1397 5 4 18 519

پیشنهاد معماری مناسب سامانه‌های تصمیم‌یار پزشکی در حیطه مراقبت‌های پیچیده بیماری‌های مزمن: استفاده از میکروسرویس‌ها در مراقبت بیماران پیوند کلیه Proposing an Appropriate Architecture for Decision Support Systems in the Field of Complex Chronic Care: Micro-Services Based Software Architecture in Kidney Transplant Care 1 1 مقدمه: به کارگیری موفقیت‌آمیز سیستم‌های تصمیم‌یار پزشکی مبتنی بر دانش در حوزه مراقبت از بیماران پیوند کلیه می‌تواند در اتخاذ بهترین تصمیمات ممکن، کاهش هزینه و افزایش کیفیت مراقبت مؤثر واقع شود. در این بین، علاوه بر چالش‌های به کارگیری آن‌ها در حیطه مراقبت‌های بیماران مزمن‌، عدم وجود ساختار معماری مناسب چالشی است که به مرور زمان برجسته‌تر می‌گردد؛ لذا مطالعه حاضر با هدف پیشنهاد معماری مناسب برای این سیستم‌ها در حوزه پیوند کلیه انجام گردید. روش: در این مطالعه موردی، از تجربه به دست آمده در طراحی سیستم مدیریت پیوند کلیه ارومیه استفاده شد و سپس با در نظر گرفتن زمینه‌های اصلی کاربرد این سیستم‌ها در حوزه پیوند کلیه و چالش‌های به کارگیری آن‌ها، ساختار معماری مناسبی برای آن‌ها با بهره‌گیری از آخرین پیشرفت‌ها درحوزه فناوری‌های توسعه نرم‌افزار در قالب میکروسرویس‌ها پیشنهاد شد.  نتایج: به ازای هر عملکرد مستقل این سیستم در حوزه پیوند کلیه، سه سرویس جداگانه جمع‌آوری داده‌ها، ساخت مدل بهینه و به‌کارگیری آن پیشنهاد شد. این سرویس‌ها با اجرا بر روی بسترهای فراهم شده می‌توانند به درخواست‌های مختلف کاربران پاسخ داده، دانش و اطلاعات مناسبی را تولید و در اختیار آنان قرار دهند. نتیجه‌گیری: با بهره‌برداری از این ساختار، تیم‌های پزشکی و تحقیقاتی مختلف در سراسر کشور قادر خواهند بود فقط بر روی ساخت یک عملکرد خاص متمرکز شده و آن را به بهترین شکل ممکن انجام دهند. این ساختار پیشنهادی توسعه‌پذیر و مقیاس‌پذیر بوده و قادر است علیرغم افزایش حجم و نوع داده‌ها، افزایش کاربران و تعداد درخواست‌ها به‌راحتی پاسخگو باشد.   2 Introduction: Development and successfully implementation of knowledge based clinical decision support system (KBCDSS) in kidney transplantation (KT) could support decision-making, reduce cost and improve quality of care. For practical use of these systems, however, many challenges have to be met.  Besides to well-recognized challenges of design and implementation of information systems in healthcare domain, designing an appropriate architecture for KBCDSS that can address requirements of complex and multidisciplinary chronic care, is a new growing challenge. Method: This case study was done based on the experience achieved in design of kidney transplantation management system in Urmia. Then, considering main applications and challenges of development and implementation of KBCDSS in Kidney transplantation and using the latest advancements in software technology field, appropriate software architecture based on micro-services has been proposed. Results: For each function (process) of the KBCDSS, three different micro-services of data gathering, optimal model designing and its application were proposed. These services, through implementation on provided backgrounds, can respond to different requests of patients and provide them with adequate knowledge and information. Conclusion: Use of this architecture makes it possible for different research teams with different skills and knowledge throughout the country to focus on designing a specific function and doing it in a best way. The proposed architecture can be extended and scaled. Moreover, in spite of increase in size and type of data, users and requests, it can respond well.   423 434 2018/05/12 1397/2/22 2018/09/6 1397/6/15 پرویز رشیدی خزاعی Parviz Rashidi Khazaee دانشجوی دکتری فناوری اطلاعات، کامپیوتر، مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران ایران p.rashidi@urmia.ac.ir جمشید باقرزاده Jamshid Bagherzadeh دکتری مهندسی نرم افزار، کامپیوتر، دانشیار، مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران ایران j.bagherzadeh@urmia.ac.ir زهرا نیازخانی Zahra Niazkhani دکتری تخصصی انفورماتیک پزشکی، دانشیار، فناوری اطلاعات سلامت، پیراپزشکی، علوم پزشکی ارومیه، ارومیه، ایران ایران niazkhani.z@umsu.ac.ir حبیب الله پیرنژاد Habibollah Prinejad دکتری تخصصی انفورماتیک پزشکی، دانشیار، فناوری اطلاعات سلامت، پیراپزشکی، علوم پزشکی ارومیه، ارومیه، ایران ایران pirnejad.h@umsu.ac.ir Decision Support Systems Clinical Kidney Transplantation Microservices Software Architecture سیستم‌های تصمیم‌یار پزشکی پیوند کلیه میکروسرویس معماری نرم‌افزار 1. Kidney Disease: Improving Global Outcomes(KDIGO) Transplant Work Group. KDIGO clinical practice guideline for the care of kidney transplant recipients. Am J Transplant 2009;9 Suppl 3:S1-155.##2. Casimir P. Role of clinical decision support systems in improving clinical practice. MOJ Clinical & Medical Case Reports 2015;2(6):1-6.##3. Rajalakshmi K, Mohan SC, Babu SD. Decision support system in healthcare industry. International Journal of Computer Applications 2011;26(9):42-4.##4. Haynes RB, Wilczynski NL. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: methods of a decision-maker-researcher partnership systematic review. Implement Sci 2010;5:12.##5. Raghupathi W, Raghupathi V. Big data analytics in healthcare: promise and potential. Health Inf Sci Syst 2014; 2: 3.##6. Abdullah AL, Albeladi KS, AlCattan RF. Clinical decision support system in healthcare industry success and risk factors. International Journal of Computer Trends and Technolog 2014;11(4):188-92.##7. Schoff L. Comparing the challenges of implementing decision support systems in the healthcare and financial industries. Health Care and Informatics Review Online 2009;13(3):3-10.##8. Newman S. Building Microservices: Designing Fine-Grained Systems. 1th ed. USA: O'Reilly Media; 2015.##9. Docker. [cited 2018 Jun 1]. Available from http://www.docker.com.##10. Bioboxes and Biodocker. [cited 2018 Jun 1] Available from (http://bioboxes.org) and (http://biodocker.org).##11. Mauro T. Adopting microservices at netflix: Lessons for architectural design. [cited 2018 Jun 1]. Available from: https://www.nginx.com/blog/microservices-at-netflixarchitectural-best-practices/.##12. Martsenyuk VP, Andrushchak IY. On development of information system for emergency medicine based on microservices architecture. Medical Informatics and Engineering 2017; 30(1): 12-20.##13. Thiyagarajan S. Microservice architecture to monitor body temperature using internet of things. International Research Journal of Engineering and Technology 2018; 5(1): 506-9.##14. Andrikos C, Rassias G, Tsanakas P, Maglogiannis IG. An enhanced device-transparent real-time teleconsultation environment for radiologists. IEEE Journal of Biomedical and Health Informatics 2019; 23(1): 374 –86.##15. Williams CL, Sica JC, Killen RT, Balis UGJ. The growing need for microservices in bioinformatics. J Pathol Inform 2016; 7: 45.##16. Masuda Y, Yamamoto S, Shirasaka S. A Vision for Open Healthcare Platform 2030. 11th International KES Conference on Intelligent Interactive Multimedia: Systems and Services; 2018 Jun 20; Gold Coast, Australia: Springer Science and Business Media Deutschland GmbH; 2018. p. 175-85.##17. Niazkhani Z, Pirnejad H, Rashidi P, Makhdomi K, Taghizadeh Afshari A, Mohammadi Fallahi M, et al. Modeling and designing a computerized transplant information system for clinical management of kidney transplant patients in the Urmia Kidney Transplant Center, Iranian Journal of Kidney Diseases 2015; 9(S1): 34.##18. Oh S, Cha J, Ji M, Kang H, Kim S, Heo E, et al. Architecture design of healthcare software-as-a-service platform for cloud-based clinical decision support service. Healthc Inform Res 2015;21(2):102-10.##19. Khazaee PR, Pirnejad H, Bagherzadeh J, Niazkhani Z. Towards realizing benefits of information technology in organ transplant: a review. Studies in Health Technology and Informatics 2016; 226: 29-32.##20. Niazkhani Z, Pirnejad H, Rashidi Khazaee P. The impact of health information technology on organ transplant care: a systematic review. Int J Med Inform 2017;100:95-107.##21. Friedman E, Dunning T. Machine Learning Logistics: Model Management in the Real World. USA: O'Reilly Media; 2017.##22. Cheshme-Kabodi M, Pirnejad H, Makhdomi K, Nikibakhsh AA, Taghizadeh Afshari A, Niazkhani Z. Chronic Kidney Disease registry in Iran: aims, stakeholders, and minimum data set. 1st International Congress of Diseases and Health Outcomes Registry; 2017 Feb; Mashhad: Mashhad University of Medical Sciences; 2017. p. 30-1.##23. Chu SC. From component-based to service oriented software architecture for healthcare. Proceedings of 7th International Workshop on Enterprise networking and computing in Healthcare Industry; 2005 Jun 23-25; Busan, South Korea, South Korea: IEEE; 2005. p. 96-100.##24. Balalaie A, Heydarnoori A, Jamshidi P. Microservices architecture enables devops: migration to a cloud-native architecture. IEEE Software 2016;33(3):42-52.##25. Richards M, Microservices VS. Service-oriented architecture. O'Reilly Media; 2015.##26. Seo KT, Hwang HS, Moon IY, Kwon OY, Kim BJ. Performance comparison analysis of linux container and virtual machine for building cloud. Advanced Science and Technology Letters 2014; 66:105-11.##27. Lewis J, Fowler M. Microservices [cited 2018 Jun2]. Available from https://martinfowler.com/articles/microservices.html.##28. Anooj PK. Clinical decision support system: Risk level prediction of heart disease using weighted fuzzy rules. Journal of King Saud University - Computer and Information Sciences 2012;24(1):27-40.## ##

استفاده از تکنیک‌های داده کاوی جهت تشخیص افتراقی بیماری‌های فقر آهن و بتا-تالاسمی مینور Using Data Mining Models for Differential Diagnosis of Iron Deficiency Anemia and β-thalassemia Minor 1 1 مقدمه: کم‌خونی، فقرآهن یکی از شایع‌ترین انواع کم خونی است که تشخیص افتراقی اصلی آن بتا-تالاسمی مینور می‌باشد. غـربالگری سـریـع و دقـیـق بتا-تالاسمی مینور جهت مشاوره پزشکی قبل از ازدواج و جـلوگـیری از تولد نـوزادان مبتلا به بتا-تالاسمی ماژور و تمایز آن از فـقرآهـن برای پیشگیری از تجویز نابه‌جای آهن برای درمان بتا-تالاسمی مینور از اهمیت ویژه‌ای برخوردار است. هدف مطالعه حاضر به‌کارگیری تکنیک‌های داده‌کاوی جهت افتراق فقر آهن از بتا-تالاسمی مینور بر اساس آزمایش‌های CBC به منظور افزایش سرعت تشخیص و کاهش هزینه‌های تشخیصی است. روش: پژوهش حاضر از نوع گذشته‌نگر و بر روی داده‌های 1000 بیمار در آزمایشگاه دکتر حیدری شهرستان زاهدان انجام گرفت. برای انجام تحقیق از روش استاندارد CRISP-DM و الگوریتم‌های داده‌کاوی ماشین بردار پشتیبان، بیزین ساده، بگینگ، آدابوست و درخت تصمیم استفاده شد. برای تحلیل داده‌ها نرم‌افزار Weka به کار رفت. نتایج: نتایج ارزیابی‌های انجام گرفته نشان می‌دهد که الگـوریتم‌های بگینگ، درخت تصمیم، آدابوست، ماشین بردار پشتیبان و بیزین ساده در افتراق فقر آهن از بتا-تالاسمی مینور به ترتیب به دقت 95/73، 95/5، 94/6، 80/2، 76/6 درصد دست یافته‌اند. نتیجه‌گیری: در این تحقیق روشی خودکار مبتنی بر تکنیک‌های داده‌کاوی برای افتراق فقر آهن از بتا-تالاسمی مینور ارائه شد. نتایج ارزیابی‌ها نشان می‌دهد که الگوریتم بگینگ در افتراق فقر آهن از بتا-تالاسمی مینور به دقت بالاتری در مقایسه با سایر الگوریتم‌های داده‌کاوی و شاخص‌های افتراقی دست یافت. همچنین به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده‌اند که می‌توانند در تشخیص به موقع دو بیماری مذکور توسط پزشک مورد استفاده قرار گیرند.   2 Introduction: One of the most common types of anemia is Iron deficiency anemia that its main differential diagnosis is β-thalassemia minor. The rapid and accurate screening of β-thalassemia minor has particular importance for pre-marriage medical counseling and the prevention of the birth of neonates with β-thalassemia major and differentiating it from iron deficiency anemia to avoid unnecessary prescription of iron. The aim of this study was to apply data mining techniques to differentiate iron deficiency anemia from β-thalassemia minor based on CBC test in order to increase the diagnostic speed and to reduce diagnostic costs. Method: The present study was a retrospective study and was performed on 1000 patients referred to Dr. Heidari laboratory of Zahedan city. To conduct research, CRISP-DM standard methodology and support vector machine data mining algorithms, naive Bayes, Bagging, Adaboots and decision tree have been used. WEKA software was used to analyze the data. Results: The results of the evaluations show that Bagging, Decision tree, Adaboots, support vector machine, and naive Bayes algorithms had respectively 95.73%, 95.5%, 94.6%, 80.2% and 76.6% accuracy in differentiating iron deficiency anemia from β-thalassemia minor. Conclusion: In this study, an automatic method based on data mining techniques for differentiation of iron deficiency anemia from β-thalassemia minor is presented. The results of the evaluations show that Bagging algorithm has higher accuracy compared to other data mining algorithms and differential indices. Also, with the help of the decision tree, rules have been extracted that can be used by the physician in timely diagnosis of the two diseases.   435 446 2018/05/122018/07/18 1397/4/27 2018/09/62018/11/11 1397/8/20 سمیرا نوفرستی Samira Noferesti دکترای مهندسی کامپیوتر‌، استادیار گروه مهندسی فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران ایران snoferesti@ece.usb.ac.ir نرگس شمشادی نژاد Narges Shemshadi Nejad کارشناسی ارشد مهندسی نرم‌افزار، زاهدان، ایران ایران shemshadi.narges@gmail.com فاطمه حیدری Fatemeh Heydari متخصص پاتولوژی )آسیب شناسی بالینی و تشریحی(، استادیار، دانشکده پزشکی، دانشگاه علوم پزشکی، زاهدان، ایران ایران heydari3688@gmail.com Iron deficiency anemia β-thalassemia minor Differential diagnosis Data mining Bagging ensemble learning algorithm فقر آهن بتا-تالاسمی مینور تشخیص افتراقی داده‌کاوی الگوریتم یادگیری جمعی بگینگ 1. Arora S, Rana D, Kolte S, Dawson L, Dhawan I. Validation of new indices for differentiation between iron deficiency anemia and beta thalessemia trait, a study in pregnant females. Int J Sci Rep 2018; 4(2): 26-30.##2. Yasumasa A, Fumio K, Sunil KB, Niriksha BM, Prakash RP, Vijay P, et al. A Study of B Thalassemia Screening Using an Automated Hematology Analyzer. Sysmex Journal Interational 1998;8(2).3. Morshedi M, Khorshidi S, Johari H, Raafat E. Effect##of iron deficiency anemia on amount of HbA2 and comparison to minor thalassemia. Zahedan J Res Med Sci 2012; 13(suppl 1):60.##4. Madan N, Sikka M, Sharma S, Rusia U, Kela K.Red cell indices and discriminant functions in the detection of beta-thalassaemia trait in a population with high prevalence of iron deficiency anaemia. Indian J Pathol Microbiol 1999;42(1):55-61.##5. Ferreira D, Oliveira A, Freitas A. Applying data mining techniques to improve diagnosis in neonatal jaundice. BMC Med Inform Decis Mak 2012;12:143.##6. Baron-Epel O, Heymann AD, Friedman N, Kaplan G. Development of an unsupportive social interaction scale for patients with diabetes. Patient Preference and Adherence 2015; 9: 1033.##7. Jurian N, Ashoori M. Predicting the effectiveness of preeclampsia medications based on dose and method of drug consumption using data mining. The Iranian Journal of Obstetrics, Gynecology and Infertility 2014;17(123):13-22. Persian##8. Ameri H, Alizadeh S, Barzegari A. Identification of influencing factors for heart attack in diabetic patients using C & R algorithm. Daneshvar Medicine 2014;21(112):71-82. Persian##9. Gholamhosseini L, Damroodi M. Evaluation of data mining applications in the health system. Paramedical Sciences and Military Health 2015;10(1):39-48. Persian##10. Canlas RD. Data mining in healthcare: Current applications and issues [dissertation]. Australia: Carnegie Mellon University; 2009.##11. Sepehri MM, Rahnama P, Shadpour P, Teimourpour B. A data mining based model for selecting type of treatment for kidney stone patient. Tehran Univ Med J 2009; 67(6): 421-7. Persian##12. Safaee P, Noorossana R, Heidari K, Soleimani P. Using decision tree to predict serum ferritin level in women with anemia. Tehran Univ Med J 2016;74(1):50-7. Persian##13. Abdullah M, Al-Asmari S. Anemia Types Prediction Based on Data Mining Classification Algorithms. 1th ed. London CRC Press; 2016.##14. Dithy MD, KrishnaPriya V. Predicting anemia in pregnant women by using gausnominal classification algorithm. International Journal of Pure and Applied Mathematics 2018; 118(20): 3343-9.##15. Gnanapriya S, Suganya R, Devi GS, Kumar MS. Data mining concepts and techniques. Data Mining and Knowledge Engineering 2010; 2(9): 256-63.##16. Mentzer WC. Differentiation of iron deficiency from thalassaemia trait. Lancet 1973;1(7808):882.##17. England JM, Fraser PM. Differentiation of iron deficiency from thalassaemia trait by routine bloodcount. Lancet 1973;1(7801):449-52.##18. Srivastava PC. Differentiation of thalassaemia minor from iron deficiency. Lancet 1973;2(7821):154-5.##19. Ehsani MA, Shahgholi E, Rahiminejad MS, Seighali F, Rashidi A. A new index for discrimination between iron deficiency anemia and beta-thalassemia minor: results in 284 patients. Pak J Biol Sci 2009;12(5):473-5.##20. Jayabose S, Giavanelli J, Levendoglu-Tugal O, Sandoval C, Özkaynak F, Visintainer P. Differentiating iron deficiency anemia from Thalassemia minor by using an RDW-based index. J Pediatr Hematol 1999;21:314.##21. Sirdah M, Tarazi I, Al Najjar E, Al Haddad R. Evaluation of the diagnostic reliability of different RBC indices and formulas in the differentiation of the beta-thalassaemia minor from iron deficiency in Palestinian population. Int J Lab Hematol 2008;30(4):324-330.##22. Matos JF, Dusse LM, Borges KB, de Castro RL, Coura-Vital W, Carvalho M. A new index to discriminate between iron deficiency anemia and thalassemia trait. Rev Bras Hematol Hemoter 2016;38(3):214-9.##23. Ghafouri M, Mostaan Sefat L, Sharifi S, Hosseini Gohari L, Attarchi Z. Comparison of cell counter indices in differentiation of beta thalassemia minor from iron deficiency anemia. Sci J Iran Blood Transfus Organ 2006;2(7): 385-9. Persian.##24. Keikhaei B, Rahim F, Zandian K, Pedram M. Comparison of different indices for better differential diagnosis of iron deficiency anemia from beta thalassemia trait. Sci J Iran Blood Transfus Organ 2007;4(2): 95-104. Persian##25. Green R, King R. A New Red Cell Discriminant Incorporating Volume Dispersion for Differentiating Iron Deficiency Anemia from Thalassemia Minor. Blood Cells 1989;15(3):481-95.##26. Shine I, Lal S. A strategy to detect beta-thalassemia minor. Lancet 1977; 1: 692−4.##27. Telmissanil OA, Khalil S, George TR. Mean density of hemoglobin per liter of blood: a new hematologic parameter with an inherent discriminant function. Lab Haematol 1999;149-52.##28. Klee GG, Fairbanks VF, Pierre RV, O'Sullivan MB. Routine erythrocyte measurements in diagnosis of irondeficiency anemia and thalassemia minor. Am J Clin Pathol 1976;66(5): 870-7.## ##

تشخیص رفتارهای غیرعادی در بیماران زوال عقل و بررسی علائم اولیه آن در خانه هوشمند Detection of Abnormal Behaviors in Patients with Dementia and Preliminary Symptoms in Smart Home 1 1 مقدمه: تعداد افراد سالمندی که نیاز به کمک در رفتارهای روزمره خود دارند به سرعت در حال افزایش است. بیماری زوال عقل یکی از مهم‌ترین علل ناتوانی در سالمندان است که شیوع آن هزینه‌های بسیار بالایی بر جوامع بشری تحمیل کرده است. هدف این تحقیق استفاده از فناوری خانه هوشمند برای نظارت بر رفتار سالمند، شناسایی رفتارهای غیرعادی و کشف علائم اولیه بیماری زوال عقل قبل از وقوع بیماری است. تشخیص زودهنگام بیماری زوال عقل در مراحل اولیه می‌تواند باعث بهبود بالا در درمان آن و منجر به تأخیر بیماری شود. روش: این مقاله از نوع کاربردی و به روش توصیفی- تحلیلی انجام شد و با استفاده از تکنیک‌های یادگیری ماشین، رفتار‌های غیرعادی و علائم اولیه بیماری زوال عقل تشخیص داده شد. برای تشخیص رفتارهای غیرعادی از الگوریتم kmedoide و برای بررسی کیفیت خواب به عنوان علائم اولیه بیماری زوال عقل، از پرسشنامه معتبر PSQI و برای پیاده‌سازی از نرم‌افزار Matlab نسخه 2012 استفاده شد. نتایج: نتایج در بخش رفتارهای غیرعادی نشان می‌دهد الگوریتم‌های خوشه‌بندی کارآیی بالایی در تشخیص رفتارهای غیرعادی در خانه هوشمند داشته و همچنین نتایج در بخش بررسی علائم اولیه منجر به تشخیص خواب ضعیف فرد سالمند در پرسشنامه PSQI به عنوان علائم اولیه بیماری زوال عقل گردید.  نتیجه­ گیری: با استفاده از فناوری سیستم تحت نظارت خانه هوشمند می‌توان رفتار سالمندان را تشخیص داد. رفتارهای غیرعادی آن‌ها را شناسایی کرد و علائم اولیه بیماری‌هایی نظیر زوال عقل را کشف نمود.   2 Introduction: The number of elderly people who need help in their daily routines is increasing rapidly. Dementia is one of the most important causes of disability in elderly people and its outbreak has been a major burden on human societies. The purpose of this research was using intelligent home technology to monitor elderly behaviors, identify abnormal behaviors, and discover the initial signs of dementia before the onset of the disease. Early diagnosis of dementia at an early stage can lead to a high improvement in its treatment and delay the disease. Method: In this applied, descriptive-analytic study, the abnormal behavior and early symptoms of dementia were identified using machine learning techniques.  The kmedoide algorithm was used to analyze abnormal behaviors and to assess the quality of sleep as the primary symptoms of dementia, the valid PSQI questionnaire was used. Matlab 2012 was used for implementation. Results: The results in the abnormal behavioral section indicated that clustering algorithms have high efficacy in detecting abnormal behavior in smart home, and also results in early symptom examinations led to poor sleep recognition in the PSQI as a primary symptom of dementia. Conclusion: The behavior of the elderly, their abnormal behavior and early signs of diseases such as dementia can be recognized using the technology of the system under the supervision of the smart home. 447 456 2018/05/122018/07/182018/04/18 1397/1/29 2018/09/62018/11/112018/05/31 1397/3/10 علیرضا خسروی Alireza Khosravi کارشناس ارشد کامپیوتر، دانشکده فنی و مهندسی کامپیوتر، دانشگاه آزاد نیشابور، نیشابور، ایران ایران danyal_khossravi@yahoo.com امین حسینی سنو Amin Hosseini Seno دکترای تخصصی شبکه های کامپیوتری، استادیار، گروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران ایران hosseini@um.ac.ir Smart Home Machine Learning Clustering Algorithm Abnormal Behavior Dementia خانه هوشمند یادگیری ماشین الگوریتم خوشه‌بندی تشخیص رفتار غیرعادی بیماری زوال عقل 1. Mahmoud SM, Lotfi A, Langensiepen C. Abnormal behaviours identification for an elder's life activities using dissimilarity measurements. Proceedings of the 4th International Conference on Pervasive Technologies Related to Assistive Environments; 2011 May 25-27; Heraklion, Crete, Greece: ACM; 2011.##2. Arenson C, Busby-Whitehead J, Brummel-Smith K, O'Brien JG, Palmer MH, et al. Reichel's Care of the Elderly: Clinical Aspects of Aging. 6th ed. USA: Cambridge University Press; 2009.##3. Mahmoud SM, Alabbasi HA, Abdulabbas TE. Monitoring and detecting outliers for elder's life activities in a smart home: A case study. E-Health and Bioengineering Conference (EHB); 2017 Jun 22-24; Sinaia, Romania: IEEE; 2017.##4. Fiorini L, Cavallo F, Dario P, Eavis A, Caleb-Solly P. Unsupervised machine learning for developing personalised behaviour models using activity data. Sensors (Basel) 2017;17(5). pii: E1034.##5. Serna A, Pigot H, Rialle V. Modeling the progression of Alzheimer’s disease for cognitive assistance in smart homes. User Modeling and UserAdapted Interaction 2007;17(4):415-38.##6. Gayathri KS, Easwarakumar KS. Intelligent Decision Support System for Dementia Care Through Smart Home. Procedia Computer Science 2016;93:947-55.##7. Jirong Y, Changquan H, Hongmei W, Bi-Rong D. Association of sleep quality and dementia among longlived Chinese older adults. Age (Dordr) 2013;35(4):1423-32.##8. Orpwood R, Gibbs C, Adlam T, Faulkner R, Meegahawatte D. The design of smart homes for people with dementia—user-interface aspects. Universal Access in the Information Society 2005;4(2):156-64.##9. Cook DJ, Krishnan NC, Rashidi P. Activity discovery and activity recognition: a new partnership. IEEE Transactions on Cybernetics 2013; 43(3): 820-28.##10. Bakar UA, Ghayvat H, Hasanm SF, Mukhopadhyay SC. Activity and Anomaly Detection in Smart Home: A Survey. In: Mukhopadhyay SC,editor. Next Generation Sensors and Systems. Cham:Springer International Publishing; 2016. p. 191-220.##11. Amiribesheli MA. Bouchachia A. Smart homes design for people with dementia. IE '15 Proceedings of the International Conference on Intelligent Environments; 2015 Jul 15–17; Washington, DC,USA: IEEE; 2015. p. 156-9.##12. Lofti A, Langensiepen C Mahmoud S, Akhlaghinia M. Smart homes for the elderly dementia sufferers: Identification and prediction of abnormal behaviour. Journal of Ambient Intelligence and Humanized Computing 2011; 3(3):1-14.##13. Tamamizu K, Tokunaga S, Saiki S, Matsumoto S. Nakamura M, Yasuda K. Towards Person-Centered Anomaly Detection and Support System for Home Dementia Care. 7th International Conference, DHM 2016, Held as Part of HCI International; 2016 Jul 17-22; Toronto, ON, Canada: 2016. p. 274-85.##14. Bourobou ST, Yoo Y. User activity recognition in smart homes using pattern clustering applied to temporal ANN algorithm. Sensors (Basel) 2015;15(5):11953-71.##15. Sukanya P, Gayathri KS. An unsupervised pattern clustering approach for identifying abnormal user behaviors in smart homes. International Journal of Computer Science and Network 2013; 2(13): 115-22.##16. Sanchez VG, Pfeiffer CF, Skeie NO. A Review of Smart House Analysis Methods for Assisting Older People Living Alone. J Sens Actuator Netw 2017; 6(3):11.##17. Williams JA, Cook DJ. Forecasting behavior in smart homes based on sleep and wake patterns. Technol Health Care 2017;25(1):89-110.##18. Fjell AM, Idland AV, Sala-Llonch R, Watne LO, Borza T, Braekhus A, et al. Neuroinflammation and tau interact with amyloid in predicting sleep problems in aging independently of atrophy. Cereb Cortex 2018;28(8):2775-85.##19. Buysse DJ, Reynolds CF, Monk TH, Berman SR, Kupfer DJ. The Pittsburgh Sleep Quality Index: a new instrument for psychiatric practice and research. Psychiatry Res 1989;28(2):193-213.##20. Mahmoud SM. Identification and prediction of abnormal behaviour activities of daily living in intelligent environments [dissertation]. England: Nottingham Trent University; 2012.##21. Lopez OL, Wisniewski SR, Becker JT, Boller F, DeKosky ST. Psychiatric medication and abnormal behavior as predictors of progression in probable Alzheimer disease. Arch Neurol 1999;56(10):1266-72.##22. Palaniappan AR, Bhargavi V, Vaidehi V. Abnormal human activity recognition using SVM based approach. International Conference on Recent Trends in Information Technology; 2012 Apr 19-21; Chennai, Tamil Nadu, India: IEEE; 2012.##23. Kaur A, Kaur I. Design and development of algorithm for software components retrieval using clustering and support vector machine. International Journal of Innovation in Engineering and Technology 2015; 5(2): 28-39.## ##

مقایسه سه مدل تصمیم‌گیری در افتراق پنج نوع بیماری قلبی (مطالعه موردی: بیمارستان فوق تخصصی قائم کرج) Comparison of Three Decision-Making Models in Differentiating Five Types of Heart Disease: A Case Study in Ghaem Sub-Specialty Hospital 1 1 مقدمه: بیماری‏های قلبی- عروقی در حال تبدیل‏شدن به اصلی‏ترین عامل مرگ‌ومیر و ناتوانی بشر در اغلب کشورهای دنیا هستند. هدف از انجام این پژوهش، پیش‏بینی انواع بیماری‏های قلبی جهت تشخیص دقیق‏تر به وسیله تکنیک‏های داده‎‏کاوی و شبکه عصبی می‏باشد. روش: این پژوهش به صورت کاربردی-پیمایشی انجام و پس از پیش‏پردازش داده‏ها از سه رویکرد شبکه عصبی، درخت تصمیم‏گیری و الگوریتم ساده بیزی برای پیش‏بینی و تشخیص در نرم افزار Rapid miner و از مدل شبکه عصبی مصنوعی برای پیش‏بینی در نرم‏افزار Matlab استفاده شد. نتایج: از الگوریتم ژنتیک برای انتخاب متغیرهای مؤثر و برای پیش‏بینی انواع بیماری قلبی، در داده‏کاوی از مدل‏های شبکه عصبی مصنوعی، درخت تصمیم‏گیری و الگوریتم ساده بیزی استفاده شد. همچنین از مدل AHP برای تعیین مدل با بهترین عملکرد پیش‏بینی انواع بیماری‏های قلبی استفاده شد. نتیجه ­گیری: شبکه عصبی عملکرد بسیار بهتری نسبت به مدل‏های داده‏کاوی دیگر ارائه‏ شده در تشخیص انواع بیماری‏های قلبی در این پژوهش دارد. همچنین در تشخیص بیماری به وسیله شبکه عصبی مصنوعی، مدل با دقت بالای 80 درصد، خوب و مورد قبول واقع شد. 2 Introduction: cardiovascular diseases are becoming the main cause of mortality and morbidity in most countries. This research goal was to predict the types of heart diseases for more accurate diagnosis by data mining and neural network technics. Method: This research was an applied-survey study and after data preprocessing, three approaches of neural network, decision making tree and Bayes simple algorithm were used to predict and recognize in Rapidminer software and neural artificial network model was used for prediction in Matlab software. Results: Genetic algorithm was used for selection of effective variables and neural artificial network models, decision making tree and Bayes simple algorithm were used to predict types of heart diseases in data mining. AHP model was used to determine a model with the best performance for predicting types of heart diseases. Conclusion: Neural network had much better performance than other data mining models used to diagnose types of heart diseases in this research. Also, in detecting disease by artificial neural network, the model with accuracy of more than 80 percent was verified as good and acceptable 457 468 2018/05/122018/07/182018/04/182018/05/23 1397/3/2 2018/09/62018/11/112018/05/312018/09/8 1397/6/17 راحیل موسوی Raahil Mousavi دانشجوی دکتری مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه علوم و تحقیقات، تهران، ایران ایران raahil.mousavi@yahoo.com محمدمهدی سپهری Mohammad Mehdi Sepehri دکترای تحقیق در عملیات، استاد گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران ایران mehdi.sepehri@modares.ac.ir Data mining Neural network Decision tree Heart disease Diagnosis داده‌کاوی شبکه عصبی درخت تصمیم بیماری قلبی تشخیص 1. Azizi F, Esmaeilzadeh A, Mirmiran P. Obesity and cardiovascular risk factors: an epidemiological study in Tehran. Iranian Journal of Endocrinology and Metabolism 2004; 5(4): 389-97. Persian##2. Kasper DL, Fauci AS, Hauser SL, Longo DL, Larry Jameson J, Loscalzo J. Harrison's Internal Medicine Handbook. Translyted by Abdolreza Mansouri Rad, Mahshid Nik Pour, Tehran: Arjmand; 2013. Persian##3. Saniee Abadeh M, Mahmoodi S, Taherparvar M. Applied Data Mining. Tehran: Niaze-Danesh; 2014. Persian##4. Ghazanfari M, Alizadeh S, Timurpour B. Data Mining and Discovery. Tehran: Science and Technology Publication; 2013. Persian##5. Tsipouras MG, Exarchos TP, Fotiadis DI, Kotsia AP, Vakalis KV, Naka KK, et al. Automated diagnosis of coronary artery disease based on data mining and fuzzy modeling. IEEE Trans Inf Technol Biomed 2008;12(4):447-58.##6. Srinivas K, Kavihta B, Govrdhan A. Applications of data mining techniques in healthcare and prediction of heart attacks. International Journal on Computer Science and Engineering 2010; 2(2): 250-5.##7. Mohammadpour RA, Esmaeili MH, Ghaemian A, Esmaeili J. Application of Artificial Neural Network for Assessing Coronary Artery Disease. J Mazand Univ Med Sci 2012; 22(86): 9-17. Persian##8. Zamanpour S, Shamsi M. Study and comparison of the accuracy of data mining algorithms in the prediction of heart disease. 4th Iranian Conference on Electrical and Electronics Engineering; 2012 Aug 28-30; Gonabad: Islamic Azad University of Gonabad;Persian##9. Lahsasna A, Ainon RN, Zainuddin R, Bulgiba A. Design of a fuzzy-based decision support system for coronary heart disease diagnosis. J Med Syst 2012;36(5):3293-306.##10. Anooj PK. Clinical decision support system: Risk level prediction of heart disease using weighted fuzzy rules. Journal of King Saud University - Computer and Information Sciences 2012;24(1):27-40.##11. Akhil jabbar M, Chandra P, Deekshatulu BL. Heart disease prediction system using associative classificationand genetic algorithm. International Conference on Emerging Trends in Electrical, Electronics and CommunicationTechnologies-ICECIT 2012; 1: 183-92.##12. Tayefi M, Tajfard M, Saffar S, Hanachi P, Amirabadizadeh AR, Esmaeily H, et al. hs-CRP is strongly associated with coronary heart disease (CHD): A data mining approach using decision tree algorithm. Comput Methods Programs Biomed 2017;141:105-9.##13. Lotfali Nejad H, Keshvari R, Shabroo S, Moghaddas H. Comparison of MLP and RBF Neural Networks in Epilepsy. 8th Symposium on Advances in Science and Technology Commission-IV, 2014 Feb 6; Mashhad: Khavaran Institute of Higher Education; 2014. Persian##14. Safdari R Ghazi saeedi M, Gharooni M, Nasiri M Argi G. Comparing performance of decision tree and neural network in predicting myocardial infarction. Journal of Paramedical Sciences & Rehabilitation 2014; 3(2): 26-35. Persian##15. Kalahi S, Rafa V. A solution to diagnosis of disease using data mining techniques, 1st National Conference on Electrical and Computer; 2013 May 13; Khormooj: Islamic Azad University, Khormoj Branch; 2013. Persian##16. Uyar K, İlhan A. Diagnosis of heart disease using genetic algorithm based trained recurrent fuzzy neural networks. Procedia Computer Science 2017;120:588-93.##17. Chapman P, Clinton J, Kerber R, Khabaza T, Reinartz T, Shearer C, et al. CRISP-DM 1.0 Step-bystep data mining guide. Translayted by Esmaeeli S, Basiri M. Available from: http://www.farabar.net/wpcontent/uploads/2016/12/@Farabar_BI-CRISP-DM.pdf## ##

اندازه‌گیری غلظت قند‌خون با استفاده از روش طیف‌سنجی مادون قرمز نزدیک: یافته‌های اولیه Determining Blood Glucose Concentration using Near Infrared Spectroscopy: Early Findings 1 1 مقدمه: بیماری دیابت از جمله بیماری‌هایی است که در جوامع امروزی رشد بسیار زیادی داشته است. افراد مبتلا به دیابت بایستی به صورت مستمر قند‌خون خود را اندازه‌گیری نمایند. در روش‌های متداول اندازه‌گیری قند‌خون، اندازه‌گیری مستمر قند خون دردناک و سخت می‌باشد. از طرفی برای دسترسی هر چه بیشتر بیماران به پزشک و برخورداری از خدمات پزشکی از راه دور، تلفن همراه می‌تواند ابزاری مفید در این زمینه باشد. هدف این پژوهش ارائه یک سیستم مراقبت پزشکی برای نظارت سیار بر بیماری دیابت می‌باشد. روش: این مطالعه یک مطالعه کاربردی است و سیستم ارائه شده شامل یک حسگر غیرتهاجمی برای اندازه‌گیری قند‌خون با استفاده از روش طیف‌سنجی مادون قرمز نزدیک و یک برنامه کاربردی اندروید است. برای ارزیابی سیستم آزمایش‌هایی بر روی محلول گلوکز و بر روی بدن انجام شد. در این آزمایش‌ها هم حالت عبور و هم حالت بازتاب بررسی شدند. نتایج: نتایج نشان داد با افزایش غلظت گلوکز در حالت عبور ولتاژ خروجی سنسور افزایش و در حالت بازتاب کاهش می‌یابد. در آزمایش‌های روی بدن و میانگین درصد خطا در حالت عبور 34/14 و در حالت بازتاب 35/9 به دست آمد. همچنین در این مطالعه بررسی‌ها نشان دادند در صورت استفاده ترکیبی از حالات اندازه‌گیری عبور و بازتاب نتایج بهتری به دست می‌آید. در این حالت میانگین درصد خطا 8/27 و خطای جذر میانگین مربعات، 18/52میلی‌گرم بر دسی‌لیتر به دست آمد. نتیجه‌گیری: در نهایت می‌توان گفت روش طیف‌سنجی مادون قرمز نزدیک می‌تواند در آینده به عنوان جایگزینی برای روش‌های تهاجمی اندازه‌گیری قند خون مورد استفاده قرار بگیرد. همچنین با استفاده از تلفن همراه می‌توان خدمات پزشکی از راه دور را به بیماران دیابتی ارائه نمود.   2 Introduction: Diabetes mellitus is one of the diseases that have grown dramatically in today's societies. People with diabetes should continuously measure their blood glucose level. Continuous blood glucose measurement by commonly used methods is painful and difficult. On the other hand, mobile phone can be a useful tool for accessing physicians and telemedicine services more easily. The aim of this study was to provide a medical care system for mobile monitoring of diabetes. Method: This study is an applied study and the proposed system includes a non-invasive sensor for measuring blood glucose using the near-infrared spectroscopy and an Android application. To evaluate the system, experiments were performed on glucose solution and on the body. In these experiments, both the transmittance and the reflectance modes were examined. Results: It was observed that with increasing glucose concentrations, the output voltage of sensor increased in the transmittance mode and decreased in reflectance mode. When testing on the body, the mean error rate was 34.14 in the transmittance mode and 35.9 in the reflectance mode. The results indicated that by combining transmittance and reflectance modes, better results were obtained. In this case, the mean percentage of error was 8.27 and RMSE was 52.18mg/dl. Conclusion: Finally, it can be inferred that near-infrared spectroscopy can be used in the future as an alternative for invasive methods in measuring blood glucose levels. There is also the possibility of providing remote medical services to diabetics using mobile phones.     469 480 2018/05/122018/07/182018/04/182018/05/232018/02/8 1396/11/19 2018/09/62018/11/112018/05/312018/09/82018/05/29 1397/3/8 بهاره جاوید Bahareh Javid کارشناس ارشد مهندسی فناوری اطلاعات، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران ایران bahareh.javid@gmail.com فرانک فتوحی قزوینی Faranak Fotouhi- Ghazvini دکترای سیستم های اطلاعاتی چند رسانه ای موبایل، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران ایران faranak_fotouhi@hotmail.com فهیمه سادات ذاکری Fahimeh Sadat Zakeri دکترای مهندسی پزشکی، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قم، قم، ایران ایران zakerifahimeh@gmail.com Telemedicine Blood Glucose Near-infrared Spectroscopy Android Application Diabetes پزشکی از راه دور گلوکز خون طیف‌سنجی مادون قرمز نزدیک برنامه کاربردی اندروید دیابت 1. Yadav J, Rani A, Singh V, Murari BM. Nearinfrared LED based non-invasive blood glucose sensor. International Conference on Signal Processing and Integrated Networks (SPIN); 2014 Feb 20-21; Noida, India: IEEE; 2014. p. 591–4.##2. Zhou F, Yang HI, Álamo JMR, Wong JS, Chang CK. Mobile personal health care system for patients with diabetes. 8th International Conference on Smart Homes and Health Telematics; 2010 Jun 22-24; Verlag Berlin Heidelberg: Springer; 2010. p. 94–10.##3. Monahan FD, Sands JK, Neighbors M, Marek JF Green-Nigro CJ. Phipps' Medical-Surgical Nursing. 8th ed. Louis Missouri: Mosby; 2012.##4. Quinn CC, Gruber-Baldini AL, Shardell M, Weed K, Clough SS, Peeples M, et al. Mobile diabetes intervention study: testing a personalized treatment/behavioral communication intervention for blood glucose control. Contemp Clin Trials 2009;30(4):334-46.##5. Krushinitskaya O. Osmotic sensor for blood glucose monitoring applications [dissertation]. Horten, Norway: Vestfold University College; 2012.##6. Oliver NS, Toumazou C, Cass AE, Johnston DG. Glucose sensors: a review of current and emerging technology. Diabet Med 2009;26(3):197-210.##7. Anak Buda R. A portable non-invasive blood glucose monitoring device [dissertation]. Malaysia: University Teknologi Malaysia; 2014.##8. Vashist SK. Non-invasive glucose monitoring technology in diabetes management: a review. Anal Chim Acta 2012;750:16-27.##9. Yadav J, Rani A, Singh V, Murari BM. Prospects and limitations of non-invasive blood glucose monitoring using near-infrared spectroscopy. Biomedical Signal Processing and Control 2015;18:214-27.##10. Tura A, Maran A, Pacini G. Non-invasive glucose monitoring: assessment of technologies and devices according to quantitative criteria. Diabetes Res Clin Pract 2007;77(1):16-40.##11. Govada A, Renumadhavi C, Ramesh K. Noninvasive blood glucose measurement. International Journal of Advanced Research in Computer and Communication Engineering 2014; 3(1): 5122-5.##12. Ng HS, Sim ML, Tan CM, Wong CC. Wireless technologies for telemedicine. BT Technology Journal 2006;24(2):130-7.##13. Goyal S, Morita P, Lewis GF, Yu C, Seto E, Cafazzo JA. The systematic design of a behavioural mobile health application for the self-management of type 2 diabetes. Can J Diabetes 2016;40(1):95-104.##14. Madzhi NK, Shamsuddin SA, Abdullah MF. Comparative investigation using GaAs(950nm), GaAIAs (940nm) and InGaAsP (1450nm) sensors for development of non-invasive optical blood glucose measurement system. International Conference on Smart Instrumentation, Measurement and Applications (ICSIMA); 2014 Nov 25; Kuala Lumpur, Malaysia: IEEE; 2014.##15. Tamilselvi M, Ramkumar G, editors. Non-invasive tracking and monitoring glucose content using near infrared spectroscopy. International Conference on Computational Intelligence and Computing Research (ICCIC); 2015 Dec 10-12; Madurai, India: IEEE; 2015.##16. Pande MC, Joshi A. Non-Invasive Blood Glucose Measurement. International Journal of Computational Engineering Research 2013; 5(4): 26-8.##17. Bobade CD, Patil MS. Non-invasive blood glucose level monitoring system for diabetic patients using near-infrared spectroscopy. American Journal of Computer Science and Information Technology 2016; 4(1): 1-8.##18. Muller UA, Mertes B, Fischbacher C, Jageman KU, Danzer K. Non-invasive blood glucose monitoring by means of near infrared spectroscopy: methods for improving the reliability of the calibration models. Int J Artif Organs 1997;20(5):285-90.##19. Danzer K, Fischbacher C, Jagemann K, Reichelt K. Near-infrared diffuse reflection spectroscopy for noninvasive blood-glucose monitoring. LEOS Newslett. 1998;12(2):9-11.##20. Xu K, Qiu Q, Jiang J, Yang X. Non-invasive glucose sensing with near-infrared spectroscopy enhanced by optical measurement conditions reproduction technique. Optics and Lasers in Engineering 2005;43(10):1096-106.##21. Guevara E, González FJ. Joint optical-electrical technique for noninvasive glucose monitoring. Rev mex fis 2010;56(5):430-4.## ##

تشخیص نگرش کاربران توییتر در مورد واکسن آنفولانزا بر اساس تحلیل محتوا و احساسات توییت‌های ارسالی Detection of Twitter Users' Attitudes about Flu Vaccine based on the Content and Sentiment Analysis of the Sent Tweets 1 1 مقدمه: واکسن آنفولانزا یکی از چالش‌های بحث‌برانگیز در جوامع امروزی است. با توجه به اهمیت استفاده از واکسن آنفولانزا در پیشگیری از انتشار ویروس آنفولانزا و شبکه اجتماعی توییتر به عنوان منبع غنی داده‌ای، شرایط مناسبی برای پژوهش در این زمینه‌ فراهم است تا به بررسی نگرش افراد مختلف پرداخت. این پژوهش از یکسو به مقامات بخش سلامت کمک می‌کند تا با آگاهی از نگرش افراد نسبت به واکسن آنفولانزا بتوانند تصمیمات جامع‌تری در برنامه‌های بلندمدت سازمان‌های سلامتی اتخاذ نمایند و از سوی دیگر مورد توجه داده‌کا‌وان می‌باشد. روش:  در این پژوهش مروری در بازه حدوداً یک‌ماهه 1.220.539 توییت از شبکه اجتماعی توییتر جمع‌آوری ‌شد و با استفاده از نرم‌افزار مَلِت خوشه‌بندی ‌شد. دسته‌بندی کاربران و جداسازی توییت‌ها با تقریب مناسب انجام شد، سپس به تحلیل محتوایی و احساسات توییت‌های انتخابی و  بررسی موقعیت مکانی توییت کنندگان پرداخته شد. نتایج: تحلیل احساسات توییت‌ها نشان‌ می‌دهد که 76/28 درصد از توییت‌ها دارای بار مثبت،  1/08 درصد خنثی و 19/68 درصد دارای بار منفی است که بیانگر نگرش مثبت نسبت به واکسن آنفولانزا است. بررسی موقعیت مکانی توییت‌کنندگان نشان می‌دهد که بالاترین نرخ ارسال توییت متعلق به کشورهای کانادا، انگلیس و آمریکا است و کشورهای آسیایی و به طور خاص ایران درصد بسیار کمی از آن را به خود اختصاص داده‌اند. نتیجه­گیری: بالاترین نرخ ارسال توییت‌های موافق مربوط به گروه افراد عادی و سپس سازمان‌ها و گروه‌های مرتبط با حوزه‌ سلامتی و اخبار بود که نشان‌دهنده‌ پذیرش جهانی واکسن آنفولانزا و موفقیت سازمان‌های بهداشت جهانی در مورد واکسیناسیون می‌باشد.   2 Introduction: The influenza vaccine is one of the controversial challenges in today's societies. Considering the importance of using the flu vaccine in preventing the spread of influenza virus, the Twitter network, as a rich source of data, provides suitable conditions for research in this field to examine the attitudes of different people about this vaccine. The results in one hand will help health authorities to make more comprehensive decisions on long-term health plans for people with an awareness of the attitude of individuals towards the flu vaccine; on the other hand, it is concerned with data miners. Method: In this review study, approximately 1.220.539 tweets have been gathered from the Twitter social network during a one month period and have been clustered by using Mallet software. Categorizing users and separating tweets have done with an appropriate approximation. The content and sentiments of the selected tweets were analyzed and the locations of the users were checked. Results: In sentiments analysis, 76.28% of the tweets had a positive weight, 1.87% was neutral, and 19.68% had negative weight, indicating a positive attitude about the influenza vaccine. The location of users showed the highest rate of sending tweets from Canada, Britain and the United States, and Asian countries, and in particular, Iran, had a very small percentage of it. Conclusion: The highest rate of positive tweets were respectively sent by ‘individual’, ‘health’, and ‘organization’ groups indicating the global acceptance of the influenza vaccine and the success of the global health organizations on vaccination.   494 481 2018/05/122018/07/182018/04/182018/05/232018/02/82018/02/2 1396/11/13 2018/09/62018/11/112018/05/312018/09/82018/05/292018/09/1 1397/6/10 زهرا قنبری Zahra Ghanbari دکترای فناوری اطلاعات، مربی، گروه مهندسی کامپیوتر، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ایران ایران ghanbari5410@gmail.com محسن یوسفی نژاد Mohsen Yousefi Nejad دکترای معماری کامپیوتر، استادیار گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور، ایران ایران m.yosefinejad@pnu.ac.ir نیما جعفری نویمی پور Nima Jafari Navimipour دکترای معماری کامپیوتر، باشگاه پژوهشگران جوان و نخبگان، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران ایران jafari@iaut.ac.ir مهدی حسین زاده Mehdi Hosseinzadeh دکترای سخت افزار کامپیوتر، دانشیارگروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ایران hosseinzadeh.m@iums.ac.ir Social Network Twitter Influenza Flu Influenza vaccine آنفولانزا واکسن سرماخوردگی شبکه اجتماعی توییتر 1. Kasper DL, Fauci AS, Hauser SL, Longo DL, Hauser JL, Loscalzo J. Harrison's Principles of Internal Medicine. 19th ed. USA: McGraw-Hill Education; 2015.##2. Simpson CR, Lone N, McMenamin J, Gunson R, Robertson C, Ritchie LD, et al. Early estimation of pandemic influenza Antiviral and Vaccine Effectiveness (EAVE): use of a unique community and laboratory national data-linked cohort study. Health Technol Assess 2015;19(79):1-32.##3. Davila-Torres J, Chowell G, Borja-Aburto VH, Viboud C, Grajalez-Muniz C, Miller MA. Intense seasonal A/H1N1 influenza in Mexico, winter 2013- 2014. Arch Med Res 2015;46(1):63-70.##4. Lai PC, Chow CB, Wong HT, Kwong KH, Kwan YW, Liu SH, et al. An early warning system for detecting H1N1 disease outbreak – a spatio-temporal approach. International Journal of Geographical Information Science 2015; 29(27): 1251-68.##5. Centers for Disease Control and Prevention (CDC). Swine influenza A (H1N1) infection in two children-- Southern California, March-April 2009. MMWR Morb Mortal Wkly Rep 2009;58(15):400-2.##6. Lin Q, Lin Z, Chiu AP, He D. Seasonality of Influenza A(H7N9) Virus in China-Fitting Simple Epidemic Models to Human Cases. PloS one.2016;11(3):e0151333.##7. Hsieh YH, Huang HM, Lan YC. On Temporal Patterns and Circulation of Influenza Virus Strains in Taiwan, 2008-2014: Implications of 2009 pH1N1 Pandemic. PLoS One 2016;11(5):e0154695.##8. Osterholm MT, Kelley NS, Sommer A, Belongia EA. Efficacy and effectiveness of influenza vaccines: a systematic review and meta-analysis. The Lancet Infectious Diseases 2012; 12(1): 36-44.##9. Demicheli V, Jefferson T, Di Pietrantonj C, Ferroni E, Thorning S, Thomas RE, et al. Vaccines for preventing influenza in the elderly. Cochrane Database Syst Rev 2018;2:CD004876.##10. Jefferson T, Rivetti A, Harnden A, Di Pietrantonj C, Demicheli V. Vaccines for preventing influenza in healthy children. Cochrane Database Syst Rev 2008;(2):CD004879.##11. Fiore AE, Uyeki TM, Broder K, Finelli L, Euler GL, Singleton JA, et al. Prevention and control of influenza with vaccines: recommendations of the Advisory Committee on Immunization Practices (ACIP), 2010. MMWR Recomm Rep 2010;59(RR8):1-62.##12. Kostkova P, Fowler D, Wiseman S, Weinberg JR. Major infection events over 5 years: how is media coverage influencing online information needs of health care professionals and the public? J Med Internet Res 2013;15(7):e107.##13. Powell GA, Zinszer K, Verma A, Bahk C, Madoff L, Brownstein J, et al. Media content about vaccines in the United States and Canada, 2012-2014: An analysis using data from the Vaccine Sentimeter. Vaccine 2016;34(50):6229-6235.##14. Lehmann BA, Ruiter RA, Kok G. A qualitative study of the coverage of influenza vaccination on Dutch news sites and social media websites. BMC Public Health 2013;13:547.##15. Shahmoradi M, Tajrishi H, Nazari E, Delaram Z, Zarei Z, Zeinali N, et al. The role of social networks in healthcare: applications and limitations. Journal of Health and Biomedical Informatics 2015;2(2):124-8. Persian##16. Kostkova P, Szomszor M, Louis CS. #swineflu: The Use of Twitter as an Early Warning and Risk Communication Tool in the 2009 Swine Flu Pandemic. ACM Transactions on Management Information Systems (TMIS) 2014; 5(2): 1-8.##17. Harris JK, Choucair B, Maier RC, Jolani N, Bernhardt JM. Are public health organizations tweeting to the choir? Understanding local health department Twitter followership. J Med Internet Res 2014;16(2):e31##18. Sharpe JD, Hopkins RS, Cook RL, Striley CW. Evaluating Google, Twitter, and Wikipedia as Tools for Influenza Surveillance Using Bayesian Change Point Analysis: A Comparative Analysis. JMIR Public Health Surveill 2016;2(2):e161 ##19. S. n. T. l. o. m. u. s. n. i. 2017, "https://metricool.com/most-important-socialnetworks/," online.##20. Byrd K, Mansurov A, Baysal O. Mining Twitter data for influenza detection and surveillance. Proceedings of the International Workshop on Software Engineering in Healthcare Systems; 2016 May 14 – 22; Austin, Texas: ACM; 2016. p. 43-9.##21. Bollen J, Mao H, Zeng X. Twitter mood predicts the stock market. Journal of Computational Science 2011;2(1):1-8.##22. Asur S, Huberman BA. Predicting the future with social media. IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology; 2010 Aug- Sep 31-3; Toronto, ON, Canada: IEEE; 2010. p. 492-9.##23. Schluter PJ, Hamilton GJ, Deely JM, Ardagh MW. Impact of integrated health system changes, accelerated due to an earthquake, on emergency department attendances and acute admissions: a Bayesian changepoint analysis. BMJ Open 2016;6(5):e010709.##24. McNeill A, Harris PR, Briggs P. Twitter Influence on UK Vaccination and Antiviral Uptake during the 2009 H1N1 Pandemic. Front Public Health 2016; 4:26.##25. Chew C, Eysenbach G. Pandemics in the age of Twitter: content analysis of Tweets during the 2009 H1N1 outbreak. PloS one 2010;5(11):e14118.##26. Salathe M, Khandelwal S. Assessing vaccination sentiments with online social media: implications for infectious disease dynamics and control. PLoS Comput Biol 2011;7(10):e1002199.##27. Cooper F, Eisenman B, · Hennekens CH · Drowos J. High- or Standard-Dose Influenza Vaccine for Middle-Aged Adults with Cardiovascular Disease: What's a Doctor to Do? Cardiology 2016;133:195-7.##28. Kapetanovic MC. Do encourage your scleroderma patients at risk to get influenza vaccine. Rheumatology (Oxford) 2018;57(10):1691-2.##29. Ludvigsson JF, Strom P, Lundholm C, Cnattingius S, Ekbom A, Ortqvist A, et al. Risk for congenital malformation with H1N1 Influenza vaccine: a cohort study with sibling analysis. Ann Intern Med. 2016;165(12):848-55.## ##

مطالعه بیوانفورماتیک اعضای خانواده miR-200 و ژن‌های هدف آن در سرطان پروستات Bioinformatics Study of the miR-200 Family and the Target Genes in Prostate Cancer 1 1 مقدمه: با توجه به محدودیت‌های تست تشخیصی رایج سرطان پروستات، معرفی بیومارکرهای با ویژگی بالاتر جهت تشخیص دقیق‌تر و به‌هنگام سرطان پروستات مورد توجه می‌باشد. هدف از انجام این مطالعه، بررسی بیوانفورماتیکی خانواده miR-200 (miR-200a, miR-200b, miR-200c, miR-141, miR-429) و پیش‌بینی هدف‌های ژنی این خانواده، جهت بررسی بیشتر تحت عنوان بیوماکر تشخیصی بود. روش: این تحقیق از نوع تئوری و بر پایه بررسی بیوانفورماتیکی میکرو RNA بود که به منظور جستجوی ژن‌های هدف خانواده miR-200 در مسیرهای سیگنالینگ شناخته شده در پاتوژنز سرطان پروستات از پایگاه DIANA TOLLS-mirPath v.3 استفاده شد. سپس به تأیید ژن‌های معرفی شده توسط ابزارهای پیشگویی کننده آنلاین مانند MiRWalk, Targetscan,  RNAhybrid,  پرداخته شد. در انتها نقش عملکردی ژن‌های هدف معرفی شده توسط پایگاه بیوانفورماتیک DAIVID بررسی شد. نتایج: با توجه به نتایج حاصل از این بررسی ژن E2F3 هدف مشترک تمام اعضای خانواده miR-200 است، BCL2 به عنوان هدف مشترک miR-200b/c/429 و CCNE2 به عنوان هدف مشترک miR-200a/141 بودند. همچنین miR-200c با هدف قرار دادن CDKN1B و miR-429 با هدف قرار دادن KRAS می‌تواننند در ایجاد سرطان پروستات مداخله کنند.   نتیجه‌گیری: نتایج حاصل از این مطالعه نشان داد که اعضای خانواده miR-200 با هدف قرار دادن ژن‌های دخیل در پروسه‌های بیولوژیکی مهم و مسیرهای مولکولی دخیل در پاتوژنز سرطان پروستات احتمالاً می‌توانند تحت عنوان بیومارکر تشخیصی در مطالعات آتی مورد بررسی بیشتر قرار بگیرند.   2 Introduction: Considering the limitations of the common diagnostic test for prostate cancer prostate cancer, the introduction of higher-specific biomarkers for a more accurate and timely diagnosis of prostate cancer is desired. In this study, we aimed to investigate the miR-200 family (miR-200a, miR-200b, miR-200c, miR-141, and miR-429) and their target genes using bioinformatics prediction tools in order to propose potential diagnostic biomarkers for prostate cancer. Method: In this theoretical study, based on bioinformatics study of micro RNA, the DIANA TOLLS-mirPath v.3 database was used to search the target genes of the miR-200 family in the signaling pathways known in prostate cancer pathogenesis. Then, we confirmed the suggested genes by the online predictive tools such as MiRWalk, Targetscan and RNAhybrid. Finally, the functional role of target genes was investigated on the DAIVID bioinformatics database. Results: According to the results of this study, the E2F3 gene is the target of all family members of miR-200, BCL2 is the common target of miR-200b / miR-200c / miR-429 and CCNE2 is the common target of miR-200a / miR-141 subsets. Also, miR-200c and miR-429 can modulate the pathogenesis of prostate cancer by targeting CDKN1B and KRAS genes, respectively. Conclusion: The results of this study showed that members of the miR-200 family targeting the genes involved in important biological processes and molecular pathways of prostate cancer pathogenesis are likely to be effective diagnostic biomarkers in future experimental studies.   495 506 2018/05/122018/07/182018/04/182018/05/232018/02/82018/02/22018/05/20 1397/2/30 2018/09/62018/11/112018/05/312018/09/82018/05/292018/09/12018/11/10 1397/8/19 مریم خراسانی Maryam Khorasani دانشجوی دکترای پزشکی مولکولی، بخش پزشکی مولکولی انیستیتو پاستور ایران، تهران، ایران ایران m.k.khorasani@gmail.com شیرین شهبازی Shirin Shahbazi دکترای ژنتیک پزشکی، دانشیار گروه ژنتیک پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران sh.shahbazi@modares.ac.ir رضا مهدیان Reza Mahdian دکترای بیوتکنولوژی پزشکی، دانشیار گروه پزشکی مولکولی، انستیتو پاستور ایران، تهران، ایران ایران dr.reza.mahdian@gmail.com Prostate cancer miR-200 family Bioinformatics سرطان پروستات خانواده miR-200 پیشبینی بیوانفورماتیک 1. Siegel RL, Miller KD, Jemal A. Cancer statistics, 2018. CA Cancer J Clin 2018;68(1):7-30.##2. Esmaeimzadeh N, Salahi-Moghaddam A and Khoshdel A. Geographic distribution of important cancers in Iran. Hormozgan Medical Journal 2015; 19(2): 66-76.##3. Frame FM, Noble AR, Klein S, Walker HF, Suman R, Kasprowicz R, et al. Tumor heterogeneity and therapy resistance - implications for future treatments of prostate cancer. J Cancer Metastasis Treat 2017;3:302-14.##4. Andreoiu M, Cheng L. Multifocal prostate cancer: biologic, prognostic, and therapeutic implications. Hum Pathol 2010;41(6):781-93.##5. Velonas VM, Woo HH, dos Remedios CG, Assinder SJ. Current status of biomarkers for prostate cancer. Int J Mol Sci 2013;14(6):11034-60.##6. Xi X, Li T, Huang Y, Sun J, Zhu Y, Yang Y, et al. RNA Biomarkers: Noncoding RNA 2017;3(1). pii: E9.##7. Peng Y, Croce CM. The role of MicroRNAs in human cancer. Signal Transduct Target Ther 2016;1:15004.##8. Melo SA, Esteller M. Dysregulation of microRNAs in cancer: playing with fire. FEBS Lett 2011;585(13):2087-99.##9. Kumarswamy R, Mudduluru G, Ceppi P, Muppala S, Kozlowski M, Niklinski J, et al. MicroRNA-30a inhibits epithelial-to mesenchymal transition by targeting Snai1 and is downregulated in non-small cell lung cancer. Int J Cancer 2012;130(9):2044-53.##10. Lu MH, Huang CC, Pan MR, Chen HH, Hung WC. Prospero homeobox 1 promotes epithelialmesenchymal transition in colon cancer cells by inhibiting E-cadherin via miR-9. Clin Cancer Res 2012;18(23):6416-25.##11. Cheng CW, Wang HW, Chang CW, Chu HW, Chen CY, Yu JC, et al. MicroRNA-30a inhibits cell migration and invasion by downregulating vimentin expression and is a potential prognostic marker in breast cancer. Breast Cancer Res Treat 2012;134(3):1081-93.##12. Guan H, Liu C, Fang F, Huang Y, Tao T, Ling Z, et al. MicroRNA-744 promotes prostate cancer progression through aberrantly activating Wnt/betacatenin signaling. Oncotarget 2017;8(9):14693-707.##13. Feng R, Chen X, Yu Y, Su L, Yu B, Li J, et al. miR-126 functions as a tumour suppressor in human gastric cancer. Cancer Lett 2010;298(1):50-63.##14. Calin GA, Croce CM. MicroRNA signatures in human cancers. Nat Rev Cancer 2006;6(11):857-66. ##15. Liu B, Li J, Cairns MJ. Identifying miRNAs, targets and functions. Brief Bioinform 2014;15(1):1-19.##16. Moradi N, Paryan M, Khansarinejad B, Rafiei M, Mondanizadeh M. Bioinformatic Prediction of miRNAs Targeting NOTCH1 and HBx Genes in Chronic Hepatitis B-Induced Hepatocellular Carcinoma. Arak Medical University Journal 2017;19(117): 89-101. Persian##17. Akhtar MM, Micolucci L, Islam MS, Olivieri F, Procopio AD. Bioinformatic tools for microRNA dissection. Nucleic Acids Res 2016;44(1):24-44.##18. Min H, Yoon S. Got target? Computational methods for microRNA target prediction and their extension. Exp Mol Med 2010;42(4):233-44.##19. Holland B, Wong J, Li M, Rasheed S. Identification of human microRNA-like sequences embedded within the protein-encoding genes of the human immunodeficiency virus. PLoS One 2013;8(3):e58586.##20. Humphries B, Yang C. The microRNA-200 family: small molecules with novel roles in cancer development, progression and therapy. Oncotarget 2015;6(9):6472-98.##21. Koutsaki M, Libra M, Spandidos DA, Zaravinos A. The miR-200 family in ovarian cancer. Oncotarget 2017; 8(39): 66629–40.##22. Wong NW, Chen Y, Chen S, Wang X. OncomiR: an online resource for exploring pan-cancer microRNA dysregulation. Bioinformatics 2018;34(4):713-5.##23. Vlachos IS, Zagganas K, Paraskevopoulou MD, Georgakilas G, Karagkouni D, Vergoulis T, et al. DIANA-miRPath v3.0: deciphering microRNA function with experimental support. Nucleic Acids Res 2015;43(W1):W460-6.##24. Huang da W, Sherman BT, Lempicki RA. Systematic and integrative analysis of large gene lists using DAVID bioinformatics resources. Nat Protoc 2009;4(1):44-57.##25. Huang da W, Sherman BT, Lempicki RA. Bioinformatics enrichment tools: paths toward the comprehensive functional analysis of large gene lists. Nucleic Acids Res 2009;37(1):1-13.##26. Saini S. PSA and beyond: alternative prostate cancer biomarkers. Cell Oncol (Dordr) 2016;39(2):97-106.##7. Fabris L, Ceder Y, Chinnaiyan AM, Jenster GW, Sorensen KD, Tomlins S, et al. The Potential of MicroRNAs as Prostate Cancer Biomarkers. Eur Urol 2016;70(2):312-22.##28. Khorasani M, Mahdian R, Peymani A. The role of microRNAs in the pathogenesis, diagnosis and treatment of prostate cancer. The Journal of Qazvin University of Medical Sciences 2016; 20(3): 65-74.Persian.##29. Banwait JK, Bastola DR. Contribution of bioinformatics prediction in microRNA-based cancer therapeutics. Adv Drug Deliv Rev 2015;81:94-103.##30. Ambros V. The functions of animal microRNAs. Nature 2004;431(7006):350-5.##31. Gao Y, Feng B, Lu L, Han S, Chu X, Chen L, et al. MiRNAs and E2F3: a complex network of reciprocal regulations in human cancers. Oncotarget 2017;8(36):60624-39.##32. Zeng X, Yin F, Liu X, Xu J, Xu Y, Huang J, et al. Upregulation of E2F transcription factor 3 is associated with poor prognosis in hepatocellular carcinoma. Oncol Rep 2014;31(3):1139-46.##33. Gudas JM, Payton M, Thukral S, Chen E, Bass M, Robinson MO, et al. Cyclin E2, a novel G1 cyclin that binds Cdk2 and is aberrantly expressed in human cancers. Mol Cell Biol 1999;19(1):612-22.##34. Payton M, Scully S, Chung G, Coats S. Deregulation of cyclin E2 expression and associated kinase activity in primary breast tumors. Oncogene 2002;21(55):8529-34.##35. Caldon CE, Sergio CM, Kang J, Muthukaruppan A, Boersma MN, Stone A, et al. Cyclin E2 overexpression is associated with endocrine resistance but not insensitivity to CDK2 inhibition in human breast cancer cells. Mol Cancer Ther 2012;11(7):1488-99.##36. Sieuwerts AM, Look MP, Meijer-van Gelder ME, Timmermans M, Trapman AM, Garcia RR, et al. Which cyclin E prevails as prognostic marker for breast cancer? Results from a retrospective study involving 635 lymph node-negative breast cancer patients. Clin Cancer Res 2006;12(11 Pt 1):3319-28.##37. Zhang L, Zhang XW, Liu CH, Lu K, Huang YQ, Wang YD, et al. miRNA-30a functions as a tumor suppressor by downregulating cyclin E2 expression in castration-resistant prostate cancer. Mol Med Rep 2016;14(3):2077-84.##38. Krishnan K, Steptoe AL, Martin HC, Wani S, Nones K, Waddell N, et al. MicroRNA-182-5p targets a network of genes involved in DNA repair. RNA 2013;19(2):230-42.##39. Hamilton MP, Rajapakshe KI, Bader DA, Cerne JZ, Smith EA, Coarfa C, et al. The landscape of microrna targeting in prostate cancer defined by AGOPAR-CLIP. Neoplasia 2016;18(6):356-70.##40. Adams JM, Cory S. The BCL-2 arbiters of apoptosis and their growing role as cancer targets. Cell Death Differ. 2018 Jan;25(1):27-36.##41. Adams JM, Cory S. The Bcl-2 apoptotic switch in cancer development and therapy. Oncogene 2007;26(9):1324-37.##42. McDonnell TJ, Troncoso P, Brisbay SM, Logothetis C, Chung LW, Hsieh JT, et al. Expression of the protooncogene bcl-2 in the prostate and its association with emergence of androgen-independent prostate cancer. Cancer Res 1992;52(24):6940-4.##43. Jančík S, Drábek J, Radzioch D, Hajdúch M. Clinical Relevance of KRAS in human cancers. Journal of Biomedicine and Biotechnology 2010; 1- 13.##44. Cai H, Memarzadeh S, Stoyanova T, Beharry Z, Kraft AS, Witte ON. Collaboration of Kras and androgen receptor signaling stimulates EZH2 expression and tumor-propagating cells in prostate cancer. Cancer Res 2012;72(18):4672-81.## ##

امکان‌سنجی برای استقرار پزشکی از راه دور: مطالعه مروری و ارائه پیشنهاد برای ایران Feasibility Study for the Establishment of Telemedicine: A Review Study and a Suggestion for Iran 1 1 مقدمه: پزشکی از راه دور به عنوان جزء لاینفک مدیریت خدمات بهداشتی- درمانی و مدیریت سیستم‌های اطلاعات بهداشتی و درمانی است؛ بنابراین این مطالعه با هدف مرور مطالعات در رابطه با اهداف و کاربردهای پزشکی از راه دور در کشورهای مختلف و ارائه پیشنهاد برای نظام سلامت ایران انجام شد. روش: این مطالعه مروری نظام‌مند، با بهره‌گیری از کلید‌واژه‌های فارسی «‌پزشکی از راه دور»، «سلامت الکترونیک»، «سلامت از راه دور»، «مراقبت سلامت»، «سسیستم»، «تکنولوژی و برنامه» و کلید واژه‌های انگلیسی "tele medicine"، "electronic health" ،"tele health"، "health care"، "system" ،"technology"، "program"، "tele medical" در پایگاه‌های اطلاعاتی موجود در کتابخانه ملی دیجیتال پزشکی ایران در بازه زمانی سال 2000 تا 2017 انجام شد. نتایج: پس از اعمال معیارهای ورود و ارزیابی کیفیت مطالعات، تعداد 70 مقاله انتخاب شد. مبهم بودن زیر ساختار فناوری اطلاعات، مشکل فرهنگ‌سازی و آموزش، تغییرات سریع مدیران، ناتوانی در جذب نیروی متخصص و ماهر فناوری اطلاعات، نبودن ساز و کار مشخص برای تأمین منابع مالی نظام سلامت الکترونیک و عدم تدوین استانداردهای فنی، به عنوان موانع عمده استقرار سلامت الکترونیک در کشور ایران شناخته شدند. نتیجه‌گیری: پزشکی از راه دور در صورتی در کشور ایران از فاز پایلوت خارج و وارد جریان اصلی پایدار می‌گردد که مقرون به صرفه باشد. پیشنهاد می‌شود، توجه کافی توسط متولیان نسبت به مسائلی چون تخصیص دادن بودجه کافی، آشنا نمودن مسئولین با الزامات زیر ساختی و ایجاد انگیزش و حس همکاری با استفاده از جلسات توجیهی و آموزشی انجام گردد.   2 Introduction: Telemedicine is considered as an integral part of the management of health care services and health information systems. This study aimed to review the studies on the goals and applications of telemedicine in different countries and to present a suggestion for the health system of Iran. Method: In this systemic study using keywords of tele-medicine, electronic health، tele health, health care, system, technology, program and tele medical, the related studies in databases of Iranian National Medical Digital Library were reviewed from April 2000 to April 2017. Results: After applying the entry criteria and evaluating the quality of the studies, 70 eligible papers were selected. The main identified obstacles to the establishment of electronic health in Iran were vagueness and complexity of the IT infrastructure, cultural and educational problems, frequent changes of managers, inability to attract skilled IT staff in the field of electronic health, lack of a specified mechanism for funding electronic health systems and failure to develop technical standards. Conclusion: Telemedicine in Iran can transfer from the pilot phase to a stable major phase provided that it be cost-effective. Therefore, it is suggested that sufficient attention be paid by custodians to issues such as allocating adequate funding, raising the awareness of authorities regarding the necessary infrastructure requirements, and creating motivation and cooperation feeling using briefing and training sessions. 507 519 2018/05/122018/07/182018/04/182018/05/232018/02/82018/02/22018/05/202017/12/13 1396/9/22 2018/09/62018/11/112018/05/312018/09/82018/05/292018/09/12018/11/102018/09/1 1397/6/10 حسین رفعتی Hossein Rafati پزشک عمومی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران RAFATI@GMAIL.COM یاسمین مولوی طالقانی Yasamin Molavi Taleghani دانشجوی دکتری مدیریت خدمات بهداشتی درمانی، گروه مدیریت و اقتصاد سلامت، مرکز تحقیقات مدیریت و اقتصاد سلامت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران yasamin_molavi1987@YAHOO.COM Telemedicine Tele health Electronic health Information technology پزشکی از راه دور (تله مدیسین) سلامت از راه دور سلامت الکترونیک فناوری اطلاعات 1. Hyman WA. Telemedicine: Theory and Practice. In Bashshur RL, Sanders JH, Shannon GW, editors. Annals of Biomedical Engineering 1999;27(2):286.##2. Wu ZY, Lee YC, Lai F, Lee HC, Chung Y. A secure authentication scheme for telecare medicine information systems. Journal of medical systems. 2012;36(3):1529-35.##3. Zailani S, Gilani MS, Nikbin D, Iranmanesh M. Determinants of telemedicine acceptance in selected public hospitals in Malaysia: clinical perspective. J Med Syst 2014;38(9):111.##4. Lowe AA, Gerald JK, Clemens C, Brown MA, Moore M, Carr TF, et al. Mobile telemedicine programs in school could increase clinician efficiency and improve access to health care among children with asthma. American Journal of Respiratory and Critical Care Medicine 2016;193:A6427##5. Hjelm NM. Telemedicine: academic and professional aspects. Hong Kong Med J 1998;4(3):289-92.##6. Holliday I, Tam WK. E-health in the East Asian tigers. International Journal of Medical Informatics 2004;73(11-12):759-69.##7. Judi HM, Razak A, Sha'ari N, Mohamed H. Feasibility and critical success factors in implementing telemedicine. Information Technology Journal 2009;8(3):326-32.##8. Bahadorkhani M. Early study of employment telemedicine system in growth skill for university professors. 10th Congress of Medical Scinces; Ghazvin: Ghazvin University Of Medical Scincices; 2009. p. 5-7.##9. Kasitipradith N. The Ministry of Public Health telemedicine network of Thailand. Int J Med Inform 2001;61(2-3):113-6.##10. Weinstein RS, Lopez AM, Joseph BA, Erps KA, Holcomb M, Barker GP, et al. Telemedicine, telehealth, and mobile health applications that work: opportunities and barriers. Am J Med 2014;127(3):183-7.##11. The Vice-Chancellery for Research and Technology. The 5th Five-Year Plan of the Islamic Republic of Iran Development Plan (2011-2011).Available from:http://www.iust.ac.ir/files/research/pages/ghanunebarname_panjom.pdf##12. Adler-Milstein J, Kvedar J, Bates DW. Telehealth among US hospitals: several factors, including state reimbursement and licensure policies, influence adoption. Health Aff (Millwood) 2014;33(2):207-15.##13. Black AK, Sadanala UK, Mascio CE, Hornung CA, Keller BB. Challenges in implementing a pediatric cardiovascular home telehealth project. Telemed J E Health 2014;20(9):858-67.##14. 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. 15. Dinev T, Albano V, Xu H, D’Atri A, Hart P. Individuals’ Attitudes Towards Electronic Health Records: A Privacy Calculus Perspective. In: Gupta A, Patel VL, Greenes RA, editors. Advances in Healthcare Informatics and Analytics. Cham: Springer International Publishing; 2016. p. 19-50.##16. Weiskopf NG, Weng C. Methods and dimensions of electronic health record data quality assessment: enabling reuse for clinical research. J Am Med Inform Assoc 2013;20(1):144-51.##17. Hoerbst A, Ammenwerth E. Electronic health records. A systematic review on quality requirements. Methods Inf Med 2010;49(4):320-36.##18. Jordanova M, Lievens F, editors. Global Telemedicine and eHealth (A synopsis). E-Health and Bioengineering Conference (EHB); 2011 Nov 24-26. Iasi, Romania: IEEE; 2011:##19. Scalvini S, Bernocchi P, Zanelli E, Comini L, Vitacca M. Maugeri Centre for Telehealth and Telecare: A real-life integrated experience in chronic patients. J Telemed Telecare 2018;24(7):500-7.##20. Askari A, Khodaie M, Bahaadinbeigy K. The 60 most highly cited articles published in the Journal of Telemedicine and Telecare and Telemedicine Journal and E-health. J Telemed Telecare 2014;20(1):35-43.##21. Torabi M, Safdari R. Electronic Health.1th ed. Tehran: Saadat; 2008.##22. Fatehi F, Wootton R. Telemedicine, telehealth or ehealth? A bibliometric analysis of the trends in the use of these terms. J Telemed Telecare 2012;18(8):460-4.##23. Bergmo TS. Economic evaluation in telemedicine - still room for improvement. J Telemed Telecare 2010;16(5):229-31.##24. Behbahani S, Karimi M. Diagnosis of various diseases on the fingerprints. Med & Lab Engineering Magazine2019;18(214):36-42. Persian##25. Ghafari A, Firozabadi SM, Mohegh M. telemedicine word of other type. Monthly Journal of Medical Engineering and Laboratory Equipment 2008;92(3):15-8.##26. Mihova P, Vinarova J, Petkov A, Penjurov I. Milestone before/after analysis of telemedicine implementation. Ukrainian Journal of Telemedicine and Medical Telematics: Scientific and Practical Journal 2009;7(1):65-7.##27. Tagliente I, Ullmann N, Ritrovato M, Trujillo FJ, Schiaffini R. Benefit of Telemedicine for Patients With Diabetes Mellitus. The Seventh International Conference on eHealth, Telemedicine, and Social Medicine; At Lisbon: IARIA; 2015. p. 152-4.##28. Wan Ahmad W, De Coster R, Noura A. A framework for telemedicine system performance in developing countries. New, Edinburgh, UK: The Performance Management Association (PMA); 2016.##29. Zali A. Health- E and Tele Medicine. Tehran: Shabake Pershia Informatic Inistitiution; 2006.##30. Mun S. E-Health and telemedicine. International Journal of Computer Assisted Radiology and Surgery 2014;9(Supp 1):S71-S5.##31. Hilty DM, Ferrer DC, Parish MB, Johnston B, Callahan EJ, Yellowlees PM. The effectiveness of telemental health: a 2013 review. Telemed J E Health 2013;19(6):444-54.##32. Gartee R. Electronic Health Records: Understanding and Using Computerized Medical Records. 3th ed. Pearson; USA, 2016.##33. Duker I, Elsner P. Dermatology in telemedicine. Possibilities and limits. Hautarzt 2002;53(1):11-7. German##34. Turner AP, Hartoonian N, Sloan AP, Benich M, Kivlahan DR, Hughes C, et al. Improving fatigue and depression in individuals with multiple sclerosis using telephone-administered physical activity counseling. J Consult Clin Psychol 2016;84(4):297-309.##35. Pathipati AS, Azad TD. Telemedical Education: Training Digital Natives in Telemedicine. J Med Internet Res 2016;18(7):e193.##36. Pacey JA, Yazdi RA, Payandeh S, Moori SH, inventors; Verathon Inc, assignee. Telemedicine systems and methods. United States patent application US 12/947,745. 2011 Jul 21.##37. Nasr KM, Martini MG. A visual quality evaluation method for telemedicine applications. Signal Processing: Image Communication 2017; 57: 211-8.##38. Mermelstein H, Guzman E, Rabinowitz T, Krupinski E, Hilty D. The application of technology to health: the evolution of telephone to telemedicine and telepsychiatry: a historical review and look at human factors. Journal of Technology in Behavioral Science 2017:2(1): 5-16.##39. Hashemi N. Telemedicine with Attitude on Teleradiology and Telepathology. Tehran: Noore Danesh; 2010.##40. Pattichis C, Kyriacou E, Voskarides S, Pattichis M, Istepanian R, Schizas CN. Wireless telemedicine systems: an overview. IEEE Antennas and Propagation Magazine 2002;44(2):143-53.##41. Bagayoko CO, Muller H, Geissbuhler A. Assessment of Internet-based tele-medicine in Africa (the RAFT project). Comput Med Imaging Graph 2006;30(6-7):407-16.##42. Issac R, Sahasranamam S. Tele-consulting through rural health centres for tribal community-A case study from Wayanad. Global Humanitarian Technology Conference (GHTC 2014); 2014 Oct 10-13; San Jose, CA, USA: IEEE; 2014.##43. Richter KP, Shireman TI. Metadata Correction: Comparative and Cost Effectiveness of Telemedicine##Versus Telephone Counseling for Smoking Cessation. J Med Internet Res 2015;17(6):e124.##44. Berndt N, Bolman C, Froelicher ES, Mudde A, Candel M, de Vries H, et al. Effectiveness of a telephone delivered and a face-to-face delivered counseling intervention for smoking cessation in patients with coronary heart disease: a 6-month followup. J Behav Med 2014;37(4):709-24.##45. Norris AC. Essentials of Telemedicine and Telecare. 1th ed. NewZealand: John Wiley & Sons, Ltd; 2002.##46. Barbosa DJ. Using Tele-Education for Professional Training in Mental Health Primary Care in Brazil. J Int Soc Telemed eHealth 2017;5:e4##47. Campbell JP, Swan R, Jonas K, Ostmo S, Ventura CV, Martinez-Castellanos MA, et al. Implementation and evaluation of a tele-education system for the diagnosis of ophthalmic disease by international trainees. AMIA Annu Symp Proc 2015:366-75.##48. Cubo E, Doumbe J, Njiengwe E, Onana P, Garona R, Alcalde J, et al. A Parkinson's disease tele-education program for health care providers in Cameroon. J Neurol Sci 2015;357(1-2):285-7.##49. Zennaro F, Grosso D, Fascetta R, Marini M, Odoni L, Di Carlo V, et al. Teleradiology for remote consultation using iPad improves the use of health system human resources for paediatric fractures: prospective controlled study in a tertiary care hospital in Italy. BMC Health Serv Res 2014;14:327.##50. Al-Safadi L. The effects of real-time interactive multimedia teleradiology system. BioMed Research International 2016;2016: 1-9.##51. Fong WC, Ismail M, Lo JW, Li JT, Wong AH, Ng YW, et al. Telephone and Teleradiology-Guided Thrombolysis Can Achieve Similar Outcome as Thrombolysis by Neurologist On-site. J Stroke Cerebrovasc Dis 2015;24(6):1223-8.##52. Zucchella C, Di Santis M, Ciccone B, Pelella M, Scappaticci M, Badalassi G, et al. Is telemonitoring useful for supporting persons with consciousness disorders and caregivers? A preliminary observational study in a real-life population. J Telemed Telecare 2018;24(1):56-62.##53. Inglis SC, Clark RA, Dierckx R, Prieto-Merino D, Cleland JG. Structured telephone support or noninvasive telemonitoring for patients with heart failure. Cochrane Database Syst Rev 2015;(10):CD007228.##54. Whited JD. Teledermatology research review. Int J Dermatol 2006;45(3):220-9.##55. Zandeyeh M, Fakhar, N, Karami M. Robotic surgery: change in new surgery techniques. Journal of Holistic Nurssing and Midwifery 2010;19(61):43-8. Persian##56. Gholamhosseni L, Sadeghi M, Mehrabi N. the study telemedicine operation dimensions. Paramedical Sciences and Military Health 2009;3(1):36-43. Persian##57. Takahashi T. The present and future of telemedicine in Japan. Int J Med Inform 2001;61(2-3):131-7.##58. Hasegawa T, Murase S. Distribution of telemedicine in Japan. Telemed J E Health 2007;13(6):695-702.##59. Habibzadeh H, Jafarizadeh H, Mohamadpor Y, Rahmani A, Salehi Tali. Impellent factors and challenges of E-Health. J Urmia Nurs Midwifery Fac 2011;9(3):196-204. Persian##60. Karimi A, Rahimipour H, Hasani M. Medical Crimes Due To E-Health. Medical Low; 2010; 4(14):47-69.##61. Nasiripour A, Radfar R, Najaf Beigy V, Rahmani H. Survey of essential ingredient e-health system in Iran. Hospital 2011;10(1):53-62. Persian##62. Mirza F, Norris T, Stockdale R. Mobile technologies and the holistic management of chronicdiseases. Health Informatics J 2008;14(4):309-21.##63. Chaos Report. The Standish Group Report: Project Smart; 2014 [cited 2017 Sep 14]. Available from: https://www.projectsmart.co.uk/white-papers/chaosreport.pdf.##64. Rey-Moreno C, Reigadas JS, Villalba EE, Vinagre JJ, Fernandez AM. A systematic review of telemedicine projects in Colombia. J Telemed Telecare 2010;16(3):114-9.##65. Kannan S. Utilization of Telehealth in India. Munich Personal RePEc Archive 2008;7(35):1-9.##66. Fatehi F. Success factors and challenges for establishing the princess alexandra hospital teleendocrinology clinic in Brisbane, Australia: a qualitative study. Journal of Health and Biomedical Informatics 2014;1(1):1-9. Persian##67. Høstgaard AM, Nøhr C. Dealing with Dealing with organizational change when implementing EHR systems. Stud Health Technol Inform. 2004;107(Pt 1):631-4.##68. Al-Shorbaji N. E-health in the Eastern Mediterranean Region: a decade of challenges and achievements. East Mediterr Health J 2008;14 Suppl:S157-73.##69. Lykke F, Holzworth M, Rosager M, Turisco F. Telemedicine: An essential technology for reformed health care. Falls Church, Virginia: CSC Insights: Computer Sciences Corporation; 2013.##70. Ahmed SN, Mann C, Sinclair DB, Heino A, Iskiw B, Quigley D, et al. Feasibility of epilepsy follow-up care through telemedicine: a pilot study on the patient's perspective. Epilepsia 2008;49(4):573-85.##71. Jennett P, Yeo M, Pauls M, Graham J. Organizational readiness for telemedicine: implications for success and failure. J Telemed Telecare 2003;9 Suppl 2:S27-30.##72. Yellowlees PM. Successfully developing a telemedicine system. J Telemed Telecare 2005;11(7):331-5.## ##