1397 5 3 17 422

مدل پیشنهادی به کار گیری فناوری های اطلاعاتی در آموزش والدین به منظور ارتقاء ایمنی کودکان A Proposed Model based on Information Technology for Parents’ Education to Improve Child Safety 1 1 مقدمه: آسیب های غیرعمد (حوادث) علت اصلی مرگ کودکان زیر 5 سال است. والدین نقش مهمی در پیش گیری از این حوادث دارند. در سراسر دنیا مداخلات مبتنی بر فناوری گوناگونی برای بهبود دانش و رفتار والدین در رابطه با ایمنی کودکان به کار گرفته شده است. هدف از انجام این پژوهش، ارائه یک مدل مبتنی بر فناوری برای ارتقاء ایمنی کودکان است. روش: پژوهش حاضر از نوع کاربردی - توصیفی در دو بخش انجام شد. در بخش اول، با ابزار پرسشنامه از 20 پزشک جهت تعیین مهمترین عناصر اطلاعاتی و آموزشی نظرسنجی به عمل آمد. در بخش دوم، فناوری های موجود در زمینه پیش گیری از حوادث از لحاظ تأثیر در دانش و رفتار والدین بررسی گردید. سپس یک فناوری برای ارائه مدل انتخاب شد. نتایج: یافته ها در بخش اول شامل اطلاعات دموگرافیک، اطلاعات بالینی، نیازهای آموزش شامل رفتارهای پیشگیرانه، ایمن سازی محیط و کمک های اولیه بود. بخش دوم، 10 فناوری شامل: کیوسک، برنامه های مبتنی بر اینترنت و وب، نرم افزار کامپیوتر و برنامه کاربردی موبایل یافت شد. برنامه های کاربردی موبایل جدیدترین فناوری استفاده شده در این زمینه بودند که در تغییر رفتار و دانش تأثیر مثبت داشتند؛ لذا با استفاده از آن یک مدل مبتنی بر فناوری اطلاعاتی ارائه شد. نتیجه گیری: استفاده از فناوری اطلاعاتی مبتنی بر برنامه های کاربردی موبایل میتواند یک فرصت برای بهبود دانش و رفتارهای والدین در رابطه با ایمنی کودکان به وجود آورد. 2 Introduction: In children under the age of 5 years, unintentional injuries are the main cause of death. Parents play an important role in preventing these injuries. In all around the world, various technology-based interventions have been applied for improving parents’ knowledge and behavior regarding children safety. The aim of this study was to propose a technology-based model for promoting child safety. Method: This applied-descriptive study was conducted in two parts. In the first section, using a questionnaire, 20 physicians were asked to determine the most important information and educational elements. In the second part, the available technologies related to the prevention of unintentional injuries were investigated in terms of their impact on parents' knowledge and attitudes and finally, a technology was selected for the proposed model. Results: The findings in the first part included demographic data, clinical information, training needs including preventive behaviors, making environmental safety and first aid. In the second part, 10 technologies including kiosk, Internet/ web-based programs, computer software and mobile application were found. Mobile applications were the newest applied technologies in this area that had positive effect in change of behavior and knowledge. Therefore, using this technology, a model based on information technology was proposed. Conclusion: Use of information technology, through mobile applications, can provide an opportunity for improving parental knowledge and behavior toward child safety. 325 336 2018/05/4 1397/2/14 2018/09/11 1397/6/20 ندا سادات بویر Neda Sadat Boveyr کارشناس ارشد انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران neda.sadat1366@gmail.com شراره رستم نیاکان کلهری Sharareh Rostam Niakan Kalhori دکترای انفورماتیک پزشکی، استادیار، گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران niakan2@gmail.com رضا صفدری Reza Safdari دکترای مدیریت اطلاعات سلامت، استاد، گروه انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران rsafdari@tums.ac.ir Safety Children Technology Model ایمنی‌ کودکان فناوری مدل 1. Pinheiro PS. World report on violence against children; 2006. [cited 2017 Jul 2] Available from: https://www.unicef.org/violencestudy/I.%20World%20 Report%20on%20Violence%20against%20Children.pdf##2. Baker SP, O'Neill B, Ginsburg MJ, Li G. The Injury Fact Book. 2th ed. NewYork: Oxford University Press; 1992.##3. Pan SY, Ugnat AM, Semenciw R, Desmeules M, Mao Y, Macleod M. Trends in childhood injury mortality in Canada, 1979-2002. Inj Prev 2006;12(3):155-60.##4. United Nations Children's Fund. Child Poverty in Perspective: an Overview of Child Well-Being in Rich Countries. Florence: UNICEF; 2007.##5. World Health Organization (WHO). Violence and Injury Prevention; 2018. [cited 2018 Feb 12] Available from:https://www.who.int/violence_injury_prevention/safety -2018/en/##6. Sethi D, Towner E, Vincenten J. Segui-Gomez M, Racioppi F. European Report on Child Injury Prevention. World Health Organization; 2008. [cited 2017 Feb 12] Available from:http://www.who.int/violence_injury_prevention/child/injury/world_report/European_report.pdf##7. World Health Organization (WHO). World health statistics; 2012. [cited 2017 Feb 12] Available from: http://apps.who.int/iris/bitstream/handle/10665/70889/ WHO_IER_HSI_12.1_eng.pdf?sequence=1##8. Eichelberger MR, Gotschall CS, Feely HB, Harstad P, Bowman LM. Parental attitudes and knowledge of child safety. A national survey. Am J Dis Child 1990;144(6):714-20.##9. Morrongiello BA, Ondejko L, Littlejohn A. Understanding toddlers' in-home injuries: II. Examining parental strategies, and their efficacy, for managing child injury risk. J Pediatr Psychol 2004;29(6):433-46.##10. Silva EC, Fernandes MN, Sá MC, Mota de Souza L, Gordon AS, Costa AC, et al. The effect of educational intervention regarding the knowledge of mothers on prevention of accidents in childhood. Open Nurs J 2016; 10: 113–21.##11. Kendrick D, Young B, Mason-Jones AJ, Ilyas N, Achana FA, Cooper NJ, et al. Home safety education and provision of safety equipment for injury prevention (Review). Evid Based Child Health 2013;8(3):761-939.##12. Gielen AC, Sleet D. Application of behaviorchange theories and methods to injury prevention. Epidemiol Rev 2003;25:65-76.##13. Oh H, Rizo C, Enkin M, Jadad A. What is eHealth (3): a systematic review of published definitions? J Med Internet Res 2005; 7(1): e1.##14. Eysenbach G. What is e-health? J Med Internet Res 2001; 3(2): e20.##15. World Health Organization (WHO). mHealth: new horizons for health through mobile technologies; 2011. [cited 2017 Jul 10] Available from: http://www.who.int/goe/publications/goe_mhealth_ web.pdf##16. Taylor GMJ, Dalili MN, Semwal M, Civljak M, Sheikh A, Car J. Internet-based interventions for smoking cessation. Cochrane Database Syst Rev 2017;9:CD007078.##17. Wieland LS, Falzon L, Sciamanna CN, Trudeau KJ, Brodney S, Schwartz JE, et al. Interactive computer-based interventions for weight loss or weight maintenance in overweight or obese people. Cochrane Database Syst Rev 2012; (8):CD007675.##18. Tabibi Z. Incidence, causes and prevention of child accidents in Iran: an analysis of existing studies. Journal of Family Research 2009;5(2):179-205. Persian##19. Omaki E, Rizzutti N, Shields W, Zhu J, McDonald E, Stevens MW, et al. A systematic review of technology-based interventions for unintentional injury prevention education and behaviour change. Inj Prev 2017;23(2):138-46.##20. Chow CB, Wong WH, Leung WC, Tang MH, Chan KL, Or CK, et al. Effectiveness of a technology-based injury prevention program for enhancing mothers' knowledge of child safety: protocol for a randomized controlled trial. JMIR Res Protoc 2016;5(4):e205.##21. Kang KA, Kim SJ, Kang SR, Lee SH, Kim YY, Ellis KW. Development and preliminary testing of a Smartphone-Based Injury-Prevention Application (SIPA) for Teachers at Child-Care Centers in South Korea. J Community Health Nurs 2017;34(3):147-59.##22. Nansel TR, Weaver N, Donlin M, Jacobsen H, Kreuter MW, Simons-Morton B. Baby, Be Safe: the effect of tailored communications for pediatric injury prevention provided in a primary care setting. Patient Educ Couns 2002;46(3):175-90.##23. McDonald EM, Solomon B, Shields W, Serwint JR, Jacobsen H, Weaver NL, et al. Evaluation of kioskbased tailoring to promote household safety behaviors in an urban pediatric primary care practice. Patient Educ Couns 2005;58(2):168-81.##24. Christakis DA, Zimmerman FJ, Rivara FP, Ebel B. Improving pediatric prevention via the internet: a randomized, controlled trial. Pediatrics 2006;118(3):1157-66.##25. Gielen AC, McKenzie LB, McDonald EM, Shields WC, Wang MC, Cheng YJ, et al. Using a computer kiosk to promote child safety: results of a randomized, controlled trial in an urban pediatric emergency department. Pediatrics 2007;120(2):330-9.##26. Nansel TR, Weaver NL, Jacobsen HA, Glasheen C, Kreuter MW. Preventing unintentional pediatric injuries: a tailored intervention for parents and providers. Health Educ Res 2008;23(4):656-69.##27. Gittelman MA, Pomerantz WJ, McClanahan N, Damon A, Ho M. A computerized kiosk to teach injury prevention: is it as effective as human interaction? J Trauma Acute Care Surg 2014;77(3 Suppl 1):S2-7.##28. van Beelen ME, Beirens TM, den Hertog P, van Beeck EF, Raat H. Effectiveness of web-based tailored advice on parents' child safety behaviors: randomized controlled trial. J Med Internet Res 2014;16(1):e17.##29. Omaki E, Shields WC, McDonald E, Aitken ME, Bishai D. Evaluating a smartphone application to improve child passenger safety and fire safety knowledge and behaviour. Inj Prev 2017;23(1):58.##30. Burgess JD, Cameron CM, Watt K, Kimble RM. Cool Runnings - an app-based intervention for reducing hot drink scalds: study protocol for a randomised controlled trial. Trials 2016;17(1):388.##31. Committee on Pediatric Emergency Medicine. Emergency preparedness for children with special health care needs. Committee on Pediatric Emergency Medicine. American Academy of Pediatrics. Pediatrics 1999;104(4):e53.##32. Hatamabadi HR, Mahfoozpour S, Forouzanfar MM, Khazaei AR, Yousefian S, Younesian S. Evaluation of parameter related to preventative measures on the child injuries at home. Journal of Safety Promotion and Injury Prevention 2013;1(3):140-9. Persian##33. Ibrahim A. Assessment of knowledge, attitude and practice of mothers attending Cairo University Hospital toward home accidents among preschool children. [dissertation]. Cairo, Egypt: Higher Institute of Nursing, Cairo University; 1991.##34. Wei YL, Chen LL, Li TC, Ma WF, Peng NH, Huang LC. Self-efficacy of first aid for home accidents among parents with 0- to 4-year-old children at a metropolitan community health center in Taiwan. Accid Anal Prev 2013;52:182-7.##35. Nouhjah S, Niakan Kalhori RS, Saki A. Risk factors of non-fatal unintentional home injuries among children under 5 Years Old; a Population-Based Study. Emerg (Tehran) 2017;5(1):e6.##36. Mobasheri F, Azizi H, Rastbaf F. The epidemiological pattern of injuries among children under 15 years of age in Fasa in 2013. Journal of Fasa University of Medical Sciences 2016;6(1):69-78. Persian##37. Dahbarpour Ahmadi S, Tajdodini F, Ahmadiye Vand F, Moghimi Dehkordi B, Farsar AR, Turkmennezhad S. Review of injuries leading to death in children aged 1 to 59 months in the area covered by Shahid Beheshti University of Medical Sciences from March 2011-March 2013. Journal of Safety Promotion and Injury Prevention 2014; 1(4): 205 - 11. Persian##38. Mira JJ, Navarro I, Botella F, Borras F, NunoSolinis R, Orozco D, et al. A Spanish pillbox app for elderly patients taking multiple medications: randomized controlled trial. J Med Internet Res 2014;16(4):e99.##39. Antonise-Kamp L, Beaujean D, Crutzen R, van Steenbergen JE, Ruwaard D. Prevention of tick bites: an evaluation of a smartphone app. BMC Infect Dis 2017;17(1):744.##40. Fontelo P, Liu F. Mobile app versus Web app: a comparison using 2008-2012 "PubMed for Handhelds" server data. AMIA Annu Symp Proc 2013; 2013: 445–50.## ##

بررسی تأثیر کنترل هیجانی و برونگرایی بر شدت اثر رتینوپاتی سروز مرکزی در بیماران توسط الگوریتم منطق فازی Investigation the Effect of Emotional Control and Extroversion on Severity of Central Serous Retinopathy in Patients Using fuzzy logic algorithm 1 1 مقدمه: رتینوپاتی سروز مرکزی یکی از بیماری های چشم است که یکی از ریسک فاکتورهای آن استرس روانی است. هدف این پژوهش مقایسه کنترل هیجانی و برون گرایی در زنان و مردان مبتلا به رتینوپاتی و بررسی رابطه بین این دو متغیر بود. تلاش شد تا با محاسبات منطق فازی، تأثیر نسبی کنترل هیجانی و برون گرایی بر حالت و شدت رتینوپاتی، محاسبه گردد. روش: این مطالعه از نوع همبستگی بود و پس از انتخاب نمونه به روش در دسترس، با حجم 50 بیمار (40 مرد) از بیمارستان های چشم پزشکی اصفهان، برای گردآوری داده ها، از دو پرسشنامه کنترل هیجان Roger و Najarian و آزمون پنج عاملی شخصیت استفاده شد. نتایج: نتایج نشان داد بین زنان و مردان تفاوت معناداری از نظر کنترل هیجانی و برون گرایی وجود ندارد. برون گرایی با خرده مقیاس فرعی بازداری هیجانی همبستگی منفی(0/36-=r و 0/009=P )و با کنترل خوش خیم همبستگی مثبت دارد (0/38=r و 0/006=P) با توجه به تناظر پارامترهای ورودی و خروجی و تحلیل آنها بر حسب تأثیر بر روی رتینوپاتی توسط الگوریتم منطق فازی، نتیجه چشم گیری در بررسی همبستگی مشاهده شد. نتایج فازی با توجه به تبعیت از قوانین نوشته شده موتور استنتاج فازی بر حسب دو پارامتر ورودی میزان تأثیر بر این بیماری را به صورت خوبی در دسته بندی فازی نمایش داد. نتیجه گیری: علاوه بر بررسی دو متغیر مهم شخصیتی در رتینوپاتی، الگوریتم فازی مناسبی برای پیش بینی شدت بیماری بر اساس میزان تأثیر بازداری هیجانی و برون گرایی بیماران ارائه و با ارزیابی و اعمال قوانین فازی پیشنهاد شده این میزان تأثیر ارزیابی شد. 2 Background and Objectives: Central serous retinopathy is one of the eye diseases and one of the risk factors of it is psychological stress. The aim of this study was to compare the emotional control  and extroversion in men and women with retinopathy and to examine the relationship between these two variables. It was also attempted to calculate the relative effect of emotional control and extraversion on the state and severity of retinopathy based on fuzzy logic algorithm. Materials and Methods: Roger and Najarian (1989) emotional control questionnaire and the 5 big factor personality test were used. After conventional selecting a sample, with a volume of 50 (40 male) from Isfahan ophthalmology hospitals, they were asked to answer the questionnaires. Results: There was no significant difference between the women and men in emotional control and extroversion. Extroversion showed a negative correlation with the subscale of emotional suppression (r = -0.36, p <0.009), and positive correlation with benign control (r = 0.38, p <0.006). Considering to the allocation of input and output parameters, their effects on retinopathy using fuzzy logic algorithm has been figured out.  According to the proposed fuzzy rules and ianterference engine the effect of variables categorized very well. Conclusion: Reviewing two important personality variables in retinopathy accompany with appropriate fuzzy algorithm were proposed to predict the effect of extroversion and emotional suppression on severity of retinopathy. This rate is achieved by applying the proposed fuzzy logic rules and algorithm. Statistical results showed the effect of the parameters well.   337 347 2018/05/42018/04/16 1397/1/27 2018/09/112018/09/8 1397/6/17 الهام فروزنده Elham Foroozandeh دکتری روان شناسی عمومی، استادیار گروه روانشناسی بالینی، دانشکده روانشناسی، واحد نایین، دانشگاه آزاد اسلامی، نایین، ایران ایران Elham_for@yahoo.com پویا درخشان برجویی Pouya Derakhshan-Barjoei دکتری مهندسی برق مخابرات، استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، واحد نایین، دانشگاه آزاد اسلامی، نایین، ایران ایران derakhshan@naeiniau.ac.ir مژده بهادر زاده Mojdeh Bahadorzadeh متخصص جراحی عمومی، استادیار گروه جراحی عمومی، دانشکده علوم پزشکی، دانشگاه علوم پزشکی قم، قم، ایران ایران derakhshan@naeiniau.ac.ir Fuzzy logic Emotional Suppression Extroversion Central serous retinopathy منطق فازی کنترل هیجانی برون‌گرایی رتینوپاتی سروز مرکزی 1. Gass JD, Agarwal A, Scott IU. Acute zonal occult outer retinopathy: a long-term follow-up study. Am J Ophthalmol 2002;134(3):329-39.##2. Spahn C, Wiek J, Burger T, Hansen L. Psychosomatic aspects in patients with central serous chorioretinopathy. Br J Ophthalmol 2003;87(6):704-8.##3. Gemenetzi M, De Salvo G, Lotery AJ. Central serous chorioretinopathy: an update on pathogenesis and treatment. Eye (Lond) 2010;24(12):1743-56.##4. Caccavale A, Romanazzi F, Imparato M, Negri A, Morano A, Ferentini F. Central serous chorioretinopathy: a pathogenetic model. Clin Ophthalmol 2011; 5: 239–43.##5. Popolo R, Lysaker PH, Salvatore G, Montano A, Buonocore L, Sirri L, et al: Emotional inhibition in personality disorders. Psychother Psychosom 2014;83(6):377-8.##6. King LA, Emmons RA, Woodley S. The structure of inhibition. Journal of Research in Personality 1992;26(1):85-102.##7. Kaiser J, Hinton JW, Krohne HW, Stewart R, Burton R. Coping dispositions and physiological recovery from a speech preparation stressor. Personality and Individual Differences 1995;19(1):1-11.##8. Popolo R, Lysaker PH, Salvatore G, Montano A, Buonocore L, Sirri L, et al. Emotional inhibition in personality disorders. Psychother Psychosom 2014;83(6):377-8.##9. Winter D, Krause-Utz A, Lis S, Chiu CD, Lanius RA, Schriner F, et al. Dissociation in borderline personality disorder: Disturbed cognitive and emotional inhibition and its neural correlates. Psychiatry Res 2015;233(3):339-51.##10. Vercammen A, Skilleter AJ, Lenroot R, Catts SV, Weickert CS, Weickert TW. Testosterone is inversely related to brain activity during emotional inhibition in schizophrenia. PLoS One 2013;8(10):e77496.##11. Clapp JD, Patton SC, Beck JG. Expressive inhibition in response to stress: implications for emotional processing following trauma. J Anxiety Disord 2015;29:109-18.##12. Forbush K, Watson D. Emotional inhibition and personality traits: a comparison of women with anorexia, bulimia, and normal controls. Ann Clin Psychiatry 2006;18(2):115-21.##13. Garousi Farshi M. New Approach to Personality Evaluation. Tabriz: Daniel; 2002. Persian##14. Vreeke LJ, Muris P. Relations between behavioral inhibition, big five personality factors, and anxiety disorder symptoms in non-clinical and clinically anxious children. Child Psychiatry Hum Dev 2012;43(6):884-94.##15. Lotfi Zadeh A. Knowledge Representation in Fuzzy Logic. In: Yager RR, Zadeh LA, editors. An Introduction to Fuzzy Logic Applications in Intelligent Systems. NewYork: Springer; 1992.##16. Roger D, Najarian B. The construction and validation of a new scale for measuring emotion control. Personality and Individual Differences 1989;10(8):845-53.##17. Haghshenas H. Personality Psychology. Shiraz: University of Medical Sciences; 2008. Persian##18. Grieshaber MC, Staub JJ, Flammer J. The potential role of testosterone in central serous chorioretinopathy. Br J Ophthalmol 2007;91(1):118-9.##19. Memmedova K. Fuzzy logic modelling of the impact of using technology on anxiety and aggression levels of students. Procedia Computer Science 2017;120:495-501.## ##

تحلیل مکانی و شناسایی مناطق پرخطر بیماری بروسلوز انسانی با استفاده از روش‌های اندازه‌گیری خودهمبستگی مکانی Spatial Analysis and Identification of High Risk Areas of Human Brucellosis by Spatial Autocorrelation Measurement Methods 1 1 مقدمه: بیماری بروسلوز شایع‌ترین بیماری مشترک بین انسان و دام است که به عنوان یک تهدید بالقوه بهداشت عمومی محسوب می‌گردد. استفاده از سیستم اطلاعات مکانی کمک شایان توجهی به مدیران و تصمیم‌گیران حوزه سلامت عمومی جامعه در خصوص طراحی، اجرا و نظارت بر برنامه‌های کنترلی می‌کند. روش: در این مطالعه توصیفی- مقطعی به منظور تعیین نوع الگوی سالانه بیماری از آماره عمومی موران، برای شناسایی مناطق پرخطر از آماره‌‌های محلی موران و Getis-Ord Local G* و برای مقایسه الگوی مکانی بیماری براساس میزان بروز سالانه در هر دو سال متوالی از آماره موران تفاضلی استفاده شد. نتایج: نتایج نشان داد که بیشترین موارد در بازه زمانی هفت ساله در دهستان‌های شهرستان ملایر و کمترین موارد در شهرستان‌های اسدآباد و تویسرکان و نواحی مرکزی و غربی استان قرار دارند. میزان بروز بیماری از سال 1388 تا 1393 افزایش و در سال 1394 کاهش یافته است. در خصوص تحلیل الگوی بیماری، الگوی همه سال‌ها به جزء سال ۱۳۹۱ خوشه‌ای تشخیص داده شد. خوشه‌های شناسایی شده توسط آماره‌های محلی موران و G* نشان دادند که خوشه‌های با نرخ بروز بالا و نقاط داغ در جنوب شرقی استان همدان قرار داشتند. نتایج حاصل از آماره موران تفاضلی نشان از ایجاد مناطق پرخطر جدید با گذر زمان در سطح استان دارد. نتیجه‌گیری: با مقایسه الگوی مکانی بیماری برای سال‌های مختلف می‌توان گفت برنامه‌های کنترلی فعلی کارایی لازم را نداشته و نیازمند یک بازنگری کلی می‌باشند. نتایج حاصل از این مطالعه در تعیین نقطه شروع برنامه‌های آتی و بررسی میزان اثربخشی آن‌ها قابل استفاده می‌باشد.   2 Introduction: Brucellosis is one of the most common zoonotic infections, which is considered as a potential public health threat. Geographical information system (GIS) can be a great help to managers and policy makers in the public health field for designing, implementing and monitoring control programs. Method: In this descriptive cross-sectional study, the global Moran's I was used to determine the type of annual pattern of the disease, local Moran and Getis-Ord G * indices were used to identify the high risk areas and differential Moran's was used to compare the spatial pattern of the disease based on the incidence of annual incidence in the two successive years. Results: According to the results, during a 7-year period, most of the cases had been located in Malayer County and the least in Asadabad and Tuyserkan counties (central and western areas of the province). The incidence rate of the disease rose from April 2009 to March 2014 and decreased during April 2014 to March 2015. According to the results of global Moran's, the pattern of disease was cluster in all years except for 2012.  The clusters and hotspots detected by local Moran's I and G * were located in the southeast of the province. The results of differential Moran's I showed the emergence of new hazardous areas in the province over the study period. Conclusion: By comparing the spatial pattern of disease in different years, it can be said that the current control programs do not have the required efficacy and need a general overview. The results of this study can be used to identify starting points for future plans and to evaluate their effectiveness.   348 360 2018/05/42018/04/162018/06/6 1397/3/16 2018/09/112018/09/82018/09/1 1397/6/10 پیمان عباسی payman Abbasi دانشجوی کارشناسی ارشد سیستم اطلاعات مکانی، گروه سیستم اطلاعات مکانی‌، دانشکده نقشه برداری، مؤسسه آموزش عالی عمران و توسعه، همدان، ایران ایران P.abbasi6972@gmail.com مجید کیاورز مقدم Majid Kiavarz دکتری سنجش از دور، استادیار گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران ایران Kiavarzmajid@ut.ac.ir محمد عباسی Mohammad Abbasi کارشناسی ارشد سیستم اطلاعات مکانی، گروه سیستم اطلاعات مکانی، دانشکده نقشه‌برداری، موسسه آموزش عالی عمران و توسعه، همدان، ایران ایران Mohammadabbasi@ut.ac.ir Point pattern analysis Human brucellosis Hamedan Global and local Moran’s I Getis-Ord G* Differential Moran’s I تحلیل الگوی نقطه‌ای بیماری بروسلوز آماره‌های عمومی و محلی موران آماره G* آماره موران تفاضلی استان همدان 1. Cutler SJ, Whatmore AM, Commander NJ. Brucellosis--new aspects of an old disease. J Appl Microbiol 2005;98(6):1270-81.##2. Reyissadat A, Nabavi M. Understanding brucellosis for all people. 1th ed. Tehran: Andishmand; 2013.Persian##3. Akinci E, Bodur H, Cevik MA, Erbay A, Eren SS, Ziraman I, et al. A complication of brucellosis: epididymoorchitis. Int J Infect Dis 2006;10(2):171-7.##4. Pappas G, Papadimitriou P, Akritidis N, Christou L, Tsianos EV. The new global map of human brucellosis. Lancet Infect Dis 2006;6(2):91-9.##5. Ariza J, Bosilkovski M, Cascio A, Colmenero JD, Corbel MJ, Falagas ME, et al. Perspectives for the treatment of brucellosis in the 21st century: the Ioannina recommendations. PLoS Med 2007;4(12):e317.##6. Zeinali M, Shirzadi MR, Hajrasouliha H. National manual for brucellosis control. 2th ed. Tehran: Razenahan; 2013. Persian##7. Gordis L. Epidemiology. 5th ed. Philadelphia: Saunders; 2014.##8. Moore DA, Carpenter ET. Spatial analytical methods and geographic information systems: use in health research and epidemiology. Epidemiologic Reviews 1999; 21(2):143-61.##9. Mesgari MS, Masoomi Z. GIS Applications in public health as a decision making support system and its limitation in Iran. World Applied Sciences Journal 2008; 3(Supple 1): 73-7.##10. Lumpkin JR. History and Significance of Information Systems and Public Health. In: O’Carroll PW, Ripp LH, Yasnoff WA, Ward ME, Martin EL, editors. Public Health Informatics and Information Systems. New York: Springer; 2003. p. 16-38.##11. Haghdoost AA, Kawaguchi L, Mirzazadeh A, Rashidi H, Sarafinejad A, Baniasadi AR. Using GIS in explaining spatial distribution of brucellosis in an endemic district in Iran. Iranian J Publ Health 2007; 36(1): 27-34.##12. Porphyre T, Jackson R, Sauter-Louis C, Ward D, Baghyan G, Stepanyan E. Mapping brucellosis risk in communities in the Republic of Armenia. Geospat Health 2010;5(1):103-18.##13. Abdullayev R, Kracalik I, Ismayilova R, Ustun N, Talibzade A, Blackburn JK. Analyzing the spatial and temporal distribution of human brucellosis in Azerbaijan (1995 - 2009) using spatial and spatiotemporal statistics. BMC Infect Dis 2012; 12: 185.##14. Ron L, Benitez W, Speybroeck N, Ron J, Saegerman C, Berkvens D, et al. Spatio-temporal clusters of incident human brucellosis cases in Ecuador. Spat Spatiotemporal Epidemiol 2013;5:1-10.##15. Mollalo A, Alimohammadi A, Khoshabi M. Spatial and spatio-temporal analysis of human brucellosis in Iran. Trans R Soc Trop Med Hyg 2014;108(11):721-8.##16. Khazaei S, Shojaeian M, Zamani R, Mansori K, Mohammadian Hafshejani A, Rezaeian-Langroodi R, et al. Epidemiology and risk factors of childhood brucellosis in West of Iran. Int J Pediatr 2016; 4(7): 2099-104.##17. O’Sullivan D, Unwin DJ. Geographic Information Analysis. 2th ed. NewJersey: John Wiley & Sons; 2010.##18. Tsai PJ, Lin ML, Chu CM, Perng CH. Spatial autocorrelation analysis of health care hotspots in Taiwan in 2006. BMC Public Health 2009;9:464.##19. Fan Y, Zhu X, She B. Network-constrained spatiotemporal clustering analysis of traffic collisions in Jianghan District of Wuhan, China. PLoS One 2018;13(4):e0195093.##20. Hasanjani Roushan MR, Mohrez M, Smailnejad Gangi SM, Soleimani Amiri MJ, Hajiahmadi M. Epidemiological features and clinical manifestations in 469 adult patients with brucellosis in Babol, Northern Iran. Epidemiol Infect 2004;132(6):1109-14.##21. Sahargahi B, Rezayi M, Naderi MR, Ajdar F, Ghobadi M. Comparison of the incidence of human brucellosis in Islamabad County of Kermanshah and the country. Journal of Kermanshah University of Medical Sciences (Behbood) 2014; 18(2):122-4. Persian##22. Farahani S, Shamohommadi S, Navidi I, Sufian M. Epidemiology of brucellosis in the city of Arak during. 2001-2010. Arak Univ Med Sci 2011;14(6):49-56. Persian##23. Mohammadian M, Mohammadian-Hafshejani A. Epidemiological characteristics and incidence rate of brucellosis over a period of 14 years in the TiranKarvan Township, Isfahan, Iran. J Isfahan Med Sch 2014; 32(293): 1103-9. Persian##24. Shaddel L, Rahnama MR, Kharazmi OA. Analysis of women’s death spatial autocorrelation and access to urban green areas (Vitamin G) in Mashhad. Geographical Researches Quarterly Journal 2017;32(3):10-22. Persian##25. Mollalo A. Spatio-temporal analyzing and modeling of cutaneous leishmaniosis [dissertation]. Tehran: K. N. Toosi University of Technology; 2013. Persian## ##

بهینه‌سازی ماشین بردار پشتیبان با الگوریتم GBC جهت پیش‌بینی ارتباط آنفارکتوس قلبی و سرطان: مطالعه موردی Using GBC Algorithm to Optimize Support Vector Machine Parameters for Predicting the Relationship between Cancer and Cardiac Infarction: A Case Study 1 1 مقدمه: آگاهی از ابتلا به سرطان، احتمال بروز اختلالات عصبی و استرس در بیمار را افزایش می‌دهد. همچنین استرس خطر بروز آنفارکتوس قلبی را بیشتر می‌کند. مطالعه حاضر بر پایه الگوریتم GBC، به بررسی احتمال بروز سکته قلبی در بیماران سرطانی پرداخت. روش: اطلاعات بیماران از پایگاه داده بیمارستان فوق تخصصی شهید صدوقی یزد جمع‌آوری شد. پرونده پزشکی 1679 بیمار مبتلا به آنفارکتوس قلبی مورد بررسی قرار گرفت که از این تعداد، 81 بیمار مبتلا به سرطان بودند. در فرآیند انتخاب ویژگی توسط مدل پیشنهادی، اگر ابتلا به سرطان به عنوان ویژگی تأثیرگذار شناسایی شود، آنگاه ارتباط بین سرطان و آنفارکتوس قلبی معنادار خواهد بود. نتایج: با استفاده از مدل پیشنهادی، ویژگی ابتلا به سرطان برای پیش‌بینی امکان وجود احتمال بروز سکته قلبی انتخاب شد که نشان‌دهنده وجود رابطه معنادار بین این دو ویژگی در بیماران مستعد عارضه قلبی می‌باشد. نتایج نشان داد با انتخاب ویژگی ابتلا به سرطان، دقت پیش­بینی مدل پیشنهادی برابر با 0/91 بود. نتیجه­ گیری: با استفاده از انتخاب ویژگی ابتلا به سرطان، مدل پیشنهادی نسبت به سایر مدل‌های مورد مقایسه دارای حداقل میزان خطا و بیش‌ترین دقت و صحت در پیش‌بینی آنفارکتوس قلبی است. روش نایو بیز، حداکثر میزان خطا و کم‌ترین دقت را دارا است. نتایج شبیه‌سازی حاکی از احتمال بروز سکته قلبی، در بیماران مستعد عارضه قلبی، پس از خبردار شدن از بیماری سرطان طی ماه‌های اولیه خود است.   2 Introduction: Awareness of cancer increases the probability of neurotic disorders and stress in the patient. Also, stress increases the risk of myocardial infarction. The present study aimed to determine the probability of a heart attack in cancer patients based on the GBC algorithm. Method: In this study, data were collected from the database of Shahid Sadoughi subspecialty hospital in Yazd. The medical records of 1679 patients with heart attack were studied, of which 81 ones belonged to patients with cancer. In the process of selecting features by the proposed model, if cancer is identified as an effective feature, then the relationship between cancer and cardiac infarction will be meaningful. Results: Using the proposed model, the cancer feature was selected to predict the probability of heart attack, which indicated a significant relationship between these two characteristics in patients who were vulnerable to cardiac disease. The predictive accuracy of the proposed model was 0.91 Conclusion: By choosing the cancer feature, the proposed model compared to other models has the least error rate and the most accuracy in predicting myocardial infarction. Naive bias method has maximum error rate and minimum accuracy. The simulation results indicate that in patients who are vulnerable to cardiac disease, after being diagnosed with cancer during the early months, heart attack is possible.   361 372 2018/05/42018/04/162018/06/62018/05/18 1397/2/28 2018/09/112018/09/82018/09/12018/10/9 1397/7/17 مهدی نوشیار Mehdi Nooshyar دکتری تخصصی مهندسی برق، دانشیار، گروه کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه محقق اردبیلی، اردبیل، ایران ایران nooshyar@uma.ac.ir محمد مومنی Mohammad Momeni دانشجوی دکتری مهندسی کامپیوتر، گروه کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران ایران mohamad.momeny@stu.yazd.ac.ir ثریا غراوی Sorayya Gharravi کارشناسی ارشد مهندسی کامپیوتر نرم افزار‌، مربی، دانشکده مهندسی کامپیوتر و برق، گروه کامپیوتر، مجتمع آموزش عالی اسفراین، خراسان شمالی، اسفراین، ایران ایران gharavi20@gmail.com فاطمه حورعلی Fatemeh Hourali کارشناسی ارشد مهندسی کامپیوتر نرم افزار‌، مربی، دانشکده مهندسی کامپیوتر و برق، گروه برق، مجتمع آموزش عالی اسفراین، خراسان شمالی، اسفراین، ایران ایران Hourali@esfarayen.ac.ir Cancer Heart attack GBC algorithm Support Vector Machine Increase precision of prediction سرطان آنفارکتوس قلبی GBC ماشین بردار پشتیبان افزایش دقت پیش‌بینی 1. Nikiforova MN, Mercurio S, Wald AI, Barbi de Moura M, Callenberg K, Santana-Santos L, et al. Analytical performance of the ThyroSeq v3 genomic classifier for cancer diagnosis in thyroid nodules.Cancer 2018;124(8):1682-90.##2. Klaus A, Fathi O, Tatjana TW, Bruno N, Oskar K. Expression of hypoxia-associated protein hif-1alpha in follicular thyroid cancer is associated with distant metastasis. Pathol Oncol Res 2018;24(2):289-96.##3. Bordoloi D, Ajaikumar AB. The potential of curcumin: a multitargeting agent in cancer cell chemosensitization. Role of Nutraceuticals in Cancer Chemosensitization 2018; 38: 31-60.##4. Bronson MR, Kapadia NS, Austin AM, Wang Q, Feskanich D, Bynum JPW, et al. Leveraging Linkage of Cohort Studies With Administrative Claims Data to Identify Individuals With Cancer. Med Care 2018;56(12):e83-e9.##5. Xiao R, Ward MC, Yang K, Adelstein DJ, Koyfman SA, Prendes BL, et al. Increased pathologic upstaging with rising time to treatment initiation for head and neck cancer: A mechanism for increased mortality. Cancer 2018;124(7):1400-14.##6. Romero I, Garrido C, Algarra I, Chamorro V, Collado A, Garrido F, et al. MHC Intratumoral heterogeneity may predict cancer progression and response to immunotherapy. Front Immunol 2018;9:102.##7. Wang J, Wu CJ, Bao ML, Zhang J, Shi HB, Zhang YD. Using support vector machine analysis to assess PartinMR: A new prediction model for organ‐confined prostate cancer Journal of Magnetic Resonance Imaging 2018;48(2):499–506.##8. Zayeri F, Sadeghi Nejad R, Noorkojuri H, Bagheri J, Ghazanfari E. Application of classification tree model for determining the effective factors of mortality after coronary bypass surgery in dialysis-independent patients. Daneshvar Medicine 2012; 19(98):15 24.Persian##9. Sajjadi F, Mohammadifard N, Ghaderian N, Alikhasi H, Maghroon M. Clustering of cardiovascular risk factors in diabetic and glucose intolerant cases. J Qazvin Univ Med Sci 2005; 9(2):35-43. Persian##10. Parthiban G, Rajesh A, Srivatsa SK. Diagnosis of heart disease for diabetic patients using naive bayes method.International Journal of Computer Applications 2011; 24(3):7-11.##11. Vidic I, Egnell L, Jerome NP, Teruel JR, Sjobakk TE, Ostlie A, et al. Support vector machine for breast cancer classification using diffusion-weighted MRI histogram features: Preliminary study. J Magn Reson Imaging. 2018;47(5):1205 16.##12. Alshamlan HM, Badr GH, Alohali YA. Genetic Bee Colony (GBC) algorithm: A new gene selection method for microarray cancer classification. Comput Biol Chem 2015;56:49-60.##13. Jerline Amutha A, Padmajavalli R, Prabhakar D. A novel approach for the prediction of treadmill test in cardiology using data mining algorithms implemented as a mobile application. Indian Heart Journal 2018;70(4):511-8.##14. Kaur A, Arora J. Heart disease prediction using data mining techniques: a survey. International Journal of Advanced Research in Computer Science 2018; 9(2): 569-72.##15. Bloodgood M. Support Vector Machine Active Learning Algorithms with Query-by-Committee versus Closest-to-Hyperplane Selection. Proceedings of the IEEE 12th International Conference on Semantic Computing; 2018 Jan; Laguna Hills, CA, USA: IEEE; 2018. p. 148-55.##16. Furey TS, Cristianini N, Duffy N, Bednarski DW, Schummer M, Haussler D. Support vector machine classification and validation of cancer tissue samples using microarray expression data. Bioinformatics 2000; 16(10): 906-14.##17. Gong D, Han Y, Sun J. A novel hybrid multiobjective artificial bee colony algorithm for blocking lot-streaming flow shop scheduling problems. Knowledge-Based Systems 2018;148:115-30.##18. Wilson PW, D’Agostino RB, Levy D, Belanger AM, Silbershatz H, Kannel WB. Prediction of coronary heart disease using risk factor categories. Circulation 1998;97(18):1837-47.##19. Gao CZ, Cheng Q, He P, Susilo W, Li J. Privacypreserving Naive Bayes classifiers secure against the substitution-then-comparison attack. Information Sciences 2018;444:72-88.##20. Satapathy SC, Bhateja V, Das S. Smart Computing and Informatics. Sehgal R, Mehrotra D, Bala M, editors. A Decision Tree Approach to Identify the Factors Affecting Reliability for Component-Based System. Singapore: Springer; 2018. p. 237-43.##21. Lavanya D, Rani KU. Ensemble decision tree classifier for breast cancer data. International Journal ofInformation Technology Convergence and Services 2012; 2(1): 17-24.##22. Kiyan T, Yildirim T. Breast cancer diagnosis using statistical neural networks. IU-Journal of Electrical & Electronics Engineering 2004;4(2):1149-53.##23. Land WH, Verheggen EA. Multiclass primal support vector machines for breast density classification. Int J Comput Biol Drug Des 2009;2(1):21-57.##24. Soltani-Sarvestani A, Safavi AA, Parandeh MN, Salehi M. Predicting breast cancer survivability using data mining techniques. 2nd International Conference on Software Technology and Engineering; 2010 Oct 3-5; San Juan, PR, USA: IEEE; 2010.p. 227.##25. Chaurasia S, Chakrabarti P. An approach with Support Vector Machine using variable features selection on breast cancer prognosis. International Journal of Advanced Research in Artificial Intelligence 2013;2(9):38-42.##26. Toloee Ashlaghi A, Pour Ebrahimi A, Ebrahimi M, Ghasem Ahmad L. Using data mining techniques for prediction breast cancer recurrence. Iranian Quarterly Journal of Breast Diseases 2013;5(4):23-34. Persian## ##

شناسایی عوامل مؤثر در پذیرش فناوری سلامت همراه مورد مطالعه: برنامه کاربردی مادران باردار Effective Factors on the Adoption of Mobile Health Technology: A Case Study on Pregnant Women's Application 1 1 مقدمه: سلامت همراه به فعالیت‌های حوزه پزشکی و بهداشت عمومی گفته می‌شود که با دستگاه‌های هوشمند در حوزه‌های جمع‌آوری داده‌های بالینی سلامت، ارائه اطلاعات بهداشتی و درمانی پزشکان، محققان و بیماران، نظارت بر علائم حیاتی و ویزیت از راه دور انجام می‌شود. با توجه به این که هنوز در کشورمان به استفاده از این ابزار در دسترس و ارزان به منظور آموزش بهداشت توجه کافی نشده است، هدف این پژوهش، شناسایی عوامل مؤثر در پذیرش فناوری سلامت همراه بود. روش: این پژوهش از نوع پیمایشی بود و جامعه آن نیز زنان باردار مراجعه کننده به بیمارستان‌‌های شهر کرج می‌باشند که به پرسشنامه طراحی شده پاسخ داده‌اند. داده‌ها با استفاده از روش‌های آمار توصیفی و استنباطی (آزمون T تک ‌نمونه‌ای) تحلیل شدند و از روش فریدمن برای رتبه‌بندی متغیرهای پژوهش استفاده ‌شد. نتایج: یافته‌های این پژوهش نشان داد که متغیر شرایط تسهیلات بیشترین تأثیر را بر پذیرش فناوری سلامت همراه دارد و متغیر‌های اثر اجتماعی، انتظار عملکرد‌، متغیر‌های انتظار تلاش و زمان انتظار، نگرش، کیفیت اطلاعات، اضطراب فناوری و متغیر‌های امنیت و محرمانگی داده، اعتماد و انگیزه لذت به ترتیب در رتبه‌های بعدی قرار گرفتند. نتیجه‌گیری: با توجه به یافته‌های پژوهش باید با افزایش زیرساخت‌های مالی، سازمانی و فنی لازم برای استفاده از خدمات فناوری سلامت‌محور، شرایط تسهیلات آن افزایش یابد و در نتیجه به افزایش میزان پذیرش نزد افراد کمک شود. همچنین با ایجاد تغییرات در افکار، احساسات، نگرش‌ها، پذیرش فناوری جدید تسهیل شود.   2 Introduction: Mobile Health refers to activities in the field of medicine and general health through using smart devices for gathering clinical healthcare data, presenting information about physicians, researchers and patients, supervising vital signs, and distant visits. Since using this accessible and inexpensive tool for healthcare education has not been developed yet in our country, this study was designed with the aim of identifying effective factors on the adoption of mobile health technology. Method: In this survey research, the study population was pregnant women referred to Hospitals in Karaj who completed the designed questionnaire. Data were analyzed using descriptive referential statistical methods (the single-variable t- test) and Friedman Test was used to prioritize the research variables. Results: According to the research findings, ffacilitating conditions had the most effect on the adoption of mobile health technology followed by the variables of social influence, performance expectancy, effort expectancy, waiting time, attitude, information quality, technology anxiety, data privacy and security, trust, and hedonic motivation. Conclusion: Facilitating conditions of using health mobile technology should be improved through increasing necessary financial, organizational and technical infrastructures of using health technology services and consequently increasing the acceptance of using this type of services. Also, with creating changes in thoughts, feelings, attitudes, the acceptance of this new technology should be facilitated.   373 383 2018/05/42018/04/162018/06/62018/05/182017/11/21 1396/8/30 2018/09/112018/09/82018/09/12018/10/92018/08/15 1397/5/24 محمد محمودی میمند Mohammad Mahmoudi Meymand کتری مدیریت بازرگانی (گرایش استراتژیک)، دانشیار، گروه مدیریت بازرگانی و MBA، دانشکده مدیریت دانشگاه پیام نور، تهران، ایران ایران drmahmoudim@pnu.ac.ir علی شایان Ali Shayan دکتری سیاستگذاری علم و فناوری، استادیار، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد دانشگاه تربیت مدرس، تهران، ایران ایران ashayan@modares.ac.ir سیده معصومه حسینی Seyedeh Masoumeh Hosseini کارشناس ارشد مدیریت فناوری اطلاعات، دانشکده مدیریت، دانشگاه پیام نور تهران غرب، تهران، ایران ایران s.m.hosseini@rvsri.ac.ir Technology adoption Mobile health Pregnant women Survey Application پذیرش فناوری سلامت همراه مادران باردار پیمایش برنامه‌های کاربردی 1. Ajami S, Heidari Nia Z. Mobile health Technology in health monitoring for the Elderly. Health Information Management 2015; 12(4): 391- 2. Persian##2. Thirumurthy H, Lester RT. M-health for health behaviour change in resource-limited settings: applications to HIV care and beyond. Bull World Health Organ 2012;90(5):390-2.##3. Antonicelli R, Testarmata P, Spazzafumo L, Gagliardi C, Bilo G, Valentini M, et al. Impact of telemonitoring at home on the management of elderly patients with congestive heart failure. J Telemed Telecare 2008;14(6):300-5.##4. Dargahi H, Mohammad Zadeh N, Rezaian HR. EBusiness in health care systems. Payavard Salamat 2011;5(3):39-48. Persian##5. Mechael PN. The case for mhealth in developing countries. Innovations: Technology, Governance, Globalization 2009; 4(1): 103–18.##6. Rebolj D, Menzel, K. Mobile computing in construction (Editorial). Journal of Information Technology in Construction 2004; 9(19): 281-3.##7. Safdari R, Masouri N, Ghazi Saeedi M, Sharifian R, Soltani A, Shahmoradi L. Wireless and mobile systems in telemedicine. Iranian South Medical Journal 2012;15(4):327-38. Persian##8. Brian RM, Ben-Zeev D. Mobile health (mHealth) for mental health in Asia: objectives, strategies, and limitations. Asian J Psychiatr 2014;10:96-100.##9. Ramana MV. Mobile based Primary Health Care System for Rural India. CDAC, Electronics city, Bangalore: Mobile Computing and Wireless Networks;2008.##10. Rezai-Rad M, Vaezi R, Nattagh F. E-Health readiness assessment framework in Iran. Iranian Journal of Public Health 2012; 41(10): 43-51.##11. Safari Mehr E. Prioritizing eHealth applications with respect to technology acceptance factors [dissertation]. Tehran: Tarbiat Modares University; 2009. Persian##12. El-Wajeeh M, Galal-Edeen GH, Mokhtar, H. Technology acceptance model for mobile health systems. IOSR Journal of Mobile Computing & Application 2014; 1(1): 21-33.##13. Deng Z, Mo X, Liu S. Comparison of the middleaged and older users' adoption of mobile health services in China. Int J Med Inform 2014;83(3):210-24.##14. Dwivedi YK, Shareef MA, Simintiras AC, Lal B, Weerakkody V. A generalised adoption model for services: A cross-country comparison of mobile health (m-health). Government Information Quarterly 2016;33(1):174-87.##15. Sun Y, Wang N, Guo X, Peng Z. Understanding the acceptance of mobile health services : a comparison and integration of alternative models. Journal of Electronic Commerce Research 2013; 14(2):183-200.##16. Lichtenstein S, Williamson K. Understanding consumer adoption of internet banking: an interpretive study in the Australian banking context. Journal of Electronic Commerce Research 2006; 7(2):50-66.##17. Pavlou PA, Fygenson M. Understanding and predicting electronic commerce adoption: an extension of the theory of planned behavior. MIS Quarterly 2006; 30(1): 115–43.##18. Kijsanayotin B, Pannarunothai S, Speedie SM. Factors influencing health information technology adoption in Thailand's community health centers: applying the UTAUT model. Int J Med Inform 2009;78(6):404-16.##19. Jung ML. From health to e-health: understanding citizens' acceptance of online health care [dissertation]. Sweden: Luleå University of Technology; 2008.##20. Venkatesh V, Morris MG, Davis GB, Davis FD. User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly 2003; 27(3): 425-78.##21. Lee KC, Chung N. Understanding factors affecting trust in and satisfaction with mobile banking in Korea: A modified DeLone and McLean’s model perspective. Interacting with Computers 2009;21(5):385-92.##22. Nisha N, Iqbal M, Rifat A, Idrish S. Mobile health services: a new paradigm for health care system. International Journal of Asian Business and Information Management 2015; 6(1): 1-18.##23. Guo X, Yuan J, Cao X, Chen X. Understanding the acceptance of mobile health services: A service participants analysis. International Conference on Management Science & Engineering 19th Annual Conference Proceedings; 2012 Sep 20-22; Dallas, TX, USA: IEEE; 2012. p. 1868 -73.##24. Boontarig W, Chutimaskul W, Chongsuphajaisiddhi V, Papasratorn B. Factors influencing the Thai elderly intention to use smartphone for e-Health services. IEEE Symposium on Humanities, Science and Engineering Research; 2012 Jun 24-27; Kuala Lumpur, Malaysia: IEEE; 2012. p. 479-83.##25. Park JK, Yang SJ, Lehto X. Adoption of mobile technologies for Chinese consumers. Journal of Electronic Commerce Research 2007; 8(3): 196-206.##26. Wu JH, Wang SC, Lin LM. Mobile computing acceptance factors in the healthcare industry: a structural equation model. Int J Med Inform 2007;76(1):66-77.##27. 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.##28. Moores TT. Towards an integrated model of IT acceptance in healthcare. Decision Support Systems 2012;53(3):507-16.##29. Gefen D, Karahanna E, Straub DW. Trust and TAMin online shopping: An integrated model. MIS Quarterly 2003; 7(1): 51–90.##30. Gelders D, Patesson R, Vandoninck S, Steinberg P, Van Malderen S, Nicaise P, et al. The influence of warning messages on the public's perception of substance use: A theoretical framework. Government Information Quarterly 2009;26(2):349-57.##31. Lin HH, Wang YS. An examination of the determinants of customer loyalty in mobile commerce contexts. Information & Management 2006;43(3):271-82.##32. Mallat N. Exploring consumer adoption of mobile payments – A qualitative study. The Journal of Strategic Information Systems 2007;16(4):413-32.##33. O’Cass A, Fenech T. Web retailing adoption: exploring the nature of internet users Web retailing behaviour. Journal of Retailing and Consumer Services 2003;10(2):81-94.##34. Song J, Zahedi F. Trust in health infomediaries. Decision Support Systems 2006; 43(2): 390-407.##35. Mohamed AH, Tawfik H, Al-Jumeily D, Norton L. MoHTAM: a technology acceptance model for mobile health applications. Developments in Esystems Engineering; 2011 Dec 6-8; IEEE: Dubai, United Arab Emirates; 2011.##36. Tung FC, Chang SC. Exploring adolescents' intentions regarding the online learning courses in Taiwan. Cyberpsychol Behav 2007;10(5):729-30.##37. Dyck JL, Smither JA. Older adults' acquisition of word processing: The contribution of cognitive abilities and computer anxiety. Computers in Human Behavior 1996;12(1):107-19.##38. Moehr JR, Schaafsma J, Anglin C, Pantazi SV, Grimm NA, Anglin S. Success factors for telehealth--a case study. Int J Med Inform 2006;75(10-11):755-63.##39. Laguna K, Babcock RL. Computer anxiety in young and older adults: Implications for humancomputer interactions in older populations. Computers in Human Behavior 1997;13(3):317-26.## ##

تعیین پارامترهای منطق فازی با بکارگیری الگوریتم ژنتیک برای تشخیص بیماری کبد Determining Fuzzy Logic Parameters by using Genetic Algorithm for the Diagnosis of Liver Disease 1 1 مقدمه: بیماری کبد یکی از شایع‌ترین مشکلات مزمن کبدی و سیروز می‌باشد. مشکلات کبدی شامل طیف وسیعی از بیماری‌ها و نارسایی‌‌هایی هستند که به بافت کبد یا عملکرد آن آسیب می‌رسانند. تشخیص زودهنگام و درمان این بیماری می‌تواند مرگ‌و‌میر و درجه بیماری را کاهش دهد. روش: این مطالعه از نوع توصیفی-تحلیلی است. پایگاه داده آن شامل 583 رکورد مستقل شامل 11 ویژگی موجود در پایگاه داده یادگیری ماشین UCI می‌باشد. در این مقاله با استفاده از منطق فازی که پارامترهای آن با الگوریتم ژنتیک تعیین می‌شوند روشی برای تشخیص بیماری کبد پیشنهاد شد. برای این‌منظور، ابتدا ویژگی‌های مجموعه داده با استفاده از ویژگی آنتروپی رتبه‌بندی شد و سپس بهینه‌سازی داده‌های مجموعه داده با استفاده از الگوریتم ژنتیک انجام گرفت. در نهایت بیماری کبد با استفاده از سیستم استنتاج فازی genfis2 و genfis3 تشخیص داده شد.  نتایج: نتایج نشان داد که دقت تشخیص بیماری کبد با استفاده از سیستم استنتاج فازی genfis2 با هشت ویژگی برابر با 66/91 درصد است و با سیستم استنتاج فازی genfis3 با شش ویژگی برابر با 89/87 درصد است و همچنین خطای genfis2 و genfis3 به ترتیب برابر با 0/034 کمتر 0/047 است. نتیجه‌گیری: بیماری کبد یکی از شایع‌ترین بیماری‌ها در بین افراد جامعه است. تشخیص به موقع بیماری ضمن کاهش هزینه‌ها، می‌تواند شانس درمان موفقیت‌آمیز بیمار را افزایش ‌دهد. با توجه به نتایج به دست آمده، مشاهده شد که مدل پیشنهادی با دقت نسبتاً بالایی، افراد مبتلا به بیماری کبد را تشخیص داد. 2 Introduction: Liver disease is one of the most common chronic liver problems and cirrhosis.  Liver problems include a wide range of diseases and disorders that damage the liver tissue or its function. Early diagnosis and treatment of this disease can reduce the severity of the disease and mortality rate. Method: In this descriptive-analytic study, database was consisted of 583 independent records, including 11 features in the UCI machine learning database and through using fuzzy logic that its parameters are determined by Genetic Algorithm (GA), a method for the diagnosis of liver disease is proposed. For this purpose, first, the features of the dataset were ranked using the entropy feature and then, the dataset data were optimized using GA. Ultimately, liver disease was diagnosed using the genfis2 and genfis3 Fuzzy Inference System (FIS). Results: The results show that the accuracy of detection of liver disease using the genfis2 FIS with 8 features is 91.66% and using the genfis3 FIS with 6 features, it is equal to 89.87%. Moreover, the rates of error for genfis2 and genfis3 were 0.034 and 0.047 respectively. Conclusion: Liver disease is one of the most common diseases in population. Early diagnosis of disease while reducing costs can increase the chance of treatment success. According to the obtained results, the proposed model can identify people with liver disease with a fairly high degree of accuracy.     384 397 2018/05/42018/04/162018/06/62018/05/182017/11/212017/12/9 1396/9/18 2018/09/112018/09/82018/09/12018/10/92018/08/152018/09/29 1397/7/7 مریم رضایی فرخ زاد Maryam Rezaii Farokh zad کارشناسی ارشد مهندسی کامپیوتر‌، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران ایران mary.rezaei.69@gmail.com فرهاد سلیمانیان قره چپق Farhad Soleimanian Gharehchopogh دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران ایران bonab.farhad@gmail.com Liver Disease Detection Fuzzy Logic Fuzzy Inference System Genetic Algorithm تشخیص بیماری کبد منطق فازی سیستم استنتاج فازی الگوریتم ژنتیک 1. Shuja A, Malespin M, Scolapio J. Nutritional Considerations in Liver Disease. Gastroenterol Clin North Am 2018;47(1):243-52.##2. Shukla A, Tiwari R, Kaur P, Janghel RR. Diagnosis of Thyroid Disorders using Artificial Neural Networks. IEEE International Advance Computing Conference 2009 Mar 6-7; Patiala, India: IEEE; 2009. p. 1016-20.##3. Isa I, Saad Z, Omar S, Osman MK, Ahmad KA, Mat Sakim HA. Suitable MLP Network Activation Functions for Breast Cancer and Thyroid Disease Detection. Second International Conference on Computational Intelligence, Modelling and Simulation; 2010 Sep 28-30; Tuban, Indonesia: IEEE; 2010. p. 39-44.##4. Sarasvathi V, Santhakumaran A. Towards artificial neural network model to diagnose thyroid problems. Global Journal of Computer Science and Technology 2011; 11(5): 53-5.##5. Chuang CL. Case-based reasoning support for liver disease diagnosis. Artif Intell Med 2011;53(1):15-23.##6. Afzali F, Heidari Z, Montazeri M, Ahmadian L, Zahedi M J. Futures studies in health: choosing the best intelligent data mining model to predict and diagnose liver cancer in early stage. Journal of Health and Biomedical Informatics 2015; 2(3):133-40. Persian##7. Rajamani R, Rathika M. Analysis of liver cancer using Adaptive Neuro Fuzzy Inference System (ANFIS). International Journal of Innovative Research in Computer and Communication Engineering 2015; 3(7): 6757-63.##8. Hashmi A, Saleem Khanb M. Diagnosis blood test for liver disease using fuzzy logic. International Journal of Sciences: Basic and Applied Research 2015; 20(1): 151-83.##9. Obayya MI, Areed NF. Liver Cancer Identification using Adaptive Neuro-Fuzzy Inference System. International Journal of Computer Applications 2016; 140(8): 1-7.##10. Fan CY, Chang PC, Lin JJ, Hsieh JC. A hybrid model combining case-based reasoning and fuzzy decision tree for medical data classification. Applied Soft Computin 2011;11(1):632-44.##11. Satarkar SL, Ali MS. Fuzzy expert system for the diagnosis of common liver disease. International Engineering Journal for Research & Development 2013; 1(1): 1-7.##12. Kalaiselvi C, Nasira GM. A novel approach for the diagnosis of diabetes and liver cancer using ANFIS and improved KNN. Research Journal of Applied Sciences, Engineering and Technology 2014; 8(2): 243-50.##13. Neshat M, Yaghobi M. Designing a fuzzy expert system of diagnosing the Hepatitis B Intensity rate and comparing it with adaptive neural network fuzzy system. Proceedings of the World Congress on Engineering and Computer Science, 2009 Oct 20-22; San Francisco, USA: WCECS; 2009.##14. Olaniyi EO, Khashman A. Liver Disease Diagnosis Based on Neural Networks. Proceedings of the 16th International Conference on Neural Networks (NN'15); 2013 Nov 7-9; At Rome, Italy: Advances in Computational Intelligence; 2013. p. 48-53.##15. Bahramirad S, Mustapha A, Eshraghi M. Classification of Liver Disease Diagnosis: A Comparative Study. Informatics and Applications. Second International Conference on Informatics & Applications (ICIA); 2013 Sep 23-25; Lodz, Poland: IEEE; 2013. p. 42- 6.##16. Mirsharif M, Rouhani S. Data mining approach based on neural network and decision tree methods for the early diagnosis of risk of gestational diabetes mellitus. Journal of Health and Biomedical Informatics 2017; 4 (1):59-68. Persian##17. UCI. Machine Learning Repository. [cited 2018 Aug 20] Available from: https://archive.ics.uci.edu/ml/datasets##18. Rajaobelina L, Brun I, Toufaily E. A relational classification of online banking customers. International Journal of Bank Marketing 2013; 31(3): 187-205.##19. Nguyen T, Singh M. Impact of internet banking on customer satisfaction and loyalty: a conceptual model. The Fourth International Conference on Electronic Business; 2004 Dec 5-9; Beijing, China: ICEB; 2004. p. 298-303.##20. Mitchell M. An Introduction to Genetic Algorithms (Complex Adaptive Systems). Cambridge, MA, USA: MIT Press; 1996.##21. Dhimish M, Holmes V, Mehrdadi B, Dales M. Comparing Mamdani Sugeno fuzzy logic and RBF ANN network for PV fault detection. Renewable Energy 2018;117:257-74.##22. David RC, Precup RE, Petriu EM, Rădac MB, Preitl S. Gravitational search algorithm-based design of fuzzy control systems with a reduced parametric sensitivity. Information Sciences 2013;247:154-73.##23. Renault A, Dagli C. Genetic Algorithm Optimization of SoS Meta-Architecture Attributes for Fuzzy Rule Based Assessments. Procedia Computer Science 2016;95:95-102.##24. Xu D, Fu H, Jiang W. Research on Liver Disease Diagnosis Based on RS_LMBP Neural Network. 12th International Conference on Computational Intelligence and Security (CIS); 2016 Dec 16-19; Wuxi, China: IEEE; 2016. p. 646-9.## ##

ضرورت اجرا و راه اندازی رجیستری دوقلوها در ایران The Necessity of Development and Implementation of Twins Registry in Iran 1 1 مقدمه: در سه دهه گذشته توسعه رجیستری دوقلوها با هدف مطالعه خصوصیات منحصر به فرد ژنتیکی و امکان تفکیک میزان اثر منتسب به ژنوتایپ در سراسر دنیا با استقبال فراوانی روبه‌رو بوده است. این اطلاعات سازمان یافته می‌تواند دید جدیدی در رابطه با دلایل بروز بیماری‌ها و اختلالات روانی در اختیار محققین قرار دهد. روش: این مطالعه از نوع مروری تحلیلی است. تمامی رجیستری‌های فعال دوقلوها در سرتاسر دنیا شناسایی شده و خصوصیات هریک توسط محققین مورد بررسی قرار گرفتند. علاه بر این پایگاه داده‌هایPubMed, Scopus, Web of Science, ScienceDirect, Google Scholar با طراحی استراتژی جستجو مورد جستجو قرار گرفت که از میان مطالعات مرتبط، 69 مقاله مرتبط با موضوع پژوهش انتخاب شد.  نتایج: حدود 30 رجیستری ملی ثبت شده با اهداف متفاوت تحقیقاتی در کشورهای مختلف براساس مطالعات منتشر شده به تفکیک کشور، هدف، نوع مطالعه، زمان تأسیس، روش‌های جمع‌آوری داده، نمونه‌های ثبت شده در بیوبانک، دستاوردها و خصوصیات منحصر به فرد تحلیل و بررسی شدند‌. نتیجه‌گیری: با توجه به نتایج ارزشمند رجیستری‌های دوقلوها در دیگر کشورها، توان تولید بالای اسناد علمی و دستیابی به نتایج ارزشمند پژوهشی و از طرف دیگر وجود بیش از 1.300.000 دوقلوی در حال حیات در ایران‌، ایجاد رجیستری دوقلوهای ایرانی و ایجاد بیوبانک به صورت هدفمند می‌تواند منجر به ایجاد یکی از بزرگ‌ترین رجیستری‌های اطلاعات دوقلوها در جهان و منجر به تولید مقالات انبوه و پژوهش‌های ارزشمندی در رابطه با شناسایی عوامل بروز و درمان بیماری‌های مختلف و اختلالات روانی رفتاری شود.   2 Introduction: In the last three decades, national twins registries have been developed throughout the world with the aim of studying unique genetic characteristics and the possibility of determining the genotypic effects. This structured information can provide new vision in relation to the causes of diseases and psychological disorders. Method: In this analytic review, all active twins registries around the world were identified and their properties were examined by researchers. Additionally, PubMed, Scopus, Web of Science, Science Direct and Google Scholar databases were searched based on our search strategy. Finally, 69 articles related to the aim of study were selected. Results: Thirty founded national twins registries were analyzed in terms of the country, the goal and type of study, time of foundation, methods for information gathering, biobank samples, outcomes and unique characteristics. Conclusion: Considering the valuable results of twins registries in other countries, high potential of production of scientific documents and obtaining valid results and on the other hand, and the presence of more than 1,300,000 existing twins in Iran, developing a national Iranian twins registry and creating a biobank could be lead to creating one of the biggest national twins registries in the world. This, in turn, could be resulted in producing scientific publications in relation to the identification of cause of different diseases and mental disorders. 398 410 2018/05/42018/04/162018/06/62018/05/182017/11/212017/12/92017/11/28 1396/9/7 2018/09/112018/09/82018/09/12018/10/92018/08/152018/09/292018/07/18 1397/4/27 حمیدرضا ابطحی Hamidreza Abtahi فوق تخصص بیماری های ریوی، دانشیار گروه داخلی، مرکزتحقیقات بیماریهای ریوی، بیمارستان امام خمینی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران hrabtahi@tums.ac.ir مرسا غلامزاده Marsa Gholamzadeh دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده پیراپزشکی و مرکز تحقیقات قفسه صدری، دانشگاه علوم پزشکی تهران، ایران ایران m-gholamzadeh@razi.tums.ac.ir لیلا شاهمرادی Leila Shahmoradi دانشیار گروه مدیریت اطلاعات سلامت، دکترای مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران l.shahmoradi@tums.ac.ir Twins Registry Medical researches Health information management دوقلوها رجیستری تحقیقات پزشکی مدیریت اطلاعات سلامت 1. Berti E, De Palma R. Registries for health technology assessment: Back to the future. Int J Cardiol 2016;207:125-6.##2. Hur YM, Craig JM. Twin registries worldwide: an important resource for scientific research. Twin Res Hum Genet 2013;16(1):1 12.##3. Morin RL. Utility of medical data registries. J Am Coll Radiol 2014;11(12 Pt A):1191.##4. Pass HI. Medical registries: continued attempts for robust quality data. J Thorac Oncol 2010;5(6 Suppl 2):S198-9.##5. Psoter KJ, Rosenfeld M. Opportunities and pitfalls of registry data for clinical research. Paediatr Respir Rev 2013;14(3):141-5.##6. Steves CJ, Spector TD, Jackson SH. Ageing, genes, environment and epigenetics: what Twin studies tell us now, and in the future. Age Ageing 2012;41(5):581-6.##7. van Dongen J, Slagboom PE, Draisma HHM, Martin NG, Boomsma DI. The continuing value of Twin studies in the omics era. Nature Reviews Genetics 2012;13:640-53.##8. Sahu M, Prasuna JG. Twin studies: a unique epidemiological tool. Indian J Community Med 2016; 41(3): 177–82.##9. Gjerde LC, Torvik FA, Østby KA, Knudsen GP, Czajkowski N, Reichborn-Kjennerud T, et al. Advantages of linking national registries with Twin registries for epidemiological research. Norsk Epidemiologi 2016; 26(1-2): 83-92.##10. Segal NL. Twin classics: research that always inspires/Twin studies: elder Twin relationships; Superfecundated Twinning in chimpanzees; Conjoined Twinning and embryo transfer; reduced frequency of in vitro multiples/Professional and human interest: first identical Twin renal transplant; Identical triplet wedding; Spanakos Twins: boxers; Twins in space; political Twins. Twin Res Hum Genet 2015;18(4):478-84.##11. Anderson LS, Beverly WT, Corey LA, Murrelle L.The Mid-Atlantic Twin registry. Twin Res 2002;5(5):449-55.##12. Stazi MA, Cotichini R, Patriarca V, Brescianini S, Fagnani C, D'Ippolito C, et al. The Italian Twin Project: from the personal identification number to a national Twin registry. Twin Res 2002;5(5):382-6.##13. Cotichini R, Fagnani C, Patriarca V, Nistico L, Brescianini S, Cirrincione R, et al. Twins in biomedical research and the creation of the "National Twin Registry". Epidemiol Prev 2003;27(5):297-302. Italian##14. Busjahn A. Twin registers across the globe: what's out there in 2002? Twin Res 2002;5(5):v-vi.##15. Yang H, Li X, Cao W, Lu J, Wang T, Zhan S, et al. Chinese National Twin Registry as a resource for genetic epidemiologic studies of common and complex diseases in China. Twin Res 2002;5(5):347-51.##16. Drolet BC, Johnson KB. Categorizing the world of registries. J Biomed Inform 2008;41(6):1009-20.##17. Skytthe A, Kyvik K, Holm NV, Vaupel JW, Christensen K. The Danish Twin registry: 127 birth cohorts of Twins. Twin Res 2002;5(5):352-7.##18. Skytthe A, Kyvik KO, Holm NV, Christensen K. The Danish Twin Registry. Scand J Public Health 2011;39(7 Suppl):75-8.##19. Buchwald D, Kaprio J, Hopper JL, Sung J, Goldberg J, Fortier I, et al. International network of Twin registries (INTR): building a platform for international collaboration. Twin Res Hum Genet 2014;17(6):574-7.##20. Hayakawa K, Iwatani Y. An overview of multidisciplinary research resources at the Osaka University Center for Twin Research. Twin Res Hum Genet 2013;16(1):217-20.##21. Brescianini S, Fagnani C, Toccaceli V, Medda E,Nistico L, D'Ippolito C, et al. An update on the Italian Twin Register: advances in cohort recruitment, project building and network development. Twin Res Hum Genet 2013;16(1):190-6.##22. Chulada PC, Corey LA, Vannappagari V, Whitehead NS, Blackshear PJ. The feasibility of creating a population-based national Twin registry in the United States. Twin Res Hum Genet 2006;9(6):919-26.##23. Spector TD, Williams FM. The UK Adult Twin Registry (Twins UK). Twin Res Hum Genet 2006;9(6):899-906.##24. Hopper JL, Foley DL, White PA, Pollaers V. Australian Twin Registry: 30 years of progress. Twin Res Hum Genet 2013;16(1):34-42.##25. Hur YM, Jeong HU, Chung KW, Shin JS, Song TB. The South Korean Twin Registry: an update. Twin Res Hum Genet 2013;16(1):237-40. Jahanfar S, Jaffar SH. Malaysian Twin Registry. Twin Res Hum Genet 2013;16(1):246-7.##26. Kaprio J. The Finnish Twin Cohort Study: an update. Twin Res Hum Genet 2013;16(1):157-62.##27. Kovas Y, Galajinsky EV, Boivin M, Harold GT,Jones A, Lemelin JP, et al. The Russian School Twin Registry (RSTR): project PROGRESS. Twin Res Hum Genet 2013;16(1):126-33.##28. Lichtenstein P, De Faire U, Floderus B, Svartengren M, Svedberg P, Pedersen NL. The Swedish Twin Registry: a unique resource for clinical, epidemiological and genetic studies. J Intern Med 2002;252(3):184-205.##29. Nilsen TS, Brandt I, Magnus P, Harris JR. The Norwegian Twin Registry. Twin Res Hum Genet 2012;15(6):775-80.##30. Sumathipala A, Siribaddana S, Hotopf M, McGuffin P, Glozier N, Ball H, et al. The Sri Lankan Twin Registry: 2012 update. Twin Res Hum Genet 2013;16(1):307-12.##31. Sarna S, Kaprio J, Sistonen P, Koskenvuo M. Diagnosis of Twin zygosity by mailed questionnaire. Hum Hered 1978;28(4):241 54.##32. Burt SA, Klump KL. The Michigan State University Twin Registry (MSUTR): an update. Twin Res Hum Genet 2013;16(1):344-50.##33. Kandler C, Riemann R, Spinath FM, Bleidorn W, Thiel W, Angleitner A. The Bielefeld Longitudinal Study of Adult Twins (BiLSAT). Twin Res Hum Genet 2013;16(1):167-72.##34. Hopper JL. The Australian Twin Registry. Twin Res 2002;5(5):329-36.##35. Ordonana JR, Rebollo-Mesa I, Carrillo E, ColodroConde L, Garcia-Palomo FJ, Gonzalez-Javier F, et al. The Murcia Twin Registry: a population-based registry of adult multiples in Spain. Twin Res Hum Genet 2013;16(1):302-6.##36. Avinun R, Knafo A. The Longitudinal Israeli Study of Twins (LIST)-an integrative view of social development. Twin Res Hum Genet 2013;16(1):197-201.##37. Fagnani C, Brescianini S, Cotichini R, D'Ippolito C, Dukic T, Giannantonio L, et al. The Italian Twin Register: new cohorts and tools, current projects and future perspectives of a developing resource. Twin Res Hum Genet 2006;9(6):799-805.##38. Ferreira PH, Oliveira VC, Junqueira DR, Cisneros LC, Ferreira LC, Murphy K, et al. The Brazilian TwinRegistry. Twin Res Hum Genet 2016;19(6):687-91.##39. Derom C, Vlietinck R, Thiery E, Leroy F, Fryns JP, Derom R. The East Flanders Prospective Twin Survey (EFPTS). Twin Res 2002;5(5):337-41.##40. Nanakorn S, Chusilp K, Kutanan W. Thai Twin Registry: description of the initial stage. Twin Res Hum Genet 2013;16(1):330-2.##41. Oncel SY, Aliev F. Turkish Twin study: an initial step. Twin Res Hum Genet 2013;16(1):333-5.##42. Hayakawa K, Kato K, Onoi M, Yang-Ping C, Kanamori M, Doi S, et al. The Osaka University Aged Twin Registry: epigenetics and identical Twins discordant for aging-dependent diseases. Twin Res Hum Genet 2006;9(6):808-10.##43. Lichtenstein P, Sullivan PF, Cnattingius S, Gatz M, Johansson S, Carlstrom E, et al. The Swedish Twin Registry in the third millennium: an update. Twin Res Hum Genet 2006;9(6):875-82.##44. Almqvist C, Ortqvist AK, Ullemar V, Lundholm C, Lichtenstein P, Magnusson PK. Cohort Profile: Swedish Twin Study on Prediction and Prevention of Asthma (STOPPA). Twin Res Hum Genet 2015;18(3):273-80.##45. Ivanovic DM, Llop ER, Alvear JA, Perez HT, Diaz NS, Leyton BD, et al. Chilean school-age children Twin registry: planning, sampling and implications. Twin Res Hum Genet 2006;9(6):743-6.##46. Raiha I, Kaprio J, Koskenvuo M, Rajala T, Sourander L. Alzheimer's disease in Finnish Twins. Lancet 1996;347(9001):573-8.##47. Kaprio J, Koskenvuo M. Genetic and environmental factors in complex diseases: the older Finnish Twin Cohort. Twin Res 2002;5(5):358-65.##48. Jang KL, Taylor S, Livesley WJ. The University of British Columbia Twin project: personality is something and personality does something. Twin Res Hum Genet 2006;9(6):739-42.##49. Jang KL, Taylor S, Livesley WJ. The University of British Columbia Twin Project: personality is something and personality does something. Twin Res Hum Genet 2006;9(6):739-42.##50. Marcheco-Teruel B, Cobas-Ruiz M, Cabrera-Cruz N, Lantigua-Cruz A, Garcia-Castillo E, LardoeytFerrer R, et al. The cuban Twin registry: initial findings and perspectives. Twin Res Hum Genet 2013;16(1):98-103.##51. Bjerregaard-Andersen M, Gomes MA, Joaquim LC, Rodrigues A, Jensen DM, Christensen K, et al. Establishing a Twin registry in Guinea-Bissau. Twin Res Hum Genet 2013;16(1):179-84.##52. Tarnoki AD, Tarnoki DL, Horvath T, Metneki J, Littvay L. Hungarian Twin studies: results of four decades. Orv Hetil 2013;154(40):1579-86. Hungarian##53. Hur YM, Kim JW, Chung KW, Shin JS, Jeong HU, Auta E. The Nigerian Twin and sibling registry. Twin Res Hum Genet 2013;16(1):282-4.##54. Boomsma DI, de Geus EJ, Vink JM, Stubbe JH, Distel MA, Hottenga JJ, et al. Netherlands Twin Register: from Twins to Twin families. Twin Res Hum Genet 2006;9(6):849-57.##55. Magnusson PK, Almqvist C, Rahman I, Ganna A, Viktorin A, Walum H, et al. The Swedish Twin Registry: establishment of a biobank and other recent developments. Twin Res Hum Genet 2013;16(1):317-29.##56. Toccaceli V, Brescianini S, Fagnani C, Gigantesco A, D'Abramo F, Stazi MA. What potential donors in research biobanking want to know: a large population study of the italian Twin registry. Biopreserv Biobank 2016;14(6):456-463.##57. Shahraki AD, Ghabaee M, Shahmoradi L, Malak JS, Jazani MR, Safdari R. Smart Acute Stroke Quality Registry Design-Data Elements Identification. J Registry Manag 2018;45(1):43-7.##58. Shahraki AD, Ghabaee M, Shahmoradi L, Malak JS, Jazani MR, Safdari R. Smart Acute Stroke Quality Registry Design-Data Elements Identification. J Registry Manag 2018;45(1):43-47.##59. Iran Daily. Iran birth rate rises. [cited 2017 Oct 26]. Available from. http://www.irandaily.com/News/114810.html.##60. Krasnow RE, Jack LM, Lessov-Schlaggar CN, Bergen AW, Swan GE. The Twin Research Registry at SRI International. Twin Res Hum Genet 2013;16(1):463-70.##61. Aslani S, Rezaei R, Jamshidi A, Mahmoudi M. Genetic and epigenetic etiology of autoimmune diseases: lessons from Twin studies. Rheumatology Research 2018;3(2):45-57. Persian##62. Busjahn A, Hur YM. Twin registries: an ongoing success story. Twin Res Hum Genet 2006;9(6):705.## ##

مقایسه اتصال اینترفرون ‌بتای طبیعی و جهش‌یافته (mHuIFN-β 27-101) به پذیرندهIFNRA به کمک داکینگ مولکولی Comparison of Wild Type and Mutated (mHuIFN-β 27-101) Interferon Binding to the IFNRA Receptor by Molecular Docking 1 1 مقدمه: اینترفرون بتا جزء گروه I  اینترفرون‌ها می‌باشد. ایجاد جهش‌های R27T و V101F از جمله پژوهش‌های مهم صورت گرفته در جهت بهبود عملکرد، کاهش ایمونوژنیسیتی، افزایش بیان و افزایش نیمه عمر آن می‌باشد. در این تحقیق اثر جهش‌های R27T و V101F بر اتصال اینترفرون ‌بتا‌ نوترکیب به پذیرنده‌ IFNAR به کمک داکینگ مولکولی مورد بررسی قرار گرفت. روش: این مطالعه به صورت بیوانفورماتیکی انجام شد. ساختارهای کریستالی مورد‌نیاز از بانک اطلاعاتی RCSB تهیه گردید. شبیه‌سازی جهش‌ R27T و V101Fدر نرم‌افزار بر خط Rosetta Bakrub انجام گرفت. مقایسه دسترسی به حلال برای اسید‌آمینه‌ها در ساختارهای ایجاد شده، در سرور برخط asaview انجام گرفت. همچنین اثر جهش‌های ایجاد شده بر ساختار و پیچ خوردگی پروتئینی در سرور برخط Hope و نرم‌افزار SPDBV و داکینگ مولکولی بین HuIFN-β و ناحیه خارجی پذیرنده IFNAR با استفاده از سرور برخط داکینگ پروتئین-پروتئین  ClusPro2 انجام گرفت. نتایج: مقایسه مقادیر منفی‌ترین سطح انرژی اتصال( ΔGbind) حاصل از داکینگ مولکولی پروتئین-پروتئین بین پذیرنده IFNAR و لیگاندهایHuIFN-β، mHuIFN-β-27، mHuIFN-β-101 و mHuIFN-β-27-101 تفاوت فاحشی را نشان ندادند و اختلاف معنی‌داری بین آن‌ها مشاهده نگردید (0/99P>). نتیجه‌گیری: با توجه به این نتایج می‌توان استنباط کرد که جهش‌های ایجاد شده اثر منفی بر تشکیل ترکیب rHuIFN-β/IFNAR ندارد و اختلالی در اتصال اینتر‌فرون بتای نوترکیب به پذیرنده ایجاد نمی‌کند و باعث افزایش بهبود و کیفیت rHuIFN-β تولیدی گردید.   2 Introduction: Interferon beta is one of the members of type I interferons. Creating R27T and V101F mutations is one of the important researches performed to improve function, decrease immunogenicity, increase expression and increase half-life of interferon beta. In this study, the effects of R27T and V101F mutations on interferon beta binding to interferon receptors were studied by molecular docking. Method: This study was performed through Bioinformatics methods. The required crystal structures were provided by the RCSB server. The simulations of R27T and V101F mutations were performed using online Rosetta Backrub software. Comparison of access to the solvent for the amino acids in the created structures was performed using asaview online server. Also, the effect of mutations on the structure and protein folding was investigated by the online Hope server and SPDBV software. The molecular docking between HuIFN-β and the external region of IFNAR receptor was performed using the online ClusPro2 protein-protein docking server. Results: The comparison of the values of the negative binding energy (ΔGbind) obtained from protein-protein molecular docking between IFNAR receptor and HuIFN-β, mHuIFN-β-27, mHuIFN-β-101 and mHuIFN-β-27-101 ligands did not show a significant difference (P> 0.99). Conclusion: Regarding these results, it can be concluded that the produced mutations do not have a negative effect on the forming of rHuIFN-β/IFNAR complex and does not interfere with the binding of the interferon beta to the receptor and thus improves the quality of the produced rHuIFN-β.   411 422 2018/05/42018/04/162018/06/62018/05/182017/11/212017/12/92017/11/282018/07/19 1397/4/28 2018/09/112018/09/82018/09/12018/10/92018/08/152018/09/292018/07/182018/10/11 1397/7/19 زهره حجتی Zohreh Hojati دانشجوی دکتری تخصصی ژنتیک مولکولی، بخش ژنتیک،گروه زیست‌شناسی، دانشکده علوم، دانشگاه اصفهان، اصفهان، ایران ایران z.hojati@sci.ui.ac.ir سید شریف بلخی Sayed Sharif Balkhi دکتری تخصصی ژنتیک مولکولی، دانشیار، بخش ژنتیک، گروه زیست‌شناسی، دانشکده علوم، دانشگاه اصفهان، اصفهان، ایران ایران s.balkhi@sci.ui.ac.ir Interferon Beta Molecular Docking IFNAR اینترفرون بتا داکینگ مولکولی پذیرنده اینترفرون 1. Capobianchi MR, Uleri E, Caglioti C, Dolei A. Type I IFN family members: similarity, differences and interaction. Cytokine Growth Factor Rev 2015;26(2):103-11.##2. Schleicher U, Liese J, Justies N, Mischke T, Haeberlein S, Sebald H, et al. Type I Interferon Signaling Is Required for CpG-OligodesoxynucleotideInduced Control of Leishmania major, but Not for Spontaneous Cure of Subcutaneous Primary or Secondary L. major Infection. Front Immunol 2018;9:79.##3. Kay M, Hasan-Abad AM, Hojati Z, Korbekandi H. Targeted mutations in Val101 and Arg27 interferon beta protein increase its transcriptional and translational activities. Cytokine 2016;78:1-6.##4.Vazquez-Lombardi R, Roome, B, Christ D. Molecular Engineering of Therapeutic Cytokines Antibodies 2013; 2(4): 42651.##5. Penny R, Stuart‐Harris R. Interferons: Therapeutic Uses. eLS 2001.##6. Muskardin TLW, Niewold TB. Type I interferon in rheumatic diseases. Nat Rev Rheumatol 2018;14(4):214-28.##7. Feld JJ. The beginning of the end: what is the future of interferon therapy for chronic hepatitis C? Antiviral Res 2014;105:32-8.##8. Dolati S, Babaloo Z, Jadidi-Niaragh F, Ayromlou H, Sadreddini S, Yousefi M. Multiple sclerosis:Therapeutic applications ofadvancing drug delivery systems. Biomed Pharmacother 2017;86:343-53.##9. Schreiber G, Piehler J. The molecular basis for functional plasticity in type I interferon signaling.Trends Immunol 2015;36(3):139-49.##10. Wilmes S, Beutel O, Li Z, Francois-Newton V, Richter CP, Janning D, et al. Receptor dimerization dynamics as a regulatory valve for plasticity of type I interferon signaling. J Cell Biol 2015;209(4):579-93.##11. Jakimovski D, Kolb C, Ramanathan M, Zivadinov R, Weinstock-Guttman B. Interferon beta for Multiple Sclerosis. Cold Spring Harb Perspect Med 2018;8(11).##12. Imanishi J. Basis and Clinical Applications of Interferon. Japan Medical Association Journal 2004;47(1):7-12.##13. Karpusas M, Whitty A, Runkel L, Hochman P. The structure of human interferon-beta: implications for activity. Cell Mol Life Sci 1998;54(11):1203-16.##14. Deonarain R, Chan DC, Platanias LC, Fish EN. Interferon-alpha/beta-receptor interactions: a complex story unfolding. Curr Pharm Des 2002;8(24):2131-7.##15. Runkel L, deDios C, Karpusas M, Betzenhauser M, Muldowney C, Zafari M, et al. Systematic mutational mapping of sites on human interferon-beta-1a that are important for receptor binding and functional activity. Biochemistry 2000;39(10):2538-51.##16. Rudick RA, Goelz SE. Beta-interferon for multiple sclerosis. Exp Cell Res 2011;317(9):1301-11.##17. Han YK, Koo TY, Lee GM. Enhanced interferonbeta production by CHO cells through elevated osmolality and reduced culture temperature.Biotechnol Prog 2009;25(5):1440-7.##18. Song K, Yoon IS, Kim NA, Kim DH, Lee J, Lee HJ, et al. Glycoengineering of interferon-beta 1a improves its biophysical and pharmacokinetic properties. PLoS One 2014;9(5):e96967.##19. Smith CA, Kortemme T. Backrub-like backbone simulation recapitulates natural protein conformational variability and improves mutant side-chain prediction.J Mol Biol 2008;380(4):742-56.##20. Ahmad S, Gromiha M, Fawareh H, Sarai A. ASAView: database and tool for solvent accessibility representation in proteins. BMC Bioinformatics 2004;5:51.##21. Venselaar H, Te Beek TA, Kuipers RK, Hekkelman ML, Vriend G. Protein structure analysis of mutations causing inheritable diseases. An e-Science approach with life scientist friendly interfaces. BMC Bioinformatics 2010;11:548.##22. Guex N, Peitsch MC. SWISS-MODEL and the Swiss-PdbViewer: an environment for comparative protein modeling. Electrophoresis 1997;18(15):2714-23.##23. Chill JH, Quadt SR, Levy R, Schreiber G, Anglister J. The human type I interferon receptor: NMR structureئ reveals the molecular basis of ligand binding. Structure2003;11(7):791-802.##24. Kozakov D, Hall DR, Xia B, Porter KA, Padhorny D, Yueh C, et al. The ClusPro web server for proteinprotein docking. Nat Protoc 2017;12(2):255-278.##25. Goelz SE, Cate RL, Chow EP, Pepinsky RB. Muteins of IFN-β. Google Patents; 2000.##26. de Weerd NA, Matthews AY, Pattie PR, Bourke NM, Lim SS, Vivian JP, et al. A hot spot on interferon ئalpha/beta receptor subunit 1 (IFNAR1) underpins its interaction with interferon-beta and dictates signaling. JBiol Chem 2017;292(18):7554-65.## ##