support Vector Machine on Fluorescence Landscapes for Breast Cancer Diagnostics. Journal of Fluorescence. 2012;22(5):1281-9.##4. Liou D-M, Chang W-P. Applying Data Mining for the Analysis of Breast Cancer Data. In: Fernández-Llatas C, García-Gómez JM, editors. Data Mining in Clinical Medicine. New York, NY: Springer New York; 2015. p. 175-89.##5. Bazazeh D, Shubair R, editors. Comparative study of machine learning algorithms for breast cancer detection and diagnosis. 5th International Conference on Electronic Devices, Systems and Applications (ICEDSA); 2016 6-8 Dec. 2016; United Arab Emirates.##6. Kourou K, Exarchos TP, Exarchos KP, Karamouzis MV, Fotiadis DI. Machine learning applications in cancer prognosis and prediction. Computational and Structural Biotechnology Journal. 2015;13(Supplement C):8-17.##7. Kumar KS, Sitamahalakshmi T. Performance Variation of Support Vector Machine and Probabilistic Neural Network in Classification of Cancer Datasets. International Journal of Applied Engineering Research. 2016;11(4):2224-34.##8. Mert A, #x131, #x131, #xe7, N, Bilgili E, et al. Breast Cancer Detection with Reduced Feature Set. Computational and Mathematical Methods in Medicine. 2015;2015:11.##9. Goodarzi M, dos Santos Coelho L. Firefly as a novel swarm intelligence variable selection method in spectroscopy. Analytica Chimica Acta. 2014;852(Supplement C):20-7.##10. Sewak M, Vaidya P, Chan CC, Zhong-Hui D, editors. SVM Approach to Breast Cancer Classification. Second International Multi-Symposiums on Computer and Computational Sciences (IMSCCS); 2007 13-15 Aug. 2007; USA IEEE. ##

مقایسه عملکرد الگوریتم‌های داده‌کاوی در پیش‌بینی بیماری عروق کرونر Comparing the Performance of Data Mining Algorithms in Predicting Coronary Artery Diseases 1 1 مقدمه: بیماری های قلبی- عروقی نخستین علت مرگ در جهان هستند و براساس برآورد سازمان بهداشت جهانی، مرگ ناشی از بیماریهای قلبی تا سال2030 به 23 میلیون مورد افزایش خواهد یافت. از این رو، به نظر میرسد استفاده از الگوریتم های داده کاوی برای پیش بینی بیماری عروق کرونر قلب بسیار کاربردی باشد. هدف از پژوهش حاضر مقایسه عملکرد الگوریتم های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM)در پیش بینی بیماری عروق کرونر قلب بود. روش: پژوهش حاضر از نوع توصیفی-تحلیلی و نمونه پژوهش شامل تمام بیماران بستری مبتلا به بیماری عروق کرونر قلب در سه بیمارستان تابعه دانشگاه علوم پزشکی آجا بین سالهای 1395 تا 1396 بود. درمجموع، 1324 رکورد با 26 ویژگی مؤثر در این بیماری استخراج و پس از نرمال سازی و پاکسازی داده ها، در نرم افزار SPSS نسخه 23و Excel نسخه 2013 وارد شدند. برای قالب بندی داده ها نیز از نرم افزار داده کاوی 3.2.R3 استفاده گردید. نتایج: الگوریتم ماشین بردار پشتیبان با میانگین درصد خطای مطلق پایین تر (112/03)، آماره هاسمر-لمشو بالاتر (16/71)، حساسیت (92/23) و ویژگی (74/42)نسبت به مدل شبکه عصبی دقیق تر بود. همچنین، مساحت زیر منحنی راک در الگوریتم SVM بیشتر از ANN بود و میتوان نتیجه گرفت که این مدل دارای دقت بیشتری است. نتیجه گیری: در این مطالعه، الگوریتم SVM نسبت به مدل شبکه عصبی دقت و عملکرد بهتری در پیش بینی بیماری عروق کرونر قلب نشان داد و دارای حساسیت و صحت بالاتری بود. با این حال پیشنهاد می گردد که نتایج مطالعه حاضر با یافته های حاصل از به کارگیری سایر الگوریتم های داده کاوی در پژوهش های آتی مورد مقایسه قرار گیرد. 2 Introduction: Cardiovascular diseases are the first leading cause of death worldwide. World health organization has estimated that the morality rate due to heart diseases will mount to 23 million cases by 2030. Hence, the use of data mining algorithms will be useful in predicting coronary artery disease. The objective of the present study was to compare the accuracy of the CAD predictions made by ANN and SVM techniques. Methods: The present study was conducted via descriptive-analytical method. The research sample included all CAD patients hospitalized in three hospitals affiliated to AJA University of Medical Sciences from March 2016 to March 2017. Totally, 1324 records with 26 characteristics affecting the disease were extracted and after normalizing, and cleaning of the data, they were entered in SPSS statistics V23.0 & IBM Excel 2013; then, R3.3.2 data mining software was used to format data. Results: SVM model with lower MAPE (112.03) and higher Hosmer-lemeshow statistic (16.71), sensitivity (92.23) and specificity (74.42) yielded better fitness of data and provides more accurate prediction than ANN model. On the other hand, since the area under the ROC curve in SVM algorithm was more than that in ANN, it could be concluded that this model had higher accuracy. Conclusion: According to the results, SVM algorithm presented higher accuracy and better performance than ANN model and showed higher sensitivity and accuracy. It is suggested that in future studies, the results of the present study be compared with the findings resulted from applying other data mining algorithms. 252 264 2018/02/182018/04/22 1397/2/2 2018/07/122018/08/12 1397/5/21 هاله آیت اللهی Haleh Ayatollahi دکترای انفورماتیک پزشکی، دانشیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران ayatollahi.h@iums.ac.ir لیلا غلامحسینی Leila Gholamhosseini دانشجوی دکترای تخصصی مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران gholamhosseini.l@tak.iums.ac.ir مسعود صالحی Masoud Salehi دانشیار آمار زیستی، گروه آمارحیاتی، دانشکده بهداشت عمومی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران Salehi74@yahoo.com Coronary Artery Disease (CAD) Data mining algorithms Artificial Neural Network(ANN) Support Vector Machine (SVM) بیماری عروق کرونر الگوریتم‌های داده‌کاوی شبکه عصبی مصنوعی ماشین بردار پشتیبان 1- Roger VL, Go AS, Lloyd-Jones DM, Benjamin EJ, Berry JD, Borden WB, et al. Executive summary: heart disease and stroke statistics--2012 update: a report from the American Heart Association. Circulation 2012;125(1):188-97.##2- Montalescot G, Sechtem U, Achenbach S, Andreotti F, Arden C, Budaj A, et al. 2013 ESC guidelines on the management of stable coronary artery disease: the Task Force on the management of stable coronary artery disease of the European Society of Cardiology. Eur Heart J 2013;34(38):2949-3003.##3- Fuster V, Kelly BB. Promoting Cardiovascular Health in the Developing World: A Critical Challenge to Achieve Global Health. Washington (DC): National Academies Press (US); 2010.##4- Firouzian A, Bigvand A, Akbarimlak S, Ghafarzadeh Motlagh A. Study of the Prevalence of Coronary Artery Disease risk factors in people over 15 years of age in Tehran 2000 [dissertation]. Tehran: Tehran University of Medical Sciences Tehran; 2000. Persian.##5- Rajkumar A, Reena GS. Diagnosis of heart disease using datamining algorithm. Global Journal of Computer Science and Technology 2010;10(10):38-43.##6- Go AS, Mozafarian D, Roger VL, Benjamin EJ, Berry JD, Borden WB, et al. Heart Disease and Stroke Statistics—2013 Update. A Report From the American Heart Association 2013. Circulation 2012;127(1):e6– e245.##7- Kasper DL, Fauci AS, Hauser SL, Longo DL, Jameson JL, Loscalzo J. Harrison's Principles of Internal Medicine. 18th ed. NewYork: McGraw-Hill Education; 2011.##8- World Health Organization )WHO(. The top 10 causes of death; 2017 [cited 2018 Feb 16]. Available from: http://www.who.int/mediacentre/factsheets/fs310/en/.##9- McPhee JS, French DP, Jackson D, Nazroo J, Pendleton N, Degens H. Physical activity in older age: perspectives for healthy ageing and frailty. Biogerontology 2016;17(3):567-80##10- Bonow RO, Mann DL, Zipes DP, Libby P. Braunwald's Heart Disease: A Textbook of Cardiovascular Medicine. Philadelphia, PA: Saunders; 2014.##11- U.S. National Library of Medicine (NLM). Coronary Artery Disease (CAD); 2017 [cited 2018 Mar 5]. Available from: https://medlineplus.gov/ coronary arterydisease.html.##12- Amani F, Kazemnejad A, Habibi R, Hajizadeh E. Pattern of mortality trend in Iran during 1970-2009. J Gorgan Univ Med Sci 2011; 12(4) :85-90. Persian##13- Navid H. What is coronary artery disease? Iranian society of heart disease specialists; 2014. Available http://www.iranheart.ir.##14- Hachesu PR, Ahmadi M, Alizadeh S, Sadoughi F. Use of data mining techniques to determine and predict length of stay of cardiac patients. Healthc Inform Res 2013;19(2):121-9.##15- Heidarian M, Slami Joibari M. Datamining in Blood stem cells transplant records for acute & chronic Graft Versus Host Disease (GVHD) diagnosis [dissertation]. Tabriz: Azarbaijan Shahid Madani University; 2015. Persian##16- Sudhakar K, Manimekalai DM. Study of Heart Disease Prediction using Data Mining. Journal of Advanced Research in Computer Science and Software Engineering 2014;4(1): 1157-60.##17- Hamidi H, Daraei A. Analysis of pre-processing and post-processing methods and using data mining to diagnose heart diseases. International Journal of Engineering-Transactions A: Basics; 2016;29(7): 921-30. Available from: https://www. ije.ir/Vol29/No7/A/6- 2298.pdf.##18- Sivagowry S, Durairaj M, Persia A. An empirical study on applying data mining techniques for the analysis and prediction of heart disease. International Conference on Information Communication and Embedded Systems (ICICES); 2013 Feb 21-22; Chennai, India: IEEE; 2013. p. 265-70.##19- Taneja A. Heart disease prediction system using data mining techniques. Oriental J of computer sci and tech 2013; 6(4):457-66. Available from: https://www. computer scijournal.org/.##20- Bhatla N, Jyoti K. An analysis of heart disease prediction using different data mining techniques. Int J Eng 2012; 1(8):1-4.##21- Dangare CS, Apte SS. Improved study of heart disease prediction system using data mining classification techniques. International Journal of Computer Applications 2012; 47(10):44-8.##22- Mohammadpour R A, Esmaeili M H, Ghaemian A, Esmaeili J. Application of artificial neural network for assessing Coronary Artery Disease. J Mazandaran Univ Med Sci 2012; 21(86):9-17. Persian##23- Soni J, Ansari U, Sharma D, Soni S. Predictive data mining for medical diagnosis: An overview of heart disease prediction. International Journal of Computer Applications 2011;17(8):43-8.##24- Zhou X, Chen S, Liu B, Zhang R, Wang Y, Li P, et al. Development of traditional Chinese Medicine clinical data warehouse for medical knowledge discovery and decision support. Artif Intell Med 2010;48(2-3):139-52.##25- Guner LA, Karabacak NI, Akdemir OU, Karagoz PS, Kocaman SA, Cengel A, et al. An open-source framework of neural networks for diagnosis of coronary artery disease from myocardial perfusion SPECT. J Nucl Cardiol 2010;17(3):405-13.##26- Mazaheri S, Ashoori M, Bechari Z. A model to predict heart disease treatment using data mining. Payavard Salamat 2017;11(3):287-96. Persian##27- Kazemi M, Mehdizadeh H, Shiri A. Heart disease forecast using neural network data mining technique. Journal of Ilam University of Medical Sciences 2017;25(1):20-32. Persian##28- Sabbagh Gol H. Detection of coronary artery disease using C4.5 decision tree. Journal of Health and Biomedical Informatics 2017;3(4):287-99. Persian##29- Rafeh R, Arbabi M. Data Mining techniques to diagnose diabetes using blood lipids. Journal of Ilam University of Medical Sciences 2015;23(4):239-47. Persian##30- Khosravanian A, Ayat SS. Presenting an intelligent system for diagnosis of coronary heart disease by using Probabilistic Neural Network. Health Inf Manage 2015; 12(1):3-13. Persian##31- Mahmoudi I, Askari Moghadam R, Moazzam MH, Sadeghian S. Prediction model for coronary artery disease using neural networks and feature selection based on classification and regression tree. J Shahrekord Univ Med Sci 2013; 15(5) :47-56. Persian##32- Adeli M, Biglarian A, Bakhshi E, Adeli OA. Application of artificial neural network model in predicting the mixed response of atherosclerosis disease. Razi Journal of Medical Sciences 2013; 20(113):20-8. Persian##33- Ghasem Ahmad L, Tolouei ashlaghi A, Poor ebrahimi A, Ebrahimi M. Using data mining techniques for prediction breast cancer recurrence. Iranian Journal of Breast Diseases 2013; 5(4): 23-34. Persian##34- Daliri N, Zakeri-Moghadam M. Aging and heart disease. Iranian Journal of Cardiovascular Nursing 2016;5(1):64-7. Persian##35- Bayturan O, Kapadia S, Nicholls SJ, Tuzcu EM, Shao M, Uno K, et al. Clinical predictors of plaque progression despite very low levels of low-density lipoprotein cholesterol. J Am Coll Cardiol 2010;55(24):2736-42.##36- Nicholls SJ, Hsu A, Wolski K, Hu B, Bayturan O, Lavoie A, et al. Intravascular ultrasound-derived measures of coronary atherosclerotic plaque burden and clinical outcome. J Am Coll Cardiol 2010;55(21):2399- 407.##37- Murthy VL, Naya M, Foster CR, Gaber M, Hainer J, Klein J, et al. Association between coronary vascular dysfunction and cardiac mortality in patients with and without diabetes mellitus. Circulation 2012;126(15):1858-68.##38- Perk J, De Backer G, Gohlke H, Graham I, Reiner Z, Verschuren M, et al. European Guidelines on cardiovascular disease prevention in clinical practice (version 2012). The Fifth Joint Task Force of the European Society of Cardiology and other Societies on Cardiovascular Disease Prevention in Clinical Practice (constituted by representatives of nine societies and by invited experts). Eur Heart J 2012;33(13):1635-701.##39- Frey P, Waters DD, DeMicco DA, Breazna A, Samuels L, Pipe A, et al. Impact of smoking on cardiovascular events in patients with coronary disease receiving contemporary medical therapy (from the Treating to New Targets [TNT] and the Incremental Decrease in End Points Through Aggressive Lipid Lowering [IDEAL] trials). Am J Cardiol 2011;107(2):145-50.##40- Hosseiniyan AS, Maleki A, Alizadeh S, Asadi M. The relationship between the risk factors of coronary artery disease and coronary angiography findings. 6th Annual Student Congress Student Research Committee; Ardabil University of Medical Sciences and Health Services; 2014. Persian. Available from: https://www. eprints.arums.ac.ir/6444/1/cardiology.pdf.##41- Masethe HD, Masethe MA. Prediction of heart disease using classification algorithms. Proceedings of the World Congress on Engineering and Computer Science; 2014 Oct 22-24; San Fransico, USA: WCECS; 2014. p. 22-4.##42- Kivimaki M, Nyberg ST, Batty GD, Fransson EI, Heikkila K, Alfredsson L, et al. Job strain as a risk factor for coronary heart disease: a collaborative meta-analysis of individual participant data. Lancet 2012;380(9852):1491-7.##43- Delbandi T. The impact of air pollutants in Tehran with deaths from cardiovascular disease in people over 60 years. International Conference on Urban Economy; 2016 May 18; Tehran: Scientific Society of Urban Economics of Iran; 2016. Persian##44- Zhang Q, Cheng L, Boutaba R. Cloud computing: state-of-the-art and research challenges. Journal of Internet Services and Applications 2010;1(1):7-18.##45- Vanos JK, Hebbern C, Cakmak S. Risk assessment for cardiovascular and respiratory mortality due to air pollution and synoptic meteorology in 10 Canadian cities. Environ Pollut 2014;185:322-32.##46- Asefzadeh S, Alikhani S, Javadi HR.. Socioeconomic status and mortality from cardiovascular diseases in Qazvin. J Qazvin Univ Med Sci 2013;16(4):40-6. Persian.##47- Veeranna V, Pradhan J, Niraj A, Fakhry H, Afonso L. Traditional cardiovascular risk factors and severity of angiographic coronary artery disease in the elderly. Prev Cardiol 2010;13(3):135-40.##48- Bidel Z, Hemati R, Naserifar R, Nazarzadeh M, Del Pisheh A. Association of cardiovascular risk factors and coronary arteries involvement based on angiographic findings. Journal of Ilam University of Medical Sciences 2014;22(1):147-54. Persian##49- Ansari R, Mehraeen E, Sabahi A. Need and priority assessment of Kerman's teaching hospitals to implementation of RFID technology. Journal of Health and Biomedical Informatics 2015; 2(3):141-8. Persian##50- Safdari R, Ghazi Saeedi M, Gharooni M, Nasiri M, Arji G. Comparing performance of decision tree and neural network in predicting myocardial infarction. Journal of Paramedical Science and Rehabilitation 2014; 3(2): 26-37. Persian##51- Meyers DG, Neuberger JS, He J. Cardiovascular effect of bans on smoking in public places: a systematic review and meta-analysis. J Am Coll Cardiol 2009;54(14):1249.##52- Bakhshandeh H, Amani F, Doostkami H. Comparison of 200 smoker and non-smoker patients with acute myocardial infarction regarding age, sex, blood pressure, diabetes, cholesterol, history of the disease and familial history admitted in Bouali hospital of Ardabil [dissertation]. Ardabil: Ardabil University of Medical Sciences; 2002. Persian.##53- Campo G, Pavasini R, Malagu M, Mascetti S, Biscaglia S, Ceconi C, et al. Chronic obstructive pulmonary disease and ischemic heart disease comorbidity: overview of mechanisms and clinical management. Cardiovasc Drugs Ther 2015;29(2):147.##54- Rezabeigi Davarani E, Iranpour A, Khanjani N, Mohseni M, Nazari Robati F. Cardiovascular Diseases risk factors and the relationship between knowledge level and preventive behaviors for Cardiovascular diseases among women in Kerman. Journal of Health_Based Research 2016;2(2):119-32. Persian.##55- Shafiee H, Ebrahimi M. Accurate Prediction of Coronary Artery Disease Using Bioinformatics Algorithms. Qom Univ Med Sci J 2016; 10(4) :22-35. Persian.##56- Uguz H. A biomedical system based on artificial neural network and principal component analysis for diagnosis of the heart valve diseases. J Med Syst 2012;36(1):61-72.##57- Fakhr-Movahedi A, Ebrahimian A, Mirmohammad khani M, Ghasemi S. Relationship between chest pain severity and physiological indexes in patients with coronary artery disease. Tehran Univ Med J 2016; 74 (2):140-5. Persian##58- Kurt I, Ture M, Kurum AT. Comparing performances of logistic regression, classification and regression tree, and neural networks for predicting coronary artery disease. Expert Systems with Applications 2008;34(1):366-74.##59- Sajja S. Data mining of medical datasets with missing attributes from different sources [dissertation]. Ohio: Youngstown State University; 2010.##60- Colak MC, Colak C, Kocaturk H, Sagiroglu S, Barutcu I. Predicting coronary artery disease using different artificial neural network models. Anadolu Kardiyol Derg 2008;8(4):249-54.##61- Maglogiannis I, Loukis E, Zafiropoulos E, Stasis A. Support Vectors Machine-based identification of heart valve diseases using heart sounds. Comput Methods Programs Biomed 2009;95(1):47-61.##62- Ghumbre S, Patil C, Ghatol A. Heart disease diagnosis using support vector machine. International Conference on Computer Science and Information Technology (ICCSIT'2011); 2011 Dec 17- 18; Pattaya, Thailand; 2011.##63- Hanbay D. An expert system based on least square support vector machines for diagnosis of the valvular heart disease. Expert Systems with Applications 2009;36(3, Part 1):4232-8.##64- Babaoglu I, Findik O, Ülker E. A comparison of feature selection models utilizing binary particle swarm optimization and genetic algorithm in determining coronary artery disease using support vector machine. Expert Systems with Applications 2010; 37(4):3177-83.## ##

عوامل مرتبط با پذیرش فن آوری شناسایی با امواج رادیویی در بخش مدیریت اطلاعات بیمارستان های تابعه دانشگاه علوم پزشکی ایران Factors Related to the Acceptance of Radio Frequency Identification Technology in Health Information Management Departments of Hospitals Affiliated to Iran University of Medical Sciences 1 1 مقدمه: فن آوری شناسایی با امواج رادیویی در طیف وسیعی از صنایع اجرا شده است که صنعت مراقبت سلامت نیز از این قاعده مستثنی نیست. با توجه به اشاعه فن آوری RFID در صنعت مراقبت نیاز به تعیین عوامل مؤثر بر پذیرش این فن آوری احساس میشود. از این رو در مقاله حاضر عوامل مرتبط با پذیرش فن آوری RFID در بخش مدیریت اطلاعات سلامت بیمارستان های تابعه دانشگاه علوم ایران را بررسی شد. روش: پژوهش کاربردی حاضر به صورت توصیفی-تحلیلی انجام شد. پرسشنامه بین کلیه پرسنل بخش مدیریت اطلاعات سلامت بیمارستان های تابعه دانشگاه علوم پزشکی ایران (138 نفر) توزیع شد که در نهایت 135 نفر پرسشنامه را تکمیل کردند. نتایج حاصل از پژوهش با استفاده از دو روش آمار توصیفی و تحلیلی و استفاده از رگرسیون با کمک نرم افزار SPSS نسخه 16 انجام شد. نتایج: میانگین عوامل مختلف شامل تأثیرات اجتماعی (4/24)، حمایت مدیریتی (4/34) عملکرد مورد انتظار(4/20) تالش مورد انتظار (4/09)شرایط تسهیل کننده(3/47 )، امنیت (3/83)و قصد(4/31) بود. ضریب تأثیر آنها نیز شامل تأثیرات اجتماعی(0/125) حمایت مدیریتی (0/210) عملکرد مورد انتظار(0/244 ) تالش موردانتظار(0/148) شرایط تسهیل کننده (0/135 )بود که رابطه معنی دار و مثبت با قصد استفاده از RFID داشت. امنیت بر قصد استفاده از RFID مؤثر نبود. نتیجه گیری: بر اساس نتایج، با ارائه آموزش های عمومی و فرهنگسازی کارکنان از نظر اجتماعی، ارائه روش هایی جهت تسهیل استفاده از این فن آوری توسط شرکت های ارائه دهنده و ایجاد زیرساخت های کافی میتوان تمایل به پذیرش RFID را افزایش داد. 2 Introduction: Radio Frequency Identification (RFID) technology has been implemented in a wide variety of industries including healthcare field. Due to the introducing RFID technology in the healthcare industry, it is necessary to determine the factors influencing acceptance of this technology. Therefore, in the present study, the factors associated with the acceptance of RFID technology in Health Information Management hospitals affiliated to Iran University of Medical Sciences were studied. Methods: The current applied research was descriptive-analytic. A questionnaire was distributed among all health information management staff of the hospitals affiliated to Iran University of Medical Sciences (n=138) and finally, 135 questionnaires were completed. The results of the study were analyzed through SPSS16 and using descriptive statistics, inferential statistics, and regression. Results: The mean scores of factors were as follow: social effects (4.24 out of 5), management support (4.34 out of 5), expected performance (4.20 out of 5), expected effort (4.09 out of 5), facilitating conditions (3.47 out of 5), security (3.83 out of 5) and intention (4.3 out of 5). The coefficients of influence of social effects (0.125), management support (0.210), expected performance (0.244), expected effort (0.148) and facilitating conditions (0.135) showed positive significant relationships with intention to use RFID. However, security was not an influential factor on use of RFID. Conclusion: Based on the findings, providing general education, facilitating the use of this technology by vendors and developing adequate infrastructure may increase the willingness to accept RFID. 265 273 2018/02/182018/04/222017/12/21 1396/9/30 2018/07/122018/08/122018/07/12 1397/4/21 عباس شیخ طاهری Abbas Sheikhtaheri دکترای مدیریت اطلاعات سلامت، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران tt_taheri@Yahoo.com صغری رستمی گراوند Soghra Rostami Garavand کارشناسی ارشد فن‌آوری اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران rostamigaranad67@gmail.com حسین احمدی Hossein Ahmadi دکترای سیستم‌های اطلاعاتی، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران hosseinis3007@gmail.com Technology acceptance in Health Care Technology acceptance RFID Health information management department UTAUT model پذیرش فن در مراقبت سلامت پذیرش فن‌آوری RFID بخش مدیریت اطلاعات سلامت مدل UTAUT 1. Yao W, Chu CH, Li Z. The use of RFID in healthcare: Benefits and barriers. IEEE International Conference on RFID-Technology and Applications; 2010 Jun 17-19; Guangzhou, China: IEEE; 2010.##2. Mirzaee M, Soltani A, Ilati S, Masdar L. Survey of application area of RFID technology in healthcare. Iranian Health Information Management 2011;7(2):25- 31. Persian##3. Mostofian F. Guideline on patient identification. Tehran: Ministry of Health and Medical Education; 2013.##4. Sun PR, Wang BH, Wu F. A new method to guard inpatient medication safety by the implementation of RFID. J Med Syst 2008;32(4):327-32.##5. Fisher JA, Monahan T. Tracking the social dimensions of RFID systems in hospitals. Int J Med Inform 2008;77(3):176-83.##6. Finkenzeller K, Müller S. RFID Handbook: Fundamentals and Applications in Contactless Smart Cards, Radio Frequency Identification and Near-Field Communication. 3th ed. UK: Wiley; 2010.##7. Hosseini M, Tabibi SJ, Jasbi J, Nasirpoor AA, Sepehri MM. Design Patterns hospitals to implement technology readiness assessment RFID. Health and Care Management 2012;2(3):37-47. Persian##8. Sanayei A, Sobhanmanesh F, Sobhanmanesh F, Ghazifard A. The factors influencing the development of radio frequency identification technology in Esupply chain management (case study: Iran Khodro Industrial Group (IKCO)). Journal of New Marketing Research 2011;1(1):41-70. Persian##9. Wu J. RFID for Inventory of Medical Records [cited 2013 Aug 5]. Available from: digitalcommons.calpoly.edu/cgi/viewcontent.cgi?articl e=1032&context=bmedsp##10. Nematolahi M, Daniali A. Patient health data tracked with RFID technology in electronic hospitals; The first International Symposium on Electronics Hospital and Telemedicine; 2011 Mar 10-11; Tehran: School of Medicine, Tehran University of Medical Sciences; 2011.##11. Ansari R, Mehraeen E, Sabahi A. Need and priority assessment of Kerman's teaching hospitals to implementation of RFID technology. Journal of Health and Biomedical Informatics 2015;2(3):141-8. Persian##12. How Is RFID Being Used With Electronic Medical Records? [cited 2014 May 15]. Available from: http://www.rfidjournal.com/blogs/experts/entry?10836##13. Vanany I, Shaharoun AB, Bin A. Barriers and critical success factors towards RFID technology adoption in South-East Asian Healthcare Industry. Proceedings of the 9th Asia Pacific Industrial Engineering & Management Systems Conference; 2008 Dec 3–5; Bali: Indonesia; 2008.##14. Rosenbaum BP. Radio frequency identification (RFID) in health care: privacy and security concerns limiting adoption. J Med Syst 2014;38(3):19.##15. Wills MJ, El-Gayar OF, Bennett D. Examining healthcare professionals' acceptance of electronic medical records using UTAUT. Issues in Information Systems 2008;9(2):396-401.##16. Abdekhoda M, Ahmadi M, Hossini AF, Prikhani E, Farhadi A. Factors affecting information technology acceptance by Health Information Management (HIM) staff of Tehran University of Medical Sciences’ hospitals based on The Technology Acceptance Model (TAM) In 2011. Payavard Salamat 2013;7(4):287-98. Persian##17. Hossain MM, Prybutok VR. Consumer acceptance of RFID technology: an exploratory study. IEEE Transactions on Engineering Management 2008; 55(2) 316 –28.##18. Chong AY, Chan FT. Understanding the Acceptance of RFID in the Healthcare Industry: Extending the TAM Model. In: Chan HK, Lettice F, Durowoju OA, editors. Decision-Making for Supply Chain Integration: Supply Chain Integration. London: Springer; 2012. p. 105-22.##19. Chong AY, Chan FT. Structural equation modeling for multi-stage analysis on Radio Frequency Identification (RFID) diffusion in the health care industry. Expert Systems with Applications 2012;39(10):8645-54.##20. Zailani S, Iranmanesh M, Nikbin D, Beng JK. Determinants of RFID adoption in Malaysia's healthcare industry: occupational level as a moderator. J Med Syst 2015;39(1):172.##21. Yee-Loong Chong A, Liu MJ, Luo J, Keng-Boon O. Predicting RFID adoption in healthcare supply chain from the perspectives of users. International Journal of Production Economics 2015;159:66-75.##22. Phichitchaisopa N, Naenna T. Factors affecting the adoption of healthcare information technology. EXCLI J 2013; 12: 413–36.##23. Nematollahi M, Garavand A, Monem H. The factors affecting the adoption of electronic medical record based on information technology adoption theories: a review article. Journal of Health and Biomedical Informatics 2015;2(3):176-83. Persian##24. Garavand A, Ghanbari S, Ebrahimi S, Kafashi M,Ahmadzadeh F. The effective factors in adopting picture archiving and communication system in Shiraz educational hospitals based on technology acceptance model. Journal of Health and Biomedical Informatics 2015;1(2):76-82. Persian##25. Venkatesh V, Morris MG, Davis GB, Davis FD. User acceptance of information technology: toward a unified view. MIS Quarterly 2003; 27(3): 425-78.##26. Zare Ravasan A, Pashaie Soorkali Z. Studying RFID consumer acceptance using TAM: the Case of IUST students. Iranian Journal of Information Processing Management 2012;27(1):172-88. Persian##27. Salimifard K, Khosravi A, Pak O, Pasban I, Safaei Z. Modeling factors affecting acceptance of RFID technology in libraries (case study: Bushehr University of Medical Sciences). Journal of Academic librarianship and Information Research 2014;48(1):105-20. Persian##28. Heerink M, Kröse B, Evers V, Wielinga B. Assessing acceptance of assistive social agent technology by older adults: the Almere model. International Journal of Social Robotics 2010;2(4):361-75.##29. AlAwadhi S, Morris A. The use of the UTAUT model in the adoption of e-government services in Kuwait. Proceedings of the 41st Annual Hawaii International Conference on System Sciences (HICSS 2008); 2008 Jan 7-10; Waikoloa, HI, USA: IEEE; 2008. p. 219.##30. Lai HM, Lin IC, Tseng LT. High-level managers' considerations for RFID adoption in hospitals: an empirical study in Taiwan. J Med Syst 2014;38(2):3.##31. Ajami S, Karbalaei N, Shahabadi E. Radio Frequency Identification (RFID) in Surgery Ward. Health Information Management 2015;12(1):1-2. Persian## ##

تشخیص بیماری عروق کرونر قلب با استفاده از روش ترکیب خبره‌ها Diagnosis of Coronary Heart Disease using Mixture of Experts Method 1 1 مقدمه: بیماری عروق کرونر قلب، شایعترین بیماری قلبی است و از علل اصلی مرگ در زنان و مردان است. این مطالعه با هدف پیش بینی وضعیت این بیماری با استفاده از روش ترکیب شبکه های عصبی (ترکیب خبره ها) انجام شد. روش: این تحقیق از نوع تشخیصی و بر روی 200 نفر از مراجعین به مرکز تخصصی قلب و عروق شهرستان تربت حیدریه انجام شد. پرونده مراجعین حاوی اطلاعات دموگرافیک بیماران شامل 13 ریسک فاکتور بود. تولید مدل پیش بینی بیماری عروق کرونر قلب بر اساس شبکه های عصبی پرسپترون چندلایه و سپس جمع بندی نظرات آنها انجام شد. نتایج: در ابتدا از یک شبکه عصبی پرسپترون چندلایه با الگوریتم پس انتشار خطا استفاده گردید. بهترین معماری توانست با دقت 71/7% بسته بودن عروق کرونر قلب را پیش بینی کند. سپس با افزایش تعداد شبکه ها و تعلیم آنها، ترکیب نتایج با یکدیگر انجام شد. ترکیب خبره ها با روش خطی رأی اکثریت و غیرخطی شبکه عصبی راه گاهی انجام و دقت پیش بینی به ترتیب 75/8 %و 78/3 %به دست آمد. نتیجه گیری: آنژیوگرافی یک روش تهاجمی و همراه با ریسک هایی مانند سکته قلبی و مغزی است؛ لذا باید از روش های غیرتهاجمی در تشخیص عروق کرونر قلب استفاده کرد. در این مطالعه با افزایش تعداد یادگیرها و سپس ترکیب غیرخطی آنها دقت تشخیص افزایش یافت. 2 Introduction: Coronary Artery Disease (CAD) is one of the most common heart diseases and the main cause of mortality in men and women. This study aimed to predict the disease status using Neural Network compound (mixture of experts). Methods: The present study was a diagnostic study conducted on 200 patients referred to a heart specialty center in Torbat-e-Heydarieh. Patients' files contained their demographic information including13 risk factors. A model for predicting CAD based on multilayer perceptron neural network and mixture of experts was produced. Results: First, we used a neural network of multilayer perceptron with Propagation algorithm by different architectures. The best architecture could predict closed coronary artery with the accuracy of 71.7%. Then, by increasing the number of neural networks and training process, results were combined. Mixture of experts by liner method (majority voting) and nonlinear method (gating network) was applied and the accuracy rates of 75.8 percent and 78.3 percent were respectively obtained. Conclusion: Angiography is an invasive diagnostic procedure with risk factors such as stroke and heart attack. Therefore, non-invasive methods should be used for the diagnosis of CAD. In this study, with increasing the number of learners and their nonlinear mixture, the accuracy of diagnosis was increased. 274 285 2018/02/182018/04/222017/12/212017/08/13 1396/5/22 2018/07/122018/08/122018/07/122017/11/26 1396/9/5 مجید حسن زاده Majid Hassanzadeh دانشجوی دکتری کامپیوتر، دانشکده برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران ایران m.hassanzadeh@gmail.com ایمان ذباح Iman Zabbah دکتری مدیریت آموزش عالی ،گروه پرستاری، دانشگاه علوم پزشکی تربت حیدریه، تربت حیدریه، 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 kamilayeghi@gmail.com Diagnosing Coronary Heart Disease Artificial Neural Network Mixture of expert بیماری عروق کرونر قلب شبکه عصبی مصنوعی ترکیب خبره‌ها 1. Scanlon PJ, Faxon DP, Audet AM, Carabello B, Dehmer GJ, Eagle KA, et al. ACC/AHA guidelines for coronary angiography: executive summary and recommendations. A report of the American College of Cardiology/American Heart Association Task Force on Practice Guidelines (Committee on Coronary Angiography) developed in collaboration with the Society for Cardiac Angiography and Interventions. Circulation 1999;99(17):2345-57.##2. Amani F, Kazemnejad A, Habibi R, Hajizadeh E. Pattern of mortality trend in Iran during 1970-2009. J Gorgan Univ Med Sci 2011;12(4):85-90. Persian##3. Mir Mohammad Sadeghi SM, Hadipour M, Molavi Vardanjani. incidence of postoperative stroke after coronary artery bypass surgery and its risk factors. J Babol Univ Med Sci 2011; 13(3): 74 - 9. Persian##4. Samadi S, Nazifi Naeini M, Abbaspour S. Estimating the duration of treatment and hospitalization costs using neural network approach. Health Information Management 2012; 8(7):948- 57.Persian##5. Catalano PJ, Ryan LM. Bivariate latent variable models for clustered discrete and continuous outcomes. Journal of the American Statistical Association 1992;87(419):651–8.##6. Chae YM, Kim HS, Tark KC, Park HJ, Ho SH. Analysis of healthcare quality indicator using data mining and decision support system. Expert Systems with Applications 2003;24(2):167-72.##7. Zhang G, Eddy Patuwo BY, Hu M. Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting 1998;14(1):35-62.##8. Neshati Tanha A, Soleimani P. Prediction of acute heart attack using logistic regression (case study: a hospital in Iran). Journal of Industrial Engineering 2016;50(1):109-19. Persian##9. Suchithra PU. Clinical decision support system for diagnosing heart disease. International Journal of Innovative Research in Computer and Communication Engineering 2014;2(3):121-9.##10. Falk CT. Risk factors for coronary artery disease and the use of neural networks to predict the presence or absence of high blood pressure. BMC Genet. 2003;4(1):S67.##11. Mohammadpour RA, Esmaeili MH, Ghaemian A, Esmaeili J. Application of Artificial neural network for assessing coronary artery disease. J Mazandaran Univ Med Sci 2012; 21(86):9-17. Persian##12. Kurt I, Ture M, Kurum AT. Comparing performances of logistic regression, classification and regression tree, and neural networks for predicting coronary artery disease. Expert Systems with Applications 2008;34(1):366-74.##13. Khosravanian A, Ayat SS. Presenting an intelligent system for diagnosis of coronary heart disease by using Probabilistic Neural Network. Health Inf Manage 2015; 12(1):3-13. Persian##14. Sargent DJ. Comparison of artificial neural networks with other statistical approaches: results from medical data sets. Cancer 2001;91(8 Suppl):1636-42.##15. Mobley BA, Schechter E, Moore WE, McKee PA, Eichner JE. Neural network predictions of significant coronary artery stenosis in men. Artif Intell Med 2005;34(2):151-61.##16. Zabbah I, Hassaanzadeh M, Kohjani Z. The effect of continuous parameters on the diagnosis of coronary artery disease using artificial neural networks. Journal of Torbat Heydariyeh University of Medical Sciences 2017; 4(4):29-39. Persian##17. Lasota T, Londzin B, Trawiński B, Telec Z, editors. Investigation of Mixture of Experts Applied to Residential Premises Valuation. Berlin, Heidelberg: Springer; 2013.##18. Sineglazov V, Chumachenko E, Gorbatyuk V. Using a mixture of experts’ approach to solve the forecasting task. Aviation 2014;18(3):129-33.##19. Mahmoudi I, Askari Moghadam R, Moazzam MH, Sadeghian S. Prediction model for coronary artery disease using neural networks and feature selection based on classification and regression tree. J Shahrekord Univ Med Sci 2013; 15(5):47-56. Persian##20. Mobley BA, Schechter E, Moore WE, McKee PA, Eichner JE. Predictions of coronary artery stenosis by artificial neural network. Artif Intell Med 2000;18(3):187-203.##21. Soni J, Ansari U, Sharma D, Soni S. Predictive data mining for medical diagnosis: An overview of heart disease prediction. International Journal of Computer Applications 2011;17(8):43–8.##22. Zabbah I, Yasrebi Naeini S E, Ramazanpoor Z, Sahragard K. The diagnosis of thyroid diseases using combinati on of neural networks through hierarchical method. Journal of Health and Biomedical Informatics 2017; 4(1) :21-31. Persian## ##

تأثیر روش آموزش از طریق تلفن همراه بر اهمال کاری کاربران ایرانی: طراحی و تولید اپلیکشین کمک درمانی The Effect of Education via Mobile Phones on Procrastination of Iranian Users: Designing a Treatment Aid Application 1 1 مقدمه: اهمال کاری علاوه بر اتلاف زمان، کاهش عملکرد فردی و احساس گناه، نوعی عدم موفقیت نیز برای دریافت درمان و مشاوره در افراد اهمال کار وجود دارد؛ بنابراین استفاده از فناوری در دسترس و آسان مانند تلفن همراه میتواند تسهیل کننده باشد. این مطالعه باهدف تعیین نقش آموزش از طریق تلفن همراه در اهمال کاری کاربران ایرانی انجام شد. روش: مطالعه به صورت نیمه آزمایشی تک گروهی بر روی ۳۲ نفر از کاربران ایرانی که برنامه غلبه بر اهمالکاری را روی تلفن همراه اندروید خود نصب کردند، انجام شد. کاربران قبل و بعد از مداخله آموزشی غلبه بر اهمال کاری، پرسشنامه اهمال کاری باسکو را پاسخ دادند. پس از ۲ ماه کار با اپلیکیشن، داده های دو مرحله اجرا با آزمون آماری تی- استیودنت وابسته تحلیل گردید. نتایج: آموزش از طریق تلفن همراه، در کاهش اهمال کاری کاربران شرکت کننده در مطالعه نقش داشت (0/008=P.) نتیجه گیری: نتایج این مطالعه برای مراکز مشاوره، درمانی و آموزشی با توجه به سهولت استفاده، دسترسی پذیری زیاد، صرفه جویی در هزینه، زمان و انرژی؛ قابل استفاده و کاربرد است. 2 Introduction: Procrastination, in addition to wasting time, reducing personal performance and causing feeling of guilt, can cause failure of receiving treatment or counseling. Therefore, using accessible and easy-to-use technologies such as mobile phones can facilitate the treatment of people with this problem. This study aimed to investigate the effects of education via mobile phones on procrastination of Iranian users. Methods: The study was carried out using semi-experimental single group method on 32 Iranian users who had installed the counter procrastination application on their android mobile phones. The participants filled Basco’s procrastination questionnaire before and after the education. After two months of using the application, the results of pre-test and post-test were gathered and analyzed using student t-test. Results: Findings showed that education via mobile phones has been effective in reducing the procrastination in participants. Conclusion: This application, due to ease-of-use, high accessibility and saving cost, time and energy, can be useful in consulting, treatment and education centers. 286 292 2018/02/182018/04/222017/12/212017/08/132017/12/12 1396/9/21 2018/07/122018/08/122018/07/122017/11/262018/07/12 1397/4/21 مینا نظری کمال Mina Nazari Kamal دانشجوی دکتری روانشناسی بالینی، دانشکده علوم انسانی، دانشگاه آزاد اسلامی واحد بیرجند، بیرجند، ایران ایران mnkamalabadi@gmail.com راحله سموعی Raheleh samouei دانشجوی دکترای مدیریت سلامت در بلایا و حوادث، مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران samouei@mail.mui.ac.ir شیدا صراف زاده Sheida Sarafzade کارشناس ارشد آمار زیستی، گروه آمار زیستی و اپیدمیولوژی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران shsarafzade@gmail.com شیما تمنایی فر دکترای تخصصی روانشناسی بالینی، کارشناس امور روانی، بیمارستان روان‌پزشکی روزبه، تهران، ایران ایران نفیسه غائبی Nafiseh Ghaebi کارشناس ارشد روانشناسی، دانشکده روانشناسی و علوم تربیتی، دانشگاه آزاد اسلامی واحد گرمسار، گرمسار، ایران ایران فاطمه مرادی Fatemeh Moradi کارشناس ارشد فناوری اطلاعات و مدیریت، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر، تهران، ایران ایران F_moradi@isc.co.ir مهتاب مرادزاده Mahtab Moradzadeh کارشناسی علوم کامپیوتر، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر، تهران، ایران ایران m_moradzadeh@isc.co.ir Distance learning Software Mobile Phone Procrastination User آموزش از راه دور نرم‌افزار تلفن همراه اهمال‌کاری کاربر 1. Abbasi S, Mohajer H, Samouei R. Investigation of mobile clinics and their challenges. International Journal of Health System and Disaster Management 2016;4(1):1-5.##2. Cheong, K. Mobile clinic to benefit diabetes patients. At: http://yourhealth.asiaone.com/content/mobile-clinicbenefit-diabetes patients’#sthash.ze0QPMLt.dpuf 2015.##3. Abbasi S, Mohajer H, Samouei R.Investigation of mobile clinics and their challenges. Int J Health Syst Disaster Manage 2016;4:1-5.##4. George S. IHI Teams Up With Leading Mobile Health Clinics to Spotlight Innovative Approaches to Improving Health and Health Care Services. Boston: The Institute for Healthcare Improvement; 2014.##5. Song Z, Hill C, Bennet J, Vavasis A, Oriol NE. Mobile clinic in Massachusetts associated with cost savings from lowering blood pressure and emergency department use. Health Aff (Millwood) 2013;32(1):36- 44.##6. Rizvi SL, Dimeff LA, Skutch J, Carroll D, Linehan MM. A pilot study of the DBT coach: an interactive mobile phone application for individuals with borderline personality disorder and substance use disorder. Behav Ther 2011;42(4):589-600.##7. Staudinger UM, Lindenberger UE. Understanding Human Development: Dialogues with Lifespan Psychology. 1th ed. NewYork: Springer; 2003.##8. Papzan A, Soleymani A. Comparing cell phonebased and traditional lecture-based teaching methods' effects on agricultural students' learning. Information and Communication Technology in Educational Sciences 2010; 1(1): 55-65. Persian##9. Kumar KA. Mobile phone and adolescents-addiction a mindful check in! International Journal of Advanced Nursing Studies 2014;3(1):42-6.##10. Yang YS, Yen JY, Ko CH, Cheng CP, Yen CF. The association between problematic cellular phone use and risky behaviors and low self-esteem among Taiwanese adolescents. BMC Public Health 2010;10(1):217.##11. Dimeff LA. Paves AP, Skutch JM, Woodcock, EA. Shifting Paradigms in Clinical Psychology: How Innovative Technologies Are Shaping Treatment Delivery. In: Barlow D editors. The Oxford Handbook of Clinical Psychology. New York:Oxford University Press; 2011: 618-48.##12. Mousavifar SA, Zolfaghari M, Shadan P, Haghani H. Investigating the Effect of Mobile Phone Text Messaging and Telephone Follow-up on Adherence of Diet Therapy in Diabetic Patients. Iranian Journal of Diabetes and Methabolism 2011;10(4): 407-18.Persian.##13. Samouei R, Abedi M, Ferdosi M. The absence of positive psychology in disasters. International Journal of Health System and Disaster Management 2014;2(4):241-5.##14. Basco MR. The Procrastinator's Guide to Getting Things Done. 1th ed. NewYork: The Guilford Press; 2009.##15. Sohrabi A, Fakhraei S, Sohrabi F, Vakili N. Multidimensional mindfulness and procrastination: making scales, review their relations, and preliminary case study. 1st National Conference on Personality and Modern Life; 2012 May 23-24; Sanandaj: Islamic Azad University, Sanandaj Branch; 2012.##16. Rahimi L, Ahmadean H, Moslemi B, Ghaderi N, khoshroei M. The efficacy of mindfulness based stress reduction on the procrastination reduction Nurses city of Marivan. Zanko J Med Sci 2014; 15(46):29-39. Persian##17. Freedman MJ, Lester KM, McNamara C, Milby JB, Schumacher JE. Cell phones for ecological momentary assessment with cocaine-addicted homeless patients in treatment. J Subst Abuse Treat 2006;30(2):105-11.##18. de Sá M, Carriço L, Faria J, Sá I. Children Psychotherapy with Mobile Devices. In: Zacarias M, de Oliveira JV, editors. Human-Computer Interaction: The Agency Perspective. Berlin, Heidelberg: Springer Berlin Heidelberg; 2012. p. 85-109.##19. Soleimani M, Farahzadeh Abarghouei F, Farrokh A. Studying the relationship between excessive use of mobile phones and procrastination among students. In: Shiraz, Kharazmi advanced Institute of Science and Technology (formerly: Hakim Orfi Shiraz advanced Institute of Science and Technology). Proceedings of the 1st international conference on psychology and educational sciences (ICPE); 2015.## ##

تشخیص بیماری دیابت نوع2 با استفاده از درخت تصمیم C4.5 A Detection of Type2 Diabetes using C4.5 Decision Tree 1 1 مقدمه: یکی از شایعترین بیماری ها در دنیای امروز بیماری دیابت است و سالانه شیوع دیابت در سطح جهان حدود 6 درصد افزایش مییابد. استفاده از تکنیک های داده کاوی برای ایجاد مدل های پیشگویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. در این پژوهش با استفاده از درخت تصمیم 5.C4 به روشهای پیشگیری و تشخیص این بیماری پرداخته شد. روش: در این پژوهش کاربردی- توصیفی از دادههای استاندارد UCI و مجموعه داده diabetes-indians-pima استفاده شد. این پایگاه داده شامل 768 رکورد با 8 فیلد می باشد. تجزیه و تحلیل به کمک نرمافزار 3.6 Weka با به کارگیری روش CRISP3 انجام شد. در بخش مدلسازی درخت تصمیم 5.C4 با به کارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد شد. همچنین جهت ارزیابی مدل از شاخص های حساسیت، ویژگی، دقت، ارزش اخباری مثبت و منفی استفاده شد. نتایج: با توجه به مدل استفاده شده مشخص شد که به ترتیب متغیرهای میزان بالای قند خون دوساعته، تعداد دفعات بالای حاملگی، سن بالا، فشارخون دیاستولیک بالا، سابقه خانوادگی و شاخص توده بدنی(BMI )بالا، بیشترین تأثیر را در ابتلا به بیماری دیابت نوع 2 دارا هستند. نرخ دسته بندی برابر با 73/8 %و دقت الگوریتم 5.C4 برابر با 79 %به دست آمد. نتیجه گیری: در مقایسه با نتایج مطالعات انجام شده در حوزه داده کاوی بیماری دیابت، دقت به دست آمده الگوریتم پیشنهادی قابل قبول است. بیشترین عوامل تأثیرگذار بر بیماری دیابت شناسایی شدند. همچنین قوانینی استخراج شد که می تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به بیماری دیابت استفاده شود. 2 Introduction: One of the most common diseases in the world is diabetes and the global prevalence of diabetes increases by about six percent annually. The use of data mining techniques to create predictive models is very helpful in identifying people at risk and reducing the complications of the disease. In this study, through using decision tree C4.5, methods of prevention and treatment of diabetes were investigated. Methods: In this applied and descriptive study, we used the standard UCI data and the pima-Indians-diabetes data set. This database contains 768 records with 8 fields. The analysis was done using Weka software using the CRISP3 methodology. In modeling decision tree, C4.5 was created using input variables and determining target variables. Also, the sensitivity, specificity, accuracy, as well as positive and negative predictive values were used to evaluate the model. Results: According to the model, high blood sugar levels, high gravidity, high age, high diastolic blood pressure, familial history and high BMI have respectively the highest effects on type 2 diabetes mellitus. The ranking rate was 73.8% and the accuracy of the C4.5 algorithm was 79%. Conclusion: Compared to the results of studies in the field of data mining for diabetes, the accuracy of the proposed algorithm is acceptable. The most effective factors on diabetes were identified. Also, rules were developed that can be used as a model to predict the risk of diabetes in people.   293 303 2018/02/182018/04/222017/12/212017/08/132017/12/122018/02/14 1396/11/25 2018/07/122018/08/122018/07/122017/11/262018/07/122018/07/12 1397/4/21 حامد صباغ گل Hamed Sabbagh Gol مربی، کارشناسی ارشد مهندسی کامپیوتر، عضو هیات علمی گروه کامپیوتر، دانشگاه پیام نور، ایران ایران hamedsabbagh@gmail.com Data mining Type2 diabetes C4.5 Decision tree داده‌کاوی بیماری دیابت نوع 2 درخت تصمیم C4.5 1. Mohamed EI, Linder R, Perriello G, Di Daniele N, Poppl SJ, De Lorenzo A. Predicting type 2 diabetes using an electronic nose-based artificial neural network analysis. Diabetes Nutr Metab 2002; 15(4):215-21.##2. Pickup JC. Williams G. Textbook of Diabetes. 3th ed. Oxford: Wiley-Blackwell; 2003.##3. Al Jarullah AA. 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.##4. Khajehei M. Etemady F. Data Mining and Medical Research Studies. Second International Conference on Computational Intelligence, Modelling and Simulation; 2010 Sep; 28-30; Tuban, Indonesia: IEEE; 2010. p. 119‐ 22.##5. Jayalakshmi T. Santhakumaran A. 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; p. 159‐63.##6. Ghazanfari M, Alizadeh S, Teimorpour B. Data Mining and Knowledge Discovery. 2th ed. Tehran: Publication of Iran University of Science and Technology; 2011. Persian##7. Fayyad UM, Piatetsky-Shapiro G, Smyth P, Uthurusamy R. Advances in Knowledge Discovery and Data Mining. USA: American Association for Artificial Intelligence; 1996.##8. Lavrac N. Selected techniques for data mining in medicine. Artif Intell Med 1999; 16(1):3-23.##9. Han J, Kamber M, Pei J. Data Mining: Concepts and Techniques. 2th ed. USA: Morgan Kaufmann; 2006.##10. Breault JL, Goodall CR, Fos PJ. Data mining a diabetic data warehouse. Artif Intell Med 2002; 26(1- 2):37-54.##11. Fang X. Are you becoming a diabetic? Are you becoming a diabetic? A data mining approach. 2009 Aug 14-16; Tianjin, China: IEEE; 2009. p. 18‐22.##12. Patil BM, Joshi RC, Toshniwal D. Association rule for classification of type-2 diabetic patients. Second International Conference on Machine Learning and Computing; 2010 Feb 9-11; Bangalore, India: IEEE; 2010. p. 330‐4.##13. Aljumah AA, Ahamad MG, Siddiqui MK. Application of data mining: Diabetes health care in young and old patients. Journal of King Saud University - Computer and Information Sciences 2013; 25(2):127- 36.##14. Antonelli D, Baralis E, Bruno G, Cerquitelli T, Chiusano S, Mahoto N. Analysis of diabetic patients through their examination history. Expert Systems with Applications 2013; 40(11):4672-8.##15. Anbananthen SK, Sainarayanan G, Chekima A, Teo J. Data Mining using Pruned Artificial Neural Network Tree (ANNT). 2nd International Conference on Information & Communication Technologies; 2006 Apr 24-28; Damascus, Syria: IEEE; 2006. p. 1350 16.##16. Gandhi KK, Prajapati NB. Diabetes prediction using feature selection and classification. International Journal of Advance Engineering and Research Development 2014; 1(5): 1-7.##17. Aslam MW, Nandi AK. Detection of diabetes using genetic programming. 18th European Signal Processing Conference; 2010 Aug 23-27; Aalborg, Denmark: IEEE; 2010. p. 1184-8.##18. Han J, Rodriguez JC, Beheshti M. Diabetes data analysis and prediction model discovery using Rapidminer. Second International Conference on Future Generation Communication and Networking; 2008 Dec 13-15; Hainan Island, China: IEEE; 2008. p. 96-9.##19. Sigillito VI. Pima-indians-diabetes. Phoenix, AZ: National Institute of Diabetes and Digestive and Kidney Diseases; 1990. Available from: https://gist.github.com/ktisha/c21e73a1bd1700294ef79 0c56c8aec1f##20. Roiger RJ. Data Mining: A Tutorial-Based Primer. 2th ed. U.S. Florida: CRC Press; 2017.##21. Wirth R, Hipp J. CRISP-DM: Towards a standard process model for data mining. Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery and Data Mining; 2000 Apr 11-12; UK: Practical Application Company; 2000. p. 29-39.##22. Fayyad UM, Irani KB. The attribute selection problem in decision tree generation. Proceedings of the Tenth National Conference on Artificial Intelligence; 1992 Jul 12 -16; San Jose, California: AAAI Press; 1992. p. 104-10.##23. Miyaki K, Takei I, Watanabe K, Nakashima H, Watanabe K, Omae K. Novel statistical classification model of type 2 diabetes mellitus patients for tailormade prevention using data mining algorithm. J Epidemiol 2002;12(3):243-8.##24. Chan CL, Liu YC, Luo SH. Investigation of diabetic microvascular complications using data mining techniques. IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence); 2008 Jun 1-8; Hong Kong, China: IEEE; 2008. p. 830‐4.##25. Cho BH, Yu H, Kim KW, Kim TH, Kim IY, Kim SI. Application of irregular and unbalanced data to predict diabetic nephropathy using visualization and feature selection methods. Artif Intell Med 2008; 42(1):37-53.##26. Rakshit S, Manna S, Biswas S, Kundu R, Gupta P, Maitra S, Barman S. Prediction of Diabetes Type-II Using a Two-Class Neural Network. First International Conference, Computational Intelligence, Communications, and Business Analytics; 2017 Mar 24–25; Kolkata, India: 2017. p. 65-71.##27. Kumari M, Vohra R, Arora A. Prediction of diabetes using bayesian network. International Journal of Computer Science and Information Technologies 2014; 5(4): 5174-8.## ##

کاوش و استخراج برهمکنش های پروموتر/انهنسر بالقوه در ژنوم افراد سرطانی با استفاده از یک الگوریتم چندهدفه تکاملی Detection and Extraction of Potential Promoter/Enhancer Interactions in Genome of Cancer Patients using an Evolutionary Multi-Objective Algorithm 1 1 مقدمه: سرطان به عنوان یکی از شایعترین انواع بیماری ها، سلامت بسیاری از انسانها را تحت تأثیر قرار داده است. هدف اصلی در این مقاله، ارائه یک الگوریتم تکاملی چندهدفه میباشد. این الگوریتم، با استفاده از اطلاعات برهمکنش بین ژنومی در کروموزوم های افراد مبتلا به سرطان، ناحیه های بالقوه پروموتر/انهنسر را کشف و استخراج میکند. استخراج صحیح این ناحیه ها میتواند به علم پزشکی در تشخیص زودهنگام بیماری سرطان کمک کند. روش: پژوهش حاضر از نوع کاربردی و توصیفی میباشد. در این پژوهش از مجموعه داده C-Hi شامل اطلاعات مربوط به برهمکنش های بین ژنومی، در سلول GM12878 استفاده شد. جهت کشف و استخراج پروموتر/انهنسرهای بالقوه از الگوریتمی تکاملی و چندهدفه استفاده شد. الگوریتم مذکور با استفاده از نرم افزار متلب پیاده سازی گردید. همچنین کارایی این الگوریتم نیز، با استفاده از دو معیار مورد ارزیابی قرار گرفت. معیار اول، تابع تناسبی است که میزان برهمکنش های بین ژنومی نسبت به طول نواحی ژنوم را محاسبه می کند و معیار دوم تعداد پروموتر/انهنسرهای بالقوه کشف شده میباشد. نتایج: نتایج و مقایسه های انجام گرفته در این پژوهش، نشان از کارایی بالا و بهینه بودن روش پیشنهادی در کشف پروموتر/انهنسر با طول متغیر نسبت به روش Pro-HiC می باشد؛ بنابراین روش پیشنهادی میتواند پروموتر/انهنسرهای بالقوهای را کشف کند که روش Pro-HiC قادر به کشف آن نیست. نتیجه گیری: با توجه به نتایج به دست آمده، الگوریتم پیشنهادی قادر به کشف و استخراج بهینه پروموتر/انهنسرهای بالقوه با طول متغیر میباشد، که میتواند در تشخیص زودهنگام سرطان کمک شایانی به علم پزشکی کند. 2 Introduction: Cancer, as one of the most common diseases, has influenced the health of many people. The main aim of this study was to present a multi-objective evolutionary algorithm. The algorithm is capable of detecting and extracting potentially promoter/enhancer areas in the chromosomes of the affected people using the information concerning inter-genomic interactions. The correct extraction of these areas can help early diagnosis of cancer. Methods: In this applied and descriptive research, Hi-C data set including information on intergenomic interactions in the GM12878 cell was used. Multi-objective evolutionary algorithm was used in order to discover and extract potential promoter /enhancer interactions. The mentioned algorithm was implemented using MATLAB software. Furthermore, the efficiency of this algorithm was evaluated using two criteria. The first criterion is a proportional function that calculates the magnitude of inter-genomic interactions relative to the length of the genome regions; and the second criterion is the number of discovered potential promoters/enhancers. Results: The results and comparisons showed higher efficiency and optimality of the suggested method in discovering promoter/Enhancer interactions with variable length in comparison to HiCPro method. Therefore, the suggested method is able to discover the potential promoter/ enhancer interactions that cannot be discovered by HiC-Pro method. Conclusion: The suggested algorithm is able to optimally discover and extract potential promoter/ enhancer with variable length. This is a great help in medical science for early diagnosis of cancer. 304 313 2018/02/182018/04/222017/12/212017/08/132017/12/122018/02/142017/10/22 1396/7/30 2018/07/122018/08/122018/07/122017/11/262018/07/122018/07/122018/06/12 1397/3/22 محمدجواد حسین پور Mohammadjavad Hosseinpoor دانشجوی دکتری دانشکده مهندسی کامپیوتر، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران ایران hosseinpoor.mohammadjavad@gmail.com حمید پروین Hamid Parvin دکتری مهندسی کامپیوتر- هوش مصنوعی استادیار، دانشکده مهندسی کامپیوتر، واحد نورآباد ممسنی، دانشگاه آزاد اسلامی، نورآباد ممسنی، ایران ایران parvinhamid@gmail.com صمد نجاتیان Samad Nejatian دکتری مهندسی برق، استادیار، دانشکده مهندسی برق، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران ایران samad.nej.2007@gmail.com وحیده رضایی vahideh Rezaei دکتری ریاضیات، استادیار، دانشکده ریاضیات، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران ایران Promoter Enhancer Hi-C Dataset Multi-Objective Simulation Annealing Algorithm (MOSA) HiC- Pro Method پروموتر انهسر مجموعه داده Hi-C الگوریتم شبیه‌سازی تبرید چند هدفه MOSA روش HiC-Pro 1. Jemal A, Bray F, Center MM, Ferlay J, Ward E, Forman D. Global cancer statistics. CA Cancer J Clin 2011;61(2):69-90.##2. Delen D, Walker G, Kadam A. Predicting breast cancer survivability: a comparison of three data mining methods. Artif Intell Med 2005;34(2):113-27.##3. Imakaev M, Fudenberg G, McCord RP, Naumova N, Goloborodko A, Lajoie BR, et al. Iterative correction of Hi-C data reveals hallmarks of chromosome organization. Nature methods. Nat Methods 2012;9(10):999-1003.##4. Hwang YC, Zheng Q, Gregory BD, Wang LS. Highthroughput identification of long-range regulatory elements and their target promoters in the human genome. Nucleic Acids Res 2013;41(9):4835-46.##5. Servant N, Varoquaux N, Lajoie BR, Viara E, Chen CJ, Vert JP, et al. HiC-Pro: an optimized and flexible pipeline for Hi-C data processing. Genome Biol 2015;16:259.##6. Hwang YC, Lin CF, Valladares O, Malamon J, Kuksa PP, Zheng Q, et al. HIPPIE: a high-throughput identification pipeline for promoter interacting enhancer elements. Bioinformatics 2015;31(8):1290-2.##7. Wingett S, Ewels P, Furlan-Magaril M, Nagano T, Schoenfelder S, Fraser P, et al. HiCUP: pipeline for mapping and processing Hi-C data. F1000Res 2015;4:1310.##.8 Jin F, Li Y, Dixon JR, Selvaraj S, Ye Z, Lee AY, et al. A high-resolution map of the three-dimensional chromatin interactome in human cells. Nature 2013;503(7475):290-4.##9. Cabreros I, Abbe E, Tsirig A. Detecting community structures in Hi-C genomic data. Annual Conference on Information Science and Systems (CISS); 2016 Mar 16-18; Princeton, NJ, USA: IEEE; 2016. p. 1-17.##10. Mifsud B, Tavares-Cadete F, Young AN, Sugar R. Mapping long-range promoter contacts in human cells with high-resolution capture Hi-C. Nat Genet 2015;47(6):598-606.##11. Fotuhi Siahpirani A, Ay F, Roy S. A multi-task graph-clustering approach for chromosome conformation capture data sets identifies conserved modules of chromosomal interactions. Genome Biology 2016; 17:114.##12. Lazaris C, Kelly S, Ntziachristos P, Aifantis I, Tsirigos A. HiC-bench: comprehensive and reproducible Hi-C data analysis designed for parameter exploration and benchmarking. BMC Genomics 2017;18(1):22.##13. Arvey A, Agius P, Noble WS, Leslie CS. Sequence and chromatin determinants of cell-type–specific transcription factor binding. Genome Res 2012; 22(9):1723-34.##14. Whalen S, Truty RM, Pollard KS. Enhancerpromoter interactions are encoded by complex genomic signatures on looping chromatin. Nat Genet 2016; 48(5): 488–96.##15. Schmid MW, Grob S, Grossniklaus U. HiCdat: a fast and easy-to-use Hi-C data analysis tool. BMC Bioinformatics 2015;16:277.##1. Jemal A, Bray F, Center MM, Ferlay J, Ward E, Forman D. Global cancer statistics. CA Cancer J Clin 2011;61(2):69-90.##2. Delen D, Walker G, Kadam A. Predicting breast cancer survivability: a comparison of three data mining methods. Artif Intell Med 2005;34(2):113-27.##3. Imakaev M, Fudenberg G, McCord RP, Naumova N, Goloborodko A, Lajoie BR, et al. Iterative correction of Hi-C data reveals hallmarks of chromosome organization. Nature methods. Nat Methods 2012;9(10):999-1003.##4. Hwang YC, Zheng Q, Gregory BD, Wang LS. Highthroughput identification of long-range regulatory elements and their target promoters in the human genome. Nucleic Acids Res 2013;41(9):4835-46.##5. Servant N, Varoquaux N, Lajoie BR, Viara E, Chen CJ, Vert JP, et al. HiC-Pro: an optimized and flexible pipeline for Hi-C data processing. Genome Biol 2015;16:259.##6. Hwang YC, Lin CF, Valladares O, Malamon J, Kuksa PP, Zheng Q, et al. HIPPIE: a high-throughput identification pipeline for promoter interacting enhancer elements. Bioinformatics 2015;31(8):1290-2.##7. Wingett S, Ewels P, Furlan-Magaril M, Nagano T, Schoenfelder S, Fraser P, et al. HiCUP: pipeline for mapping and processing Hi-C data. F1000Res 2015;4:1310.##.8 Jin F, Li Y, Dixon JR, Selvaraj S, Ye Z, Lee AY, et al. A high-resolution map of the three-dimensional chromatin interactome in human cells. Nature 2013;503(7475):290-4.##9. Cabreros I, Abbe E, Tsirig A. Detecting community structures in Hi-C genomic data. Annual Conference on Information Science and Systems (CISS); 2016 Mar 16-18; Princeton, NJ, USA: IEEE; 2016. p. 1-17.##10. Mifsud B, Tavares-Cadete F, Young AN, Sugar R. Mapping long-range promoter contacts in human cells with high-resolution capture Hi-C. Nat Genet 2015;47(6):598-606.##11. Fotuhi Siahpirani A, Ay F, Roy S. A multi-task graph-clustering approach for chromosome conformation capture data sets identifies conserved modules of chromosomal interactions. Genome Biology 2016; 17:114.##12. Lazaris C, Kelly S, Ntziachristos P, Aifantis I, Tsirigos A. HiC-bench: comprehensive and reproducible Hi-C data analysis designed for parameter exploration and benchmarking. BMC Genomics 2017;18(1):22.##13. Arvey A, Agius P, Noble WS, Leslie CS. Sequence and chromatin determinants of cell-type–specific transcription factor binding. Genome Res 2012; 22(9):1723-34.##14. Whalen S, Truty RM, Pollard KS. Enhancerpromoter interactions are encoded by complex genomic signatures on looping chromatin. Nat Genet 2016; 48(5): 488–96.##15. Schmid MW, Grob S, Grossniklaus U. HiCdat: a fast and easy-to-use Hi-C data analysis tool. BMC Bioinformatics 2015;16:277. ##

مروری بر رویکردها و تکنیک‌های متن‌کاوی در مستندات بالینی Review of the Approaches and Techniques of Text Mining in Clinical Documentation 1 1 مقدمه: با به کارگیری گسترده سیستم‌های الکترونیکی مدارک پزشکی، حجم بسیار زیادی از داده‌های متنی پزشکی در بیمارستان و سایر محیط‌های درمانی به صورت روزانه تولید می‌شوند که سازمان‌دهی این اطلاعات متنی امری مهم و ضروری است و نیاز به بازیابی خودکار دانش مفید از این داده‌ها برای کمک به متخصصان بالینی کاملاً احساس می‌شود. به‌منظور استخراج ارزش‌های نهفته در مستندات متنی پزشکی، می‌توان از تکنیک‌های متن‌کاوی در حوزه سلامت بهره برد. روش: در این پژوهش مروری پایگاه‌های اطلاعاتی Science Direct،‌‌IEEE ، PubMed central، Google Scholar، SID و Magiran با استفاده از کلید واژه‌های Text Mining” “ AND “Medicine”، “Clinical Text Mining” AND “Predict”، “knowledge discovery in medical text ”، “Text Mining for Medical and Healthcare” در پایگاه‌های اطلاعاتی انگلیسی و از ترکیب "متن کاوی و کشف دانش در پزشکی" در پایگاه‌های اطلاعاتی فارسی، مورد جستجو قرار گرفتند. سپس، همه مقالاتی که به نوعی به کشف دانش پزشکی و کاربردهای متن‌کاوی در حوزه سلامت اشاره داشتند، انتخاب شدند. نتایج: متن‌کاوی از تکنیک‌های مهم و قدرتمند برای استخراج اطلاعات از سیستم‌های اطلاعات بهداشتی و درمانی می‌باشد. متن‌کاوی داده‌های کلینیکی، توان بالقوه‌ای برای اکتشافات جدید و همچنین بهبود کارایی و ارتباطات در سیستم‌های بیمارستان برای پزشکان و مدیران بیمارستان فراهم می‌کند. نتیجه‌گیری: متن‌کاوی در مستندات بالینی از جمله تکنولوژی‌های توسعه یافته کشف دانش پزشکی در عصر حاضر است که استفاده از آن در پایگاه داده‌های پزشکی به‌منظور دستیابی سریع به منابع مهم سلامت، امری انکارناپذیر است و به کارگیری آن موجب بهبود مراقب بیمار و کاهش هزینه‌های درمانی می‌شود.   2 Introduction: With the extensive use of electronic medical records systems, a large amount of medical text data is produced daily in the hospitals and other medical environments that organizing this text information is important and necessary. Also, a need to automatically retrieve useful knowledge from this data to help clinicians is felt. In order to extract the hidden values in the medical text documents, text mining can be used in the field of health. Methods: In this review study, SID, Magiran, Pubmed, ScienceDirect, IEEE, and Google Scholar databases were searched with the keywords including "Text Mining” AND "Medicine” ،"Clinical Text Mining” AND "Predict”،, "knowledge discovery in medical text” and "Text Mining for Medical and Healthcare” in the English databases and keywords such as "text mining” AND " Discovering Knowledge in Medicine” in the Persian databases. Then, all articles that somehow refer to Medical knowledge discovery and text mining applications in the field of health were selected. Results: Text mining is one of the important and powerful techniques for extracting information from health information systems. Text mining in clinical data provides potential for new discoveries and it also improves efficiency and communication in hospital systems for doctors and hospital administrators. Conclusion: Nowadays, text mining in clinical documentation, is one of the developed technologies for the discovery of medical knowledge that its use in medical databases is essential to achieving immediate access to important health resources, and its application can improve patient care and reduce medical costs. 314 324 2018/02/182018/04/222017/12/212017/08/132017/12/122018/02/142017/10/222017/03/8 1395/12/18 2018/07/122018/08/122018/07/122017/11/262018/07/122018/07/122018/06/122017/11/26 1396/9/5 فرزانه فیض منش Farzaneh Feizmanesh کارشناس ارشد انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، تهران، دانشگاه تربیت مدرس، تهران، ایران ایران ffeizmanesh@modares.ac.ir علی اصغر صفائی Ali Asghar Safaei دکتری کامپیوتر- نرم افزار، استادیار، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران aa.safaei@modares.ac.ir Text mining in clinical documentation Text mining applications Medical knowledge Discovery Information extraction متن کاوی در مستندات بالینی کاربردهای متن‌کاوی کشف دانش پزشکی استخراج اطلاعات 1. Gong T, Tan CL, Leong TY, Lee CK, Pang BC. Text mining in radiology reports. Proceedings: Eighth IEEE International Conference on Data Mining; 2008 Dec 15-19; Los Alamitos, CA: IEEE Computer Society; 2008. p. 815-20.##2. Patel R, Jayatilleke N, Jackson R, Stewart R, Mcguire P. Investigation of negative symptoms in schizophrenia with a machine learning text-mining approach. The Lancet 2014; 383: S16.##3. Pereira L, Rijo R, Silva C, Agostinho M. ICD9- based text mining approach to children epilepsy classification. Procedia Technology, 2013;9:1351-60.##4. Piedra, D., & Ferrer, A. Text Mining and Medicine : Usefulness in Respiratory Diseases. Archivos de Bronconeumología, 2014 ;50(3), 113–119.##5. Savova GK, Masanz JJ, Ogren PV, Zheng J, Sohn S, Kipper-Schuler KC, et al. Mayo clinical Text Analysis and Knowledge Extraction System (cTAKES): architecture, component evaluation and applications. J Am Med Inform Assoc 2010;17(5):507-13.##6. Lucini FR, Fogliatto FS, da Silveira GJ, Neyeloff JL, Anzanello MJ, Kuchenbecker RD, et al. Text mining approach to predict hospital admissions using early medical records from the emergency department. International Journal of Medical Informatics 2017;100:1-8.##7. Allahyari M, Pouriyeh S, Assefi M, Safaei S, Trippe ED, Gutierrez JB, et al. A Brief Survey of Text Mining: Classification, Clustering and Extraction Techniques. Halifax, Canada: KDD Bigdas; 2017.##8. Casillas A, Gojenola K, Perez A, Oronoz M. Clinical text mining for efficient extraction of drug-allergy reactions. IEEE International Conference on Bioinformatics and Biomedicine (BIBM); 2016 Dec 15-18; Shenzhen, China: IEEE; 2016. p. 946–52.##9. Pons-Porrata A, Berlanga-Llavori R, Ruiz- Shulcloper J. Topic discovery based on text mining techniques. Information Processing & Management 2007; 43(3): 752-68.##10. Ramezani H, Alipour Hafezi M, Momeni E. Scientific maps: methods and techniques. Journal of the Popularization of Science 2014; 5(6): 53-84. Persian##11. Sumathi S, Mohanapriya S, Nagasandhiyalakshmi B, Shanmugapriya N. Prediction of outbreak of heart disease using text mining. Discovery 2016; 52(245): 1070-7.##12. Thomas J, McNaught J, Ananiadou S. Applications of text mining within systematic reviews. Research Synthesis Methods 2011; 2(1):1-14.##13. Gupta V, Lehal GS. A survey of text mining techniques and applications. Journal of Emerging Technologies in Web Intelligence 2009; 1(1): 60-76.##14. Ananiadou S, McNaught J. Text Mining for Biology and Biomedicine. Boston, London: Artech House; 2006.##15. Hatzivassiloglou V, Duboue PA, Rzhetsky A. Disambiguating proteins, genes, and RNA in text: a machine learning approach. Bioinformatics 2001;17 Suppl 1:S97-106.##16. Swanson DR. Migraine and magnesium: eleven neglected connections. Perspect Biol Med 1988;31(4):526-57.##17. Zhu F, Patumcharoenpol P, Zhang C, Yang Y, Chan J, Meechai A, et al. Biomedical text mining and its applications in cancer research. J Biomed Inform 2013;46(2):200-11.##18. Jonnagaddala J, Liaw ST, Ray P, Kumar M, Dai HJ, Hsu CY. Identification and progression of heart disease risk factors in diabetic patients from longitudinal electronic health records. Biomed Res Int 2015;2015:636371.##19. Jonnagaddala J, Liaw ST, Ray P, Kumar M, Chang NW, Dai HJ. Coronary artery disease risk assessment from unstructured electronic health records using text mining. J Biomed Inform 2015;58 Suppl:S203-10.##20. Wagland R, Recio-Saucedo A, Simon M, Bracher M, Hunt K, Foster C, et al. Development and testing of a text-mining approach to analyse patients' comments on their experiences of colorectal cancer care. BMJ Qual Saf 2016;25(8):604-14.##21. Holzinger A, Geierhofer R, Mödritscher F. Semantic information in medical information systems: utilization of text mining techniques to analyze medical diagnoses. Journal of Universal Computer Science 2008; 14(22):3781-95.##22. Lee CH, Wu CH, Yang HC. Text mining of clinical records for cancer diagnosis. Second International Conference on Innovative Computing, Informatio and Control (ICICIC 2007); 2007 Sep 5-7; Kumamoto, Japan: IEEE; 2007.##23. Gutierrez JB, Galinski MR, Cantrell S, Voit EO. From within host dynamics to the epidemiology of infectious disease: Scientific overview and challenges. Math Biosci 2015;270(Pt B):143-55.##24. Kocbek S, Cavedon L, Martinez D, Bain C, Manus CM, Haffari G, et al. Text mining electronic hospital records to automatically classify admissions against disease: Measuring the impact of linking data sources. J Biomed Inform 2016;64:158-67.##25. Nguyen AN, Lawley MJ, Hansen DP, Bowman RV, Clarke BE, Duhig EE, et al. Symbolic rule-based classification of lung cancer stages from free-text pathology reports. J Am Med Inform Assoc 2010;17(4):440-5.##26. Nguyen A, Moore J, Zuccon G, Lawley M, Colquist S. Classification of pathology reports for cancer registry notifications. Stud Health Technol Inform 2012;178:150-6.##27. Coden A, Savova G, Sominsky I, Tanenblatt M, Masanz J, Schuler K, et al. Automatically extracting cancer disease characteristics from pathology reports into a Disease Knowledge Representation Model. J Biomed Inform 2009;42(5):937-49.## ##