ارزیابی کاربردپذیری سیستم اطلاعات پذیرش و مدارک پزشکی با استفاده از روش ارزیابی اکتشافی Evaluation of the Usability of Admission and Medical Record Information System: A Heuristic Evaluation 1 1 مقدمه: سیستم پذیرش و مدارک ‌پزشکی یکی از زیرسیستم‌های مهم سیستم اطلاعات بیمارستانی است که توسط کاربران زیادی در بخش‌های پذیرش و ترخیص و مدیریت اطلاعات سلامت بیمارستان‌ها استفاده می‌شود. مشکلات کاربردپذیری رابط کاربری، می‌تواند باعث کاهش سرعت، دقت و بهره‌وری کاربران در تعامل با سیستم‌های اطلاعاتی شود. این مطالعه با هدف شناسایی مشکلات کاربردپذیری زیرسیستم پذیرش و مدارک پزشکی یک سیستم اطلاعات بیمارستانی انجام شد. روش: در این مطالعه توصیفی- مقطعی پنج متخصص مدیریت اطلاعات سلامت با استفاده از روش ارزیابی اکتشافی زیرسیستم پذیرش و مدارک پزشکی را در یک سیستم اطلاعات بیمارستانی بررسی نمودند. سپس مشکلات کاربردپذیری این سیستم را در قالب ده اصل کاربردپذیری Nielsen گروه‌بندی و شدت مشکلات را مشخص نمودند. نتایج: در مجموع تعداد 62 مشکل منحصر‌به‌فرد کاربردپذیری شناسایی شد. بیشترین تعداد مشکلات مربوط به دو اصل «رعایت یکنواختی و استانداردها» و «تشخیص به جای یادآوری» هر کدام 9 مشکل و کمترین تعداد مشکل مربوط به اصل «انعطاف‌پذیری و کارآیی استفاده» (1 مشکل) بود. 59/7% مشکلات شناسایی شده در رده مشکلات بزرگ و وخیم بودند، بیشترین میانگین شدت مشکلات را دو اصل «وضوح وضعیت سیستم» و «جنبه‌های زیباشناختی و طراحی ساده‌» و کمترین میانگین شدت مشکلات را اصل «پیشگیری از خطا» داشت. نتیجه گیری: با روش ارزیابی اکتشافی تعداد قابل توجهی از مشکلات کاربردپذیری در زیرسیستم پذیرش و مدارک پزشکی یک سیستم اطلاعات بیمارستانی شناسایی شد. از نظر ارزیابان اکثر مشکلات رابط کاربری سیستم اطلاعات بیمارستانی مورد ارزیابی از نوع بزرگ و وخیم هستند و اصلاح آن‌ها توسط طراحان و توسعه‌دهندگان این سیستم ضروری می‌باشد. 2 Introduction: Admission and medical record system (AMRS) is one of the most important subsystems of hospital information system, which is used by many users in admission, discharge, and health information management. Interface usability problems can reduce user speed, precision, and efficiency in user-system interaction. This study aimed to identify the usability problems of AMRS in a hospital information system. Method: In this descriptive cross-sectional study, five health information technology experts evaluated AMRS in a hospital information system using heuristic evaluation. Then, the system usability problems were categorized according to Nielsen's 10 usability principles and their severity were determined. Results: Totally, 62 unique usability problems were detected. The most frequent problems were related to "consistency and standards" (n=9) and ''recognition rather than recall" (n=9), and the least frequent ones was related to "flexibility and efficiency of use" (n=1). 59.7% of the identified problems were categorized as big and severe problems. The highest average severity of problems belonged to "system’s visibility" and "aesthetic and minimalist design", and the least average severity belonged to "error prevention". Conclusion: Using heuristic evaluation, a large number of usability problems in AMRS were identified. According to experts' opinions, most of the HIS interface problems were big and severe, and they need to be modified by designers and developers of these systems. 80 89 2018/10/11 1397/7/19 2019/01/27 1397/11/7 منیره صادقی جبلی Monireh Sadeqi Jabali دانشجوی دکتری تخصصی مدیریت اطلاعات سلامت، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی کاشان، کاشان، ایران ایران Msadeqi2005@gmail.com احسان نبوتی Ehsan Nabovati دکترای انفورماتیک پزشکی، استادیار، مرکز تحقیقات مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی کاشان، کاشان، ایران ایران Enabovati@gmail.com مهرداد فرزندی پور Mehrdad Farzandipour دکترای مدیریت اطلاعات سلامت، استاد، مرکز تحقیقات مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی کاشان، کاشان، ایران ایران Farzandipour_m@kaums.ac.ir سیده راضیه فرهی Seyedeh Raziyeh Farrahi دکترای مدیریت اطلاعات سلامت، استاد، مرکز تحقیقات مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی کاشان، کاشان، ایران ایران Farrahir1@gmail.com رضا عباسی Reza Abbasi دکترای مدیریت اطلاعات سلامت، استاد، مرکز تحقیقات مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی کاشان، کاشان، ایران ایران Rezaabba30_2001@yahoo.com Hospital information system Admission and medical record system Usability Heuristic evaluation User interface سیستم اطلاعات بیمارستانی زیر سیستم پذیرش و مدارک پزشکی کاربردپذیری ارزیابی اکتشافی رابط کاربری 1. Brender J, Nohr C, McNair P. Research needs and priorities in health informatics. Int J Med Inform 2000;58-59:257-89. doi.org/10.1016/S1386-5056(00)00092-7##2. Giuse DA, Kuhn KA. Health information systems challenges: the Heidelberg conference and the future. Int J Med Inform 2003;69(2-3):105-14. doi.org/10.1016/S1386-5056(02)00182-X##3. Mervat A, Sara G, Alice HM, Ellen J. Health Information: Management of a Strategic Resource. 5th ed. China: Saunders; 2015.##4. Sadoughi F, Khoshkam M, Farahi SR. Usability evaluation of hospital information systems in hospitals affiliated with Mashhad University of Medical Sciences, Iran. Health Information Management 2012;9(3): 310-17. Persian##5. Malliarou M, Zyga S. Advantages of information systems in health services. Sport Management International Journal 2009;5(2):43-54.##6. Kushniruk AW, Triola MM, Borycki EM, Stein B, Kannry JL. Technology induced error and usability: the relationship between usability problems and prescription errors when using a handheld application. Int J Med Inform 2005;74(7-8):519-26. doi: 10.1016/j.ijmedinf.2005.01.003##7. Peute LW, Jaspers MW. The significance of a usability evaluation of an emerging laboratory order entry system. Int J Med Inform 2007;76(2-3):157-68. doi:10.1016/j.ijmedinf.2006.06.003##8. Thyvalikakath TP, Monaco V, Thambuganipalle HB, Schleyer T. A usability evaluation of four commercial dental computer-based patient record systems. J Am Dent Assoc 2008;139(12):1632-42. doi:10.14219/jada.archive.2008.0105##9. ISO 9241-11. Ergonomic requirements for office work with visual display terminals (VDTs) — Part 11 Guidance on usability; 1998.##10. Bolchini D, Finkelstein A, Perrone V, Nagl S. Better bioinformatics through usability analysis. Bioinformatics 2009;25(3):406-12. doi: 10.1093/bioinformatics/btn633.##11. Yen PY, Bakken S. Review of health information technology usability study methodologies. J Am Med Inform Assoc 2012;19(3):413-22. doi: 10.1136/amiajnl-2010-000020.##12. Kastner M, Lottridge D, Marquez C, Newton D, Straus SE. Usability evaluation of a clinical decision support tool for osteoporosis disease management. Implement Sci 2010;5:96. doi: 10.1186/1748-5908-5-96.##13. Hamborg KC, Vehse B, Bludau HB. Questionnaire based usability evaluation of hospital information systems. Electronic Journal of Information Systems Evaluation 2004;7(1):21-30.##14. Nabovati E, Vakili-Arki H, Eslami S, Khajouei R. Usability evaluation of Laboratory and Radiology Information Systems integrated into a hospital information system. J Med Syst 2014;38(4):35. doi: 10.1007/s10916-014-0035-z.##15. Yui BH, Jim WT, Chen M, Hsu JM, Liu CY, Lee TT. Evaluation of computerized physician order entry system-a satisfaction survey in Taiwan. J Med Syst 2012;36(6):3817-24. doi: 10.1007/s10916-012-9854-y.##16. Khajouei R, Abbasi R. Evaluating Nurses' Satisfaction With Two Nursing Information Systems. Comput Inform Nurs 2017;35(6):307-14. doi: 10.1097/CIN.0000000000000319.##17. Jaspers MW. A comparison of usability methods for testing interactive health technologies: methodological aspects and empirical evidence. Int J Med Inform 2009;78(5):340-53. doi: 10.1016/j.ijmedinf.2008.10.002.##18. Nielsen J. Usability Engineering. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc.; 1993.##19. Nielsen J, Mack RL. Usability Inspection Methods. 1th ed. New York: John Wiley & Sons, Inc; 1944.##20. Duarte JG, Azevedo RS. Electronic health record in the internal medicine clinic of a Brazilian university hospital: Expectations and satisfaction of physicians and patients. Int J Med Inform 2017;102:80-6. doi: 10.1016/j.ijmedinf.2017.03.007.##21. Ehteshami A, Sadoughi F, Saeedbakhsh S, Isfahani MK. Assessment of Medical Records Module of Health Information System According to ISO 9241-10. Acta Inform Med 2013;21(1):36-41. doi: 10.5455/aim.2012.21.36-41.##22. Farzandipour M, Nabovati E, Zaeimi GH, Khajouei R. Usability Evaluation of Three Admission and Medical Records Subsystems Integrated into Nationwide Hospital Information Systems: Heuristic Evaluation. Acta Inform Med 2018;26(2):133-8. doi: 10.5455/aim.2018.26.133-138.##23. Neil T. Designing Web Interfaces: M Principles and Patterns for Rich Interaction, 6 Tips for a Great Flex UX: Part 5; Available from: http://designingwebinterfaces.com/6-tips-for-a-great-flex-ux-part-5/ ##24. Khajouei R, Azizi A, Atashi A. Usability Evaluation of an Emergency Information System: A Heuristic Evaluation. Journal of Health Administration 2013;16(52):61-72. Persian##25. Nielsen J Mack RL. Usability Inspection Methods. New York: Wiley; 1994.##26. Ahmadian L, Salehi F, Abedinzadeh A, Khatibi F. Usability evaluation of a radiology information system. Journal of Health Administration 2017;20(69):67-78. Persian##27. Atashi A, Khajouei R, Azizi A, Dadashi A. User interface problems of a nationwide inpatient information system: a heuristic evaluation. Appl Clin Inform 2016; 7(1): 89–100. doi: 10.4338/ACI-2015-07-RA-0086##28. Kuqi K, Eveleigh T, Holzer T, Sarkani S, Levin JE, Crowley RS. Design of electronic medical record user interfaces: a matrix-based method for improving usability. J Healthc Eng 2013;4(3):427-52. doi: 10.1260/2040-2295.4.3.427.##29. Sengstack P. CPOE configuration to reduce medication errors. Journal of Healthcare Information Management 2010;24(4):26-34.##30. Smelcer JB, Miller-Jacobs H, Kantrovich L. Usability of electronic medical records. Journal of usability studies 2009;4(2):70-84.##31. Koppel R, Metlay JP, Cohen A, Abaluck B, Localio AR, Kimmel SE, et al. Role of computerized physician order entry systems in facilitating medication errors. JAMA 2005;293(10):1197-203. doi:10.1001/jama.293.10.1197##32. Chan J, Shojania KG, Easty AC, Etchells EE. Usability evaluation of order sets in a computerised provider order entry system. BMJ Qual Saf 2011;20(11):932-40. doi: 10.1136/bmjqs.2010.050021. doi: 10.1097/CIN.0000000000000209##33. Georgsson M, Staggers N, Weir C. A modified user-oriented heuristic evaluation of a mobile health system for diabetes self-management support. Comput Inform Nurs 2016; 34(2): 77–84.##34. Joshi A, Perin DM, Amadi C, Trout K. Evaluating the usability of an interactive, bi-lingual, touchscreen-enabled breastfeeding educational programme: application of Nielson's heuristics. J Innov Health Inform 2015;22(2):265-74. doi: 10.14236/jhi.v22i2.71.##35. Savoy A, Patel H, Flanagan ME, Weiner M, Russ AL. Systematic Heuristic Evaluation of Computerized Consultation Order Templates: Clinicians' and Human Factors Engineers' Perspectives. J Med Syst 2017;41(8):129. doi: 10.1007/s10916-017-0775-7.##36. Nielsen J. Heuristic Evaluation: How to Conduct a Heuristic Evaluation. World Leaders in Research-Based User Experience; 1994.##37. Rezaei-Hachesu P, Pesianian E, Mohammadian M. Evaluating Usability of Radiology Information Systems in Hospitals of Tabriz University of Medical Sciences. Acta Inform Med 2016;24(1):42-6. doi: 10.5455/aim.2016.24.42-46.## ##

الزامات طراحی یک سامانه‌ پتوی هوشمند پوشیدنی برای پایش بیماران در آمبولانس Requirements for Designing a Wearable Smart Blanket System for Monitoring Patients in Ambulance 1 1 مقدمه: امروزه، به منظور پایش لحظه‌ای بیماران و کنترل شرایط اورژانسی آن‌ها سامانه‌های هوشمند و ابزارهای توسعهیافته نظیر سیستم‌های پوشیدنی رشد چشمگیری داشته‌اند. هدف این مقاله، تعیین نیازمندی‌های لازم برای طراحی سامانه پتوی هوشمند پوشیدنی برای پایش علائم حیانی بیماران در آمبولانس میباشد. روش: پس از بررسی مشخصات کلی سامانه‌های پوشیدنی با انجام مطالعه‌ای تطبیقی، با روشهای مناسب جمع آوری اطلاعات، توصیف نیازمندی‌های لازم برای طراحی سامانه‌ پیشنهادی انجام شد. در گام اول مطالعاتی جهت شناسایی الزامات توسعه سامانه‌های پوشیدنی انجام پذیرفت و در گام دوم، پرسشنامه‌ مستخرج از مطالعات میان متخصصان توزیع شد و براساس تحلیل پاسخها، نیازمندی های دقیق برای طراحی سامانه پتوی پوشیدنی برای پایش علائم حیاتی احصاء شد. نتایج: سامانه پتوی هوشمند پوشیدنی ویژگی‌های کارکردی خاصی نظیر پایش علائم حیاتی، قابلیت ارتباط با محیط اطراف، پردازش آنی سیگنال‌های حیاتی، قابلیت هشدار در صورت تجاوز علائم حیاتی از حدود آستانه، قابلیت ذخیره‌سازی تمام سیگنال‌های حیاتی فرد را دارا خواهد بود. خصوصیات غیرکارکردی مهمی نظیر نصب و عملکرد آسان، تعامل‌پذیری، تحمل‌پذیری خطا، مصرف انرژی کم، دقّت و صحت ثبت علائم، ارزیابی و تحلیل داده داشته باشند. نتیجه گیری: سامانه‌ پیشنهادی تمام علائم حیاتی موردنیاز برای کنترل افراد را به صورت یکپارچه ثبت کرده و داده‌های تفسیر شده‌ای را برای گروه درمان حاضر در آمبولانس ارائه می‌دهد. اطلاعات درمانی، تشخیصی، پایشی فرد در سیستم کمک‌یار پزشک ذخیره می‌شوند و این قابلیت را برای پزشک آمبولانس محیّا می‌سازد تا به صورت زودهنگام تشخیص اولیه را اتخاذ بنماید. 2 Introduction: Nowadays, smart systems and advanced tools such as wearable systems have grown significantly in order to monitor patients and keep their condition under control. The aim of this study was to determine the requirements for designing a wearable smart blanket system (WSBS) to monitor patients in ambulance instantaneously. Method: After reviewing the characteristics of wearable systems by conducting a comparative study, the requirements for designing the proposed system were determined using appropriate data collection methods. In the first step, studies were conducted to identify the requirements for the development of wearable systems, and in the second step, a questionnaire obtained from the studies was distributed among specialists, and based on the results obtained from the questionnaire, the requirements for designing the system were determined. Results: Wearable Smart Blanket System (WSBS) has special functional features such as monitoring of vital signs, ability to communicate with the environment, instantaneous processing of vital signs, the ability to alert when vital signs exceed the threshold, and the ability to record all the patients' vital signs. The main non-functional features of WSBS include easy installation and operation, interoperability, error tolerance, low power consumption, accuracy of signs recording, data evaluation and analysis. Conclusion: The WSBS records all the vital signs needed for the control of patients seamlessly and provides interpreted data for the ambulatory treatment team. All patients' medical, diagnostic, and monitored health information are stored in the physician assistants' system, and therefore, allows them to provide early diagnosis. 90 100 2018/10/112018/08/5 1397/5/14 2019/01/272019/06/17 1398/3/27 ثریا رضایی Sorayya Rezayi کارشناس ارشد انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشگاه تربیت مدرس، دانشکده علوم پزشکی، تهران، ایران ایران sorayya_rezayi@modares.ac.ir علی اصغر صفایی Ali Asghar Safaei مهندسی کامپیوتر- نرم افزار، استادیار، گروه انفورماتیک پزشکی، دانشگاه تربیت مدرس، دانشکده علوم پزشکی، تهران، ایران ایران aa.safaei@modares.ac.ir نیلوفر محمدزاده Niloofar Mohammadzadeh دکترای مدیریت اطلاعات سلامت، استادیار، گروه مدیریت اطلاعات سلامت، دانشگاه علوم پزشکی تهران، دانشکده پیراپزشکی، تهران، ایران ایران nmohammadzadeh@sina.tums.ac.ir Monitoring vital signs Wearable systems Wearable smart blanket requirements Smart sensors and fibers پایش علائم حیاتی سامانه‌های پوشیدنی نیازمندی‌های پتوی هوشمند پوشیدنی حسگرها و الیاف هوشمند 1. Merrell RC. Concepts of telemedicine consultation. Telemed J 1998;4(4):277-8. doi:10.1089/tmj.1.1998.4.277##2. Lymberis A, De Rossi DE. Wearable eHealth Systems For Personalised Health Management: State Of The Art and Future Challenges (Studies in Health Technology and Informatics). 1th ed. Amsterdam, Berlin, Oxford, Tokyo, Washington, DC: IOS Press; 2004.##3. Van Langenhove L. Smart Textiles for Medicine and Healthcare: Materials, Systems and Applications (Woodhead Publishing Series in Textiles). USA: CRC Press; 2007.##4. Shortliffe EH, Cimino JJ. Biomedical Informatics: Computer Applications in Health Care and Biomedicine. 4th ed. NewYork: Springer; 2014. doi: 10.1007/0-387-36278-9##5. Carr BG, Conway PH, Meisel ZF, Steiner CA, Clancy C. Defining the emergency care sensitive condition: a health policy research agenda in emergency medicine. Ann Emerg Med 2010;56(1):49-51. doi: 10.1016/j.annemergmed.2009.12.013.##6. Fitzsimmons JA. A methodology for emergency ambulance deployment. Management Science 1973;19(6):627-36. doi.org/10.1287/mnsc.19.6.627##7. Anliker U, Ward JA, Lukowicz P, Troster G, Dolveck F, Baer M, et al. AMON: a wearable multiparameter medical monitoring and alert system. IEEE Transactions on Information Technology in Biomedicine 2004;8(4):415-27.##8. Eom K, Arai H. Smart blanket: Flexible and easy to couple waveguide. Biomedical Wireless Technologies, Networks, and Sensing Systems (BioWireleSS), IEEE Topical Conference on; 2011 Jan 16-19; Phoenix, AZ, USA: IEEE; 2011. p. 15-8. doi: 10.1109/BIOWIRELESS.2011.5724343##9. Falck T, Espina J, Ebert JP, Dietterle D. BASUMA - the sixth sense for chronically ill patients. International Workshop on Wearable and Implantable Body Sensor Networks (BSN'06); 2006 Apr 3-5; Cambridge, MA, USA: IEEE; 2006. p. 4. doi: 10.1109/BSN.2006.12##10. Sommerville I. Software Engineerng. 9th ed. Reading, MA: Addison Wesley; 2011.##11. Meng Y, Choi HK, Kim HC. Exploring the user requirements for wearable healthcare systems. 13th International Conference on e-Health Networking, Applications and Services; 2011 Jun 13-15; Columbia, MO, USA: IEEE; 2011. p. 74-7. doi: 10.1109/HEALTH.2011.6026790##12. van Heek J, Schaar AK, Trevisan B, Bosowski P, Ziefle M. User requirements for wearable smart textiles. Does the usage context matter (medical vs. sport)? Proceedings of the 8th International Conference on Pervasive Computing Technologies for Healthcare; 2014 May 20; Oldenburg, Germany: ICST (Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering); 2014. p. 205-9. doi: 10.13140/2.1.1201.7925##13. Meng Y, Kim HC. Wearable systems and applications for healthcare. Computers, Networks, Systems and Industrial Engineering (CNSI), ACIS/JNU International Conference on; 2011 May 23-25; Jeju Island, South Korea: IEEE; 2011. p. 325-30. doi: 10.1109/CNSI.2011.78.##14. Andreoni G, Standoli CE, Perego P. Defining requirements and related methods for designing sensorized garments. Sensors 2016 26;16(6):769. doi: 10.3390/s16060769##15. Park S, Jayaraman S. Enhancing the quality of life through wearable technology. IEEE Eng Med Biol Mag 2003;22(3):41-8.doi: 10.1109/MEMB.2003.1213625## ##

مدل ترکیبی تشخیص ناهنجاری‌های قلبی با استفاده از پردازش صداهای قلب A Hybrid Model of Heart Anomalies Detection by Processing Heart Sounds 1 1 مقدمه: در تشخیص ناهنجاری‌های قلبی عوامل مختلفی مؤثر هستند. هرچه تعداد این عوامل بیشتر باشد عدم قطعیت در تشخیص ناهنجاری‌ها قلبی افزایش می‌یابد. در شرایط عدم قطعیت در پاسخ مدل پیش‌بینی کننده، سیستم‌های فازی یکی از کاراترین روش‌ها برای تولید یک پاسخ قابل قبول می‌باشند. روش: در این پژوهش کاربردی داده‌های مربوط به ناهنجاری‌های قلبی شامل 3240 رکورد، که هر رکورد صداهای قلب افراد مختلف در دو گروه سالم و ناسالم می‌باشد بررسی و سپس به کمک سیستم فازی قوانین حاکم بر داده‌ها برای نمونه‌های ورودی استخراج و از این قوانین برای دسته‌بندی ناهنجاری‌های قلبی استفاده شد. به جهت وابستگی فاکتورهای مؤثر در ناهنجاری‌های قلبی، بسیاری از قوانین همسان با یک عملکرد مشابه که موجب پردازش‌های اضافی و کاهش کارایی می‌شوند، تولید خواهد شد. در روش پیشنهادی از الگوریتم مرغ مگس‌خوار، برای انتخاب قوانین بهینه تولید شده استفاده شد. سپس به کمک قوانین بهینه انتخاب شده سیستم ورودی‌ها را به دو گروه هنجار و ناهنجار دسته‌بندی می‌کند. برای ارزیابی نتایج، روش میانگین مربعات خطا استفاده شد. نتایج: نتایج نشان داد که میانگین دقت و زمان در تشخیص ناهنجاری‌های قلبی در روش پیشنهادی به ترتیب 99/6 درصد و 0/56 ثانیه است و نسبت به تحقیقات مشابه، از کارایی بالاتری برخوردار می‌باشد. نتیجه‌گیری: مدل پیشنهادی نسبت به سایر روش‌ها، تشخیص و دسته‌بندی را با دقت بالاتری انجام می‌دهد. 2 Introduction: Different factors are effective in detecting heart abnormalities. The greater the number of these factors, the greater the uncertainty in the detection of heart abnormalities. In the uncertainty condition in response of prediction model, the fuzzy systems are one of the most effective methods for generating an acceptable response. Method: In this applied study, 3240 records related to heart abnormalities were reviewed, each record contained heart sounds of healthy and unhealthy groups. Then, using fuzzy system, the rules of data for the input samples were extracted and the rules were used to categorize the heart abnormalities. Due to the dependency of the effective factors on heart abnormalities, many identical rules with a similar function that result in additional processing and reduced efficacy, will be produced. In the proposed method, the Hummingbird algorithm were used to choose the optimal output rules. Then, using the optimum output rules, the inputs data were categorized into normal and abnormal classes. Data were analyzed using the root mean squared error (RMSE) method. Results: It was revealed that the mean accuracy and time of diagnosis of heart abnormalities in the proposed method were 99.6% and 0.56 seconds, respectively, indicating higher efficiency compared to the other similar studies. Conclusion: Compared to the other methods, the proposed model provides more accurate diagnosis and classification. 101 110 2018/10/112018/08/52018/02/12 1396/11/23 2019/01/272019/06/172019/01/7 1397/10/17 احسان آقائی نژاد Ehsan Aghaenjad کارشناسی ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد بندرگز ، بندرگز، ایران ایران ehsan6945@gmail.com رمضان تیموری یانسری Ramazan Taimourei-Yansary دکتری مهندسی کامپیوتر-هوش مصنوعی، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد بندرگز ، بندرگز، ایران ایران r.taimourei@yahoo.com علی ریاحی Ali Riahi دکتری مهندسی کامپیوتر- نرم‌افزار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد بندرگز ، بندرگز، ایران ایران Cardiac abnormalities Heart rate processing Fuzzy systems Hummingbird algorithm ناهنجاری‌های قلبی پردازش اصوات قلبی سیستم‌های فازی الگوریتم مرغ مگس‌خوار 1. Koulaouzidis G, Mohee K, Barrett D, Clark A. 17 Telemedicine in patients with new diagnosis of heart failure: from clinical research to practice. Journal of Telemedicine and Telecare 2018; 25(3): 167-71. doi.org/10.1177/1357633X17751004##2. Assad A, Deep, K. Applications of Harmony Search Algorithm in Data Mining: A Survey. Proceedings of Fifth International Conference on Soft Computing for Problem Solving: SocProS 2015; 2: 863-74. doi: 10.1007/978-981-10-0451-3_77##3. Morgan JL, Berger DR, Wetzel AW, Lichtman JW. The fuzzy logic of network connectivity in mouse visual thalamus. Cell 2016;165(1):192-206. doi: 10.1016/j.cell.2016.02.033.##4. Kabra NG, Sutavane SS, Lokhande M. Humming bird google’s searching algorithm. Journal of Computer Based Parallel Programming 2016; 1(1).##5. Global status report on non communicable diseases 2010. 2011 [cited 2017 Nov 15‌]. Available from https://www.who.int/nmh/publications/ncd_report_full_en.pdf##6. Global atlas on cardiovascular disease prevention and control, Policies, strategies and interventions; 2011 [cited 2017 Nov 15]. Available from: apps.who.int/iris/bitstream/10665/44701/1/9789241564373_eng.pdf?ua=1##7. Mathers CD, Loncar D. Projections of global mortality and burden of disease from 2002 to 2030. PLoS Med 2006;3(11):e442. doi: 10.1371/journal.pmed.0030442##8. Hajaliakbari Z. Factors affecting cardiac rehabilitation in people with cardiovascular disease. Cardiovascular Nursing Journal 2017; 6(3): 56-67.##9. Alickovic E, Subasi A. Medical Decision Support System for Diagnosis of Heart Arrhythmia using DWT and Random Forests Classifier. J Med Syst 2016;40(4):108. doi: 10.1007/s10916-016-0467-8.##10. Gandhi N, Armstrong L. Applying data mining techniques to predict yield of rice in humid subtropical climatic zone of India. 3rd International Conference on Computing for Sustainable Global Development (INDIACom); 2016 Mar 16-18; New Delhi, India: IEEE; 2016. p. 1901-6.##11. Peral J, Maté A, Marco M. Application of Data Mining techniques to identify relevant Key Performance Indicators. Computer Standards & Interfaces. 2017;50:55-64. doi.org/10.1016/j.csi.2016.09.009##12. Dua S, Du X. Data Mining and Machine Learning in Cybersecurity. 1th ed. USA: Auerbach Publications; 2011.##13. Rattani A, Roli FG. Adaptive Biometric Systems. Springer; 2015.##14. Banerjee R, Biswas S, Banerjee S, Choudhury AD, Chattopadhyay T, Pal A, et al. Time-frequency analysis of phonocardiogram for classifying heart disease. Computing in Cardiology Conference (CinC); 2014 Sep 11-14; Vancouver, BC, Canada: IEEE; 2016. p. 573-6. ##15. Saghafi MA, Amirfattahi R, Mansouri M, Kazemi M. Automatic segmentation of heart sounds (S1 & S2) using wavelet. Majlesi Journal of Electrical Engineering 2009; 3(1):61-7. Persian##16. Hayati, HR, Rafiei A, Jamali J. Classification of heart rhythm disorders by hearing a heartbeat based on fuzzy system. 8th Symposium on advances in Science & Technology Commission-IV; 2014 Feb 6; Mashhad: Khavaran Institute of Higher Education; 2014.Persian.##17. Nakhaee N, Rafiei A, Mousavi SM, Alizadeh. Classification of the sound of heart using the wavelet transform and additive self-organizing scheme, 8th Symposium on advances in Science & Technology Commission-IV; 2014 Feb 6; Mashhad: Khavaran Institute of Higher Education; 2014. Persian##18. UCI, Machine Learning Repository. Arrhythmia Data Set. [cited 2017 Dec 20]. Available from https://archive.ics.uci.edu/ml/datasets/arrhythmia: ##19. Google‘s hummingbird Algorithm : The Entity Search Revolution, Google Hummingbird: The Marketer’s Guide to Google’s New Algorithm.##20. Dalakleidi KV, Zarkogianni K, Karamanos VG, Thanopoulou AC, Nikita KS. A hybrid genetic algorithm for the selection of the critical features for risk prediction of cardiovascular complications in Type 2 Diabetes patients. 13th IEEE International Conference on BioInformatics and BioEngineering; 2013 Nov 10-13; Chania, Greece: IEEE; 2013. p. 1-4. doi: 10.1109/BIBE.2013.6701620##21. Ramírez E, Castillo O, Soria J. Hybrid system for cardiac arrhythmia classification with fuzzy k-nearest neighbors and Multi Layer Perceptrons combined by a fuzzy inference system. International Joint Conference on Neural Networks (IJCNN); 2010 Jul 18-23; Barcelona, Spain: IEEE; 2010. p. 1-6. doi: 10.1109/IJCNN.2010.5597548## ##

الزامات عملکردی سیستم‌های اطلاعات داروخانه از دیدگاه داروسازان: رویکرد کیفی Functional Requirements of the Pharmacy Information Systems from the Pharmacists' Perspective: A Qualitative Approach 1 1 مقدمه: رویکرد کیفی یکی از راه‌های استخراج الزامات سیستم از دیدگاه کاربران در مطالعه سیستم‌های اطلاعاتی است؛ بنابراین مطالعه حاضر با هدف شناسایی الزامات عملکردی سیستم اطلاعات داروخانه از دیدگاه داروسازان با رویکرد کیفی انجام شد. روش: مطالعه حاضر از نوع کیفی به روش تحلیل محتوای مرسوم انجام شد. نمونه‌‌گیری به صورت هدفمند بود و 15 نفر از داروسازان شاغل در بیمارستان‌های وابسته به دانشگاه علوم پزشکی فارس انتخاب شدند. دادهها از طریق مصاحبه نیمه ساختارمند در سال 1395 جمعآوری شد. زمان جلسات مصاحبه بین 30 تا 40 دقیقه بود. داده‌ها هم‌زمان با جمع‌آوری بر اساس روش Lundman و Graneheim و با استفاده از نرم‌افزار MAXQDAنسخه 10 تحلیل شدند. جهت اطمینان از صحت و استحکام یافته‌ها از چهار معیار Guba و Lincoln استفاده شد. نتایج: تحلیل مصاحبه‌ها منجر به ارائه 5 طبقه و 13 زیر طبقه شد. طبقات شامل قابلیت اصلاح و بازنگری دارو، گزارش‌دهی به روز و انعطاف‌پذیر، تعامل سیستم، یکپارچگی با سیستم پشتیبان تصمیم و دسترسی به اطلاعات بالینی بود. نتیجه‌گیری: با توجه به نتایج مطالعه، ارزیابی سیستم‌ها قبل از خرید و مقایسه آن با الزامات عملکردی مورد انتظار کاربران امری ضروری است. همچنین در صورت طراحی درون سازمانی این سیستم‌ها به کارگیری تحلیل‌گران ماهر در استخراج نیازمندی‌های کاربران و نیز آشنا با سازمان‌های بهداشتی، در تیم طراحی توصیه می‌شود. 2 Introduction: In the field of studying information systems, qualitative approach is one of the ways to extract the system requirements from the perspective of the users. Therefore, this study was performed to identify the functional requirements of the pharmacy information system from the perspective of the pharmacists using a qualitative approach. Method: This qualitative study was performed using conventional content analysis approach. In this study, 15 pharmacists who worked at hospitals affiliated to Fars University of Medical Sciences, were selected using purposive sampling. The data were collected through semi-structured interviews (30-40 min) in 2016. Data were analyzed using Graneheim and Lundman's method by MAXQDA v.10 software. Lincoln and Guba's criteria were used to ensure the accuracy and trustworthiness of the study Results: After analysis of the data obtained from interviews, five main categories and 13 subcategories were obtained. The main categories include the ability to accurately reconcile medication lists (medication reconciliation), update and flexible reporting, systems interoperability, integration with the decision support system, and access to the clinical information. Conclusion: According to the results, evaluation of the systems before purchase and comparing them with the expected functional requirements of the users, are necessary. Also, in the case of intraorganizational design of these systems, skilled analysts who are familiar with health organizations should be employed to extract the users' needs. 111 120 2018/10/112018/08/52018/02/122018/09/25 1397/7/3 2019/01/272019/06/172019/01/72019/01/7 1397/10/17 زهرا محمودزاده ثاقب Zahra Mahmoudzadeh Sagheb دکترای مدیریت اطلاعات سلامت، استادیار، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی شیراز، ایران ایران zm_222@yahoo.com پیوند باستانی Peivand Bastani دکترای مدیریت خدمات بهداشتی و درمانی، دانشیار، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران ایران bastanip@sums.ac.ir مهناز صمدبیک Mahnaz Samadbeik دکترای مدیریت اطلاعات سلامت، استادیار، دانشکده پیراپزشکی، دانشگاه علوم پزشکی، لرستان، خرم‌آباد، ایران ایران mahbeik@yahoo.com باران بیاتی Baran Bayati دانشجوی دکترای مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران brn.byt3@gmail.com آرش بردبار Arash Bordbar دانشجوی دکترای انفورماتیک پزشکی، دانشکده مدیریت و اطلاع‌رسانی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران bordbararash@yahoo.com Pharmacy information system Functional requirement Qualitative research سیستم اطلاعات داروخانه الزامات عملکردی رویکرد کیفی 1. Sadughi F, Ghazisaeedi M, Meraji M, Kimiyafar K, Ramezanghorbani N. Health Information Management Technology. 1th ed. Tehran: Jafari; 2011. Persian##2. Isfahani SS, Raeisi AR, Ehteshami A, Janesari H, Feizi A, Mirzaeian R. The role of evaluation pharmacy information system in management of medication related complications. Acta Inform Med 2013; 21(1): 26–9. doi: 10.5455/AIM.2012.21.26-29##3. Anderson PO, McGuinness SM, Bourne PE. Pharmacy Informatics. 1th ed. USA: CRC Press; 2009. ##4. Hines LE, Saverno KR, Warholak TL, Taylor A, 4. Grizzle AJ, Murphy JE, et al. Pharmacists' awareness of clinical decision support in pharmacy information systems: an exploratory evaluation. Res Social Adm Pharm 2011;7(4):359-68. doi: 10.1016/j.sapharm.2010.10.007.##5. Asadi F, Moghaddasi H, Hosseini A, Maserrat E. A survey on pharmacy information system at hospitals affiliated to Shahid Beheshti University of Medical Sciences 2009. Journal of Health Administration 2010;13(41):31-40. Persian##6. Bayati S, Mohammadebrahimi S, Ahmadzadeh F, Nematollahi M. Assessment of Pharmacy Information System’s (PIS) performance in Shiraz hospitals. Journal of Health and Biomedical Informatics 2015;2(2):84-93. Persian##7. Zahraiee A. Investigate the role of information technology in the pharmaceutical industry [dissertation]. Tehran: Tehran University of Medical Science; 2010. Persian##8. Thomsen LA, Frokjaer B, Rossing C, Herborg H. Assessment of pharmacy systems in selected countries. Identification of literature and experiences. Pharmakon; 2011. p. 1-42.##9. Mehraeen E, Ahmadi M, Shajarat M, Khoshgam M. Assessment of hospital information system in selected hospitals in Tehran. Payavard Salamat 2013;6(6):458-66. Persian##10. Farzandipour M, Meidani Z, Riazi H, Sadeqi Jabali M. Functional requirements of pharmacy’s inform system in hospitals. Iran J Med Inform 2017;6(1):1–10. doi: 10.24200/ijmi.v6i1.111##11. Bayati S, Bastani P, Sagheb ZM, Jamalabadi S, Samadbeik M. The performance implications of pharmacy information system at the university teaching hospitals of Shiraz, Iran: Cluster approach. J Adv Pharm Technol Res 2017;8(4):125-30. doi: 10.4103/japtr.JAPTR_13_17.##12. Saghaeiannejad-Isfahani S, Mirzaeian R, Jannesari H, Ehteshami A, Feizi A, Raeisi A. Evaluation of pharmacy information system in teaching, private and social services Hospitals in 2011. J Educ Health Promot 2014; 3: 39. doi: 10.4103/2277-9531.131919##13. Kazemi A, Rabiei R, Moghaddasi H, Deimazar G. Pharmacy Information Systems in Teaching Hospitals: A Multi-dimensional Evaluation Study. Healthc Inform Res 2016;22(3):231-7. doi: 10.4258/hir.2016.22.3.231##14. El Mahalli A, El-Khafif SH, Yamani W. Assessment of Pharmacy Information System Performance in Three Hospitals in Eastern Province, Saudi Arabia. Perspect Health Inf Manag. 2016;13:1b-b.##15. Bright TJ. Transforming user needs into functional requirements for an antibiotic clinical decision support system: explicating content analysis for system design. Appl Clin Inform 2013;4(4):618-35. doi: 10.4338/ACI-2013-08-RA-0058.##16. Hammarberg K, Kirkman M, de Lacey S. Qualitative research methods: when to use them and how to judge them. Hum Reprod 2016;31(3):498-501. doi: 10.1093/humrep/dev334.##17. Hsieh HF, Shannon SE. Three approaches to qualitative content analysis. Qual Health Res 2005;15(9):1277-88. doi:10.1177/1049732305276687##18. Coyne IT. Sampling in qualitative research. Purposeful and theoretical sampling; merging or clear boundaries? J Adv Nurs 1997;26(3):623-30. doi.org/10.1046/j.1365-2648.1997.t01-25-00999.x##19. Barriball KL, While A. Collecting data using a semi-structured interview: a discussion paper. J Adv Nurs 1994;19(2):328-35. doi.org/10.1111/j.1365-2648.1994.tb01088.x##20. Graneheim UH, Lundman B. Qualitative content analysis in nursing research: concepts, procedures and measures to achieve trustworthiness. Nurse Educ Today 2004;24(2):105-12. doi:10.1016/j.nedt.2003.10.001##21. Lincoln Y, Guba E. Naturalistic Inquiry. 1th ed. India: Sage; 1985. ##22. Karapinar F, van den Bemt PM, Zoer J, Nijpels G, Borgsteede SD. Informational needs of general practitioners regarding discharge medication: content, timing and pharmacotherapeutic advice. Pharm World Sci 2010;32(2):172-8. doi: 10.1007/s11096-009-9363-3. ##23. Barati O, Dorosti H, Talebzadeh A, Bastani P. Accreditation status of hospital pharmacies and their challenges of medication management: A case of south Iranian largest university. J Adv Pharm Technol Res 2016;7(3):70-4. doi: 10.4103/2231-4040.184590. ##24. Sadoughi F, Shams Elahi R, Ahmadi M. evaluation of pharmaceutical warehouse information systems in teaching hospitals in Tehran. Journal of Health Administration 2014;16(54):7–15. Persian##25. Bendavid Y, Boeck H, Philippe R. Redesigning the replenishment process of medical supplies in hospitals with RFID. Business Process Management Journal 2010;16(6):991-101. Doi: 10.1108/14637151011093035##26. Saghaeiannejad-Isfahani S, Sharifi-Rad J, Raeisi A, Ehteshami A, Mirzaeian R. An evaluation of adherence to society of pharmacists' standards care in pharmacy information systems in Iran. Indian J Pharmacol 2015;47(2):190-4. doi: 10.4103/0253-7613.153428##27. Kendal KE, Kendal JE, Quality assurance and implementation. In: Systems Analysis and Design. 9th ed. Pearson; 2014. p. 464–93.## ##

بررسی عوامل مؤثر بر پذیرش خدمات سلامت همراه توسط پزشکان Investigation of the Factors Affecting the Physicians' Acceptance of Mobile Health Services 1 1 مقدمه: فن‌آوری تلفن همراه در ترکیب با تخصص های پزشکی، امکان جدیدی به نام سلامت همراه را معرفی کرده که فراهم کننده فرصتهای جدیدی برای بهبود سلامت بیماران است. پذیرش پزشکان جهت استقرار خدمات سلامت همراه، عامل مهمی به شمار می‌رود. مطالعه حاضر عوامل مؤثر بر پذیرش خدمات سلامت همراه توسط پزشکان را مورد بررسی قرار داد. روش: این پژوهش از نوع توصیفی-تحلیلی می‌باشد که جامعه آماری آن را پزشکان شاغل در شهرستان‌های شیراز و کازرون تشکیل داده اند. نمونه های مطالعه 150 نفر بودند که به روش نمونهگیری خوشهای مرحله‌ای انتخاب شدند. ابزار جمع آوری داده ها، برگرفته از پرسشنامه های پژوهش های پیشین بودند که روایی و پایایی آنها مورد بررسی قرار گرفت. روش تحلیل داده ها الگوی معادلات ساختاری (SEM) بوده، که با استفاده از دو نرم‌افزار SPSS نسخه ۲۳ و AMOS نسخه ۲۱ انجام گرفت. نتایج: تأثیر متغیرهای اضطراب تکنولوژی، سازگاری و مقاومت در برابر تغییر بر سهولت درک شده معنی‌دار می‌باشند. همچنین تأثیر متغیرهای خودکارآمدی، سازگاری، هنجار اجتماعی و مقاومت در برابر تغییر بر سودمندی درک شده معنی‌دار هستند، ضمناً به واسطه سودمندی و سهولت درک شده بر قصد رفتاری نیز تأثیر می‌گذارند. مدل نهایی پژوهش دارای شاخصهای برازش مطلوب بوده است. نتیجه گیری: بر اساس نتایج مطالعه حاضر، به برنامهریزان پیشنهاد می‌شود به منظور فرهنگ سازی مناسب برای استقرار خدمات سلامت همراه به وسیله پزشکان، پنج عامل ذکر شده در پژوهش که با پذیرش این سیستم ها مرتبط هستند، مورد توجه قرار گیرد. 2 Introduction: The combination of mobile technology and medical expertise introduces a new feature called mobile health care, which provides new opportunities for improving patients' health. Physician's acceptance of mobile health services is an important factor in the establishment and adaption of such services. The present study investigated the factors affecting the acceptance of health services by physicians. Method: In this descriptive-analytic study, 150 physicians working in Shiraz and Kazeroun were included using cluster sampling. Data were collected using questionnaires adapted from other studies. The validity and reliability of the questionnaires were confirmed. Data were analyzed using Structural Equation Modeling (SEM) by Amos version 21 and SPSS version 23 software. Results: The effect of technology anxiety, adaption and resistance against change on perceived usefulness was significant. In addition, the effect of self-usefulness, adaptability, social norms, and resistance against change on perceived usefulness was significant. Moreover, parameters affected the intention to use via mediating variables of usefulness and perceived usefulness. The final research model had good fit indices. Conclusion: According to the results, policymakers are recommended to take into account the five factors mentioned in this study, which are related to the acceptance of systems investigated here, for promoting an appropriate culture for the adaption of mobile health services by physicians. 121 130 2018/10/112018/08/52018/02/122018/09/252018/11/4 1397/8/13 2019/01/272019/06/172019/01/72019/01/72019/01/23 1397/11/3 علیرضا دهقان Alireza Dehghan کارشناسی ارشد مهندسی فن‌آوری اطلاعات، مربی، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه سلمان فارسی کازرون، کازرون، ایران ایران dehghan.itsu@yahoo.com مرضیه صادق زاده Marzieh Sadeghzadeh دکتری روان شناسی، استادیار، گروه روان شناسی، دانشکده ادبیات و علوم انسانی، دانشگاه سلمان فارسی کازرون، کازرون، ایران ایران sadeghzadeh.mr@gmail.com علی بدیع Ali Badie کارشناسی ارشد مهندسی فن‌آوری اطلاعات، مربی ، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه سلمان فارسی کازرون، کازرون، ایران ایران badie.itsu@yahoo.com محمدرضا مردانی Mohammadreza Mardani دانش آموخته کارشناسی مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه سلمان فارسی کازرون، کازرون، ایران ایران mardani93.itsu@gmail.com فاطمه بافندکار Fatemeh Bafandkar دانش آموخته کارشناسی مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه سلمان فارسی کازرون، کازرون، ایران ایران bafandkar93.itsu@gmail.com Mobile health services Technology acceptance model (TAM) Physicians' acceptance خدمات سلامت همراه مدل پذیرش فناوری پذیرش پزشکان 1. Zahmatkeshan M, Safdari R. M-health Technology, New evolution in health promotion. Hospital 2015; 1-7. Persian##2. Ahmadizad A, Varmaghani M, Varmaghani S. Mobile Health Services: Past, Present, Future Educ Strategy Med Sci 2017; 10(3): 233-46 . Persian##3. Brian RM, Ben-Zeev D. Mobile health (mHealth) for mental health in Asia: objectives, strategies, and limitations. Asian J Psychiatr 2014;10:96-100. doi: 10.1016/j.ajp.2014.04.006.##4. Simmons T. An exploratory study of mHealth technology acceptance for type 2 diabetes self-management among adults in later life 2014 [dissertation]. United States: The University of North Carolina at Chapel Hill; 2014. 5. Giota KG, Kleftaras G. Mental health apps: innovations, risks and ethical considerations. E-Health Telecommunication Systems and Networks 2014 4;3(03):19-23. doi: 10.4236/etsn.2014.33003##6. Akter S, D’Ambra J, Ray P. Development and validation of an instrument to measure user perceived service quality of mHealth. Information & Management 2013;50(4):181-95.##7. Kumar S, Nilsen WJ, Abernethy A, Atienza A, Patrick K, Pavel M, et al. Mobile health technology evaluation: the mHealth evidence workshop. Am J Prev Med 2013;45(2):228-36. doi: 10.1016/j.amepre.2013.03.017.##8. Guo XT, Yuan JQ, Cao XF, Chen XD. Understanding the acceptance of mobile health services: A service participants analysis. Management Science and Engineering (ICMSE), International Conference on; 2012 Sep 20-22; Dallas, TX, USA: IEEE; 2012. p. 1868-73. doi: 10.1109/ICMSE.2012.6414426##9. Venkatesh V, Morris MG, Davis GB, Davis FD.User acceptance of information technology: Toward a unified view. MIS Quarterly 2003; 27(3):425-78. doi: 10.2307/30036540##10. Mun Y, Joyce D, Jackson JD, Park JS, Probst JC. Understanding information technology acceptance by individual professionals: Toward an integrative view. Information & Management 2006;43(3):350-63. doi.org/10.1016/j.im.2005.08.006##11. Holden RJ, Karsh BT. The technology acceptance model: its past and its future in health care. J Biomed Inform 2010;43(1):159-72. doi: 10.1016/j.jbi.2009.07.002.##12. Wu IL, Li JY, Fu CY. The adoption of mobile healthcare by hospital's professionals: An integrative perspective. Decision Support Systems 2011;51(3):587-96. doi.org/10.1016/j.dss.2011.03.003##13. Yu CS. Factors affecting individuals to adopt mobile banking: Empirical evidence from the UTAUT model. Journal of Electronic Commerce Research 13(2):104-21.##14. Cilliers L, Flowerday SV. Health information systems to improve health care: A telemedicine case study. SA Journal of Information Management 2013;15(1):5. doi.org/10.4102/sajim.v15i1.541##15. El-Wajeeh M, Galal-Edeen G, Mokhtar H. Technology acceptance model for mobile health systems. IOSR Journal of Mobile Computing and Acceptance 2014;1(1):21-33. doi: 10.9790/0050-0112133##16. Guo X, Sun Y, Wang N, Peng Z, Yan Z. The dark side of elderly acceptance of preventive mobile health services in China. Electronic Markets 2013;23(1):49-61. doi: 10.1007/s12525-012-0112-4##17. Nov O, Ye C. Users' personality and perceived ease of use of digital libraries: The case for resistance to change. Journal of the American Society for Information Science and Technology 2008;59(5):845-51. doi: 10.1002/asi.20800##18. Durndell A, Haag Z. Computer self efficacy, computer anxiety, attitudes towards the Internet and reported experience with the Internet, by gender, in an East European sample. Computers in Human Behavior 2002;18(5):521-35. doi.org/10.1016/S0747-5632(02)00006-7##19. Lewin K. Frontiers in group dynamics: concept, method and reality in social science; social equilibria and social change. Human Relations 1947; 1(1):5-41. doi.org/10.1177/001872674700100103##20. 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. doi:10.1016/j.ijmedinf.2006.06.006##21.Chau P, Hu P. Information Technology Acceptance by Individual Professionals: A Model Comparison Approach. Decision Science 2001;32(4):699-719##22. Ryoo S, Kim H, Jeon S. An Empirical study on mobile web browsing service adoption in Korea. Mobile Business (ICMB), International Conference on; 2009 Jun 27-28; Dalian, China: IEEE; 2009. p. 324-8. doi: 10.1109/ICMB.2009.62##23. Venkatesh V, Davis FD. A model of the antecedents of perceived ease of use: Development and test. Decision Sciences 1996;27(3):451-81. doi: 10.1111/j.1540-5915.1996.tb00860.x##24. Venkatesh V, Bala H. Technology acceptance model 3 and a research agenda on interventions. Decision Sciences 2008;39(2):273-315. doi.org/10.1111/j.1540-5915.2008.00192.x##25. Kelman HC. Compliance, identification, and internalization three processes of attitude change. ##Journal of Conflict Resolution 1958;2(1):51-60. doi.org/10.1177/002200275800200106##26. Okazaki S, Blas SS, Castañeda JA. Physicians' adoption of mobile health monitoring systems in spain: competing models and impact of prior experience. Journal of Electronic Commerce Research 2015; 16(3):194-217.##27. Zhang X, Han X, Dang Y, Meng F, Guo X, Lin J. User acceptance of mobile health services from users' perspectives: The role of self-efficacy and response-efficacy in technology acceptance. Inform Health Soc Care 2017;42(2):194-206. doi: 10.1080/17538157.2016.1200053.##28. Bhattacherjee A, Hikmet N. Physicians' resistance toward healthcare information technology: a theoretical model and empirical test. European Journal of Information Systems 2007;16(6):725-37. doi: 10.1057/palgrave.ejis.3000717##29. Lu J, Liu C, Yu C-S, Wang K. Determinants of accepting wireless mobile data services in China. Information & Management 2008;45(1):52-64.##30. Schumacker RE, Lomax RG. A Beginner's Guide to Structural Equation Modeling. 3th ed. NewYork, NY, US: Routledge; 2010.##31. Basak E, Gumussoy CA, Calisir F. Examining the Factors Affecting PDA Acceptance among Physicians: An Extended Technology Acceptance Model. J Healthc Eng 2015;6(3):399-418. doi: 10.1260/2040-2295.6.3.399##32. Jeon E, Park HA. Factors affecting acceptance of smartphone application for management of obesity. Healthc Inform Res 2015;21(2):74-82. doi: 10.4258/hir.2015.21.2.74.##33. Fruhauf J, Schwantzer G, Ambros-Rudolph CM, Weger W, Ahlgrimm-Siess V, Salmhofer W, et al. Pilot study on the acceptance of mobile teledermatology for the home monitoring of high-need patients with psoriasis. Australas J Dermatol 2012;53(1):41-6. doi: 10.1111/j.1440-0960.2011.00852.x.##34. Wu JH, Wang SC. What drives mobile commerce?: An empirical evaluation of the revised technology acceptance model. Information & Management 2005;42(5):719-29. doi.org/10.1016/j.im.2004.07.001##35. Shanko G, Negash S, Bandyopadhyay T. Mobile healthcare services adoption. International Journal of Networking and Virtual Organisations 2016; 16(2):143-56. doi.org/10.1504/IJNVO.2016.076485##36. Nisha N, Iqbal M, Rifat A, Idrish S. Mobile health services: A new paradigm for health care systems. International Journal of Asian Business and Information Management 2015;6(1):1-7. doi: 10.4018/978-1-4666-8756-1.ch078## ##

بررسی زمان انتظار بیماران مراجعه کننده به بخش ترمیمی کلینیک دانشکده دندانپزشکی با استفاده از رویکرد شش سیگما Evaluation of the Client Patients Waiting Time in Referral Restorative Dentistry Department of Dental Clinic Using Six Sigma Model 1 1 مقدمه: زمان انتظار یکی از عوامل مؤثر در رضایت مراجعین از کیفیت خدمات ارائه شده می‌باشد و کاهش زمان انتظار می‌تواند نقش مهمی در بهبود ارائه خدمات و همچنین رضایت‌مندی مراجعه‌کنندگان را به دنبال داشته باشد. مطالعه حاضر به منظور بررسی زمان انتظار مراجعین به بخش ترمیمی دانشکده دندانپزشکی مرجع انجام شد. روش: پژوهش حاضر از نوع توصیفی و جامعه این پژوهش، 300 بیمار مراجعه کننده به بخش ترمیمی دانشکده دندانپزشکی بودند. این مطالعه بر روی 30 بیمار که به روش تصادفی ساده از میان مراجعین کلینیک دندانپزشکی انتخاب شدند، انجام شد. ابزار جمع‌آوری داده‌ها، فرم ثبت زمان‌های اندازه‌گیری شده و چک لیست محقق ساخته بود برای تحلیل کیفیت فرآیند از مقیاس شش سیگما استفاده گردید. داده‌ها به وسیله نرم‌افزار SPSS نسخه 16 مورد تحلیل قرار گرفتند. نتایج: بخش تشخیص بیماری‌های دهان با میانگین 31 دقیقه دارای بیشترین و فرآیند معاینه در بخش ترمیمی با میانگین زمان انتظار 15 دقیقه دارای کمترین زمان انتظار بود. مهم‌ترین عوامل مؤثر بر طولانی شدن زمان انتظار به ترتیب، ورود تعداد زیاد بیماران به صورت هم‌زمان‌، کمبود مهارت و آموزش دانشجویان دندانپزشکی و کمبود کارکنان اجرایی و ادغام واحد پذیرش با صندوق با میانگین2/6، 4/4 و 4 شناخته شدند. نتیجه‌گیری: با بررسی فرآیندهای پذیرش در کلینیک دندانپزشکی و اعمال مدیریت صحیح و بهره‌گیری از فرآیند شش سیگما می‌توان نسبت به کاهش زمان انتظار و افزایش رضایت مراجعه‌کنندگان و ارتقای کیفیت خدمات درمانی اقدام نمود. مقدمه: زمان انتظار یکی از عوامل مؤثر در رضایت مراجعین از کیفیت خدمات ارائه شده می‌باشد و کاهش زمان انتظار می‌تواند نقش مهمی در بهبود ارائه خدمات و همچنین رضایت‌مندی مراجعه‌کنندگان را به دنبال داشته باشد. مطالعه حاضر به منظور بررسی زمان انتظار مراجعین به بخش ترمیمی دانشکده دندانپزشکی مرجع انجام شد. روش: پژوهش حاضر از نوع توصیفی و جامعه این پژوهش، 300 بیمار مراجعه کننده به بخش ترمیمی دانشکده دندانپزشکی بودند. این مطالعه بر روی 30 بیمار که به روش تصادفی ساده از میان مراجعین کلینیک دندانپزشکی انتخاب شدند، انجام شد. ابزار جمع‌آوری داده‌ها، فرم ثبت زمان‌های اندازه‌گیری شده و چک لیست محقق ساخته بود برای تحلیل کیفیت فرآیند از مقیاس شش سیگما استفاده گردید. داده‌ها به وسیله نرم‌افزار SPSS نسخه 16 مورد تحلیل قرار گرفتند. نتایج: بخش تشخیص بیماری‌های دهان با میانگین 31 دقیقه دارای بیشترین و فرآیند معاینه در بخش ترمیمی با میانگین زمان انتظار 15 دقیقه دارای کمترین زمان انتظار بود. مهم‌ترین عوامل مؤثر بر طولانی شدن زمان انتظار به ترتیب، ورود تعداد زیاد بیماران به صورت هم‌زمان‌، کمبود مهارت و آموزش دانشجویان دندانپزشکی و کمبود کارکنان اجرایی و ادغام واحد پذیرش با صندوق با میانگین 2/6، 4/4 و 4 شناخته شدند. نتیجه‌گیری: با بررسی فرآیندهای پذیرش در کلینیک دندانپزشکی و اعمال مدیریت صحیح و بهره‌گیری از فرآیند شش سیگما می‌توان نسبت به کاهش زمان انتظار و افزایش رضایت مراجعه‌کنندگان و ارتقای کیفیت خدمات درمانی اقدام نمود. 2 Introduction: Waiting time is one of the factors affecting patients' satisfaction with the quality of services, therefore, reducing the waiting time has an essential role in the improvement of services and clients' satisfaction. The present study was performed to study the client patients waiting time in referral restorative dentistry department of dental clinic using Six Sigma model. Method: In this descriptive study, 300 patients who referred to the restorative dentistry department of dental clinic, were included. Finally, 30 subjects were selected using random sampling method. Data were collected by waiting time measurement forms and researcher-made checklists. To determine the process quality, six sigma model was used. Finally, data were analyzed using SPSS version 16. Results: The highest mean waiting time belonged to the oral diseases department (mean=31 min) and the lowest one belonged to the examination unit of restorative dentistry department (mean=15 min). The most important factors extending the waiting time were simultaneous entrance of patients (mean=4.6 min), lack of medical students' skill and experience (mean=4.2 min), lack of employees and integration of reception unit with cash desk (mean=4 min), respectively. Conclusion: Therefore, by analyzing reception process, appropriate management, and using Six Sigma model, waiting time will reduce, clients' satisfaction will increase, and the quality of services will improve. 131 139 2018/10/112018/08/52018/02/122018/09/252018/11/42018/02/19 1396/11/30 2019/01/272019/06/172019/01/72019/01/72019/01/232019/08/26 1398/6/4 محمد حسین مهرالحسنی Mohammad Hossein Mehrolhassani دکتری مدیریت خدمات بهداشتی و درمانی، دانشیار، مرکز تحقیقات مدیریت ارائه خدمات سلامت، پژوهشکده آیندهپژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mhmhealth@gmail.com لیلا والی Leila Vali دکتری مدیریت خدمات بهداشتی و درمانی، استادیار، مرکز تحقیقات مهندسی بهداشت محیط، دانشگاه علوم پزشکی کرمان، ایران ایران vali1386@gmail.com مهتاب قنبرنژاد Mahtab Ghanbarnejad کارشناس ارشد مدیریت خدمات بهداشتی و درمانی، مرکز تحقیقات مدیریت سلامت، پژوهشکده آینده‌پژوهی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mahtabghanbarnejad@gmail.com حمید معین Hamid Moein کارشناس ارشد مدیریت خدمات بهداشتی و درمانی، دانشکده دندانپزشکی، دانشگاه علوم پزشکی کرمان، ایران ایران hamidmoein1097@gmail.com Waiting time Six Sigma Client patients Providers زمان انتظار شش سیگما کلینیک دندانپزشکی بیماران مراجعه کننده ارائه‌کنندگان 1. Maleki M, Riahi L, Dashti T, Karbasian S. Reducing waiting time in patients undergone spinal surgeries at operation’s room of Shohada-ye-Tajrish hospital using six sigma model. N Y Sci J 2013;6(12):136-41.##2. Tavakoli N, Saghaeian Nezhad S, Rezayatmand MR, Moshaveri F, Ghaderi I. Deductions applied by khadamat-e-darman insurance company on patients' bills at teaching hospitals affiliated to Isfahan University of Medical Sciences. Health Inf Manage 2007; 3(2): 53-61. Persian##3. Sabzeghabaei AM, Asgari HA, Asnaashari H. The survey on causes and rates drug prescription insurance deductions on patients' bills at selected hospitals related to Isfahan university of medical sciences in the first semester of 2007 [dissertation]. Isfahan: Isfahan University of Medical Sciences; 2007. Persian##4. Aeeinparast A. Simulation of Outpatient healthcare systems: A model for reducing outpatients waiting time in general-teaching hospital in Tehran [dissertation]. Tehran: Iran University and Medical Sciences; 2006. Persian##5. Hart M. Improving out-patient clinic waiting times: methodological and substantive issues. Int J Health Care Qual Assur 1995;8(6):14-22. doi:10.1108/09526869510098813##6. Benson RJ, Burnet NG, Williams MV, Tan LT. An audit of clinic consultation times in a cancer centre: implications for national manpower planning. Clin Oncol (R Coll Radiol) 2001;13(2):138-43. doi.org/10.1053/clon.2001.9238##7. Bachman MO. Why wait so long for child care. Trop Doc 1997;27(1):34-8.##8. Aeenparast A, Tabibi SJ, Shahanaghi K, Aryanejhad MB. Reducing outpatient waiting time: a simulation modeling approach. Iran Red Crescent Med J 2013;15(9):865-9. doi: 10.5812/ircmj.7908 ·##9. Zare Mehrjardi Y, Hoboubati M, Safaee Nik F. Improvement of waiting time for patients referring to emergency room using discrete event simulation. The Journal of Shahid Sadoughi University of Medical Sciences 2011;19(3):302-12. Persian##10. Tabibi SJ, Najafi2 B, Shoaie S. Waiting time in the emergency department in selected hospitals of Iran University of Medical Sciences in 2007. Research in Medicine 2009;33(2):117-22. Persian##11. Pexton C. Measuring six sigma results in the health care industry. Six Sigma in Healthcare; 2000.##12. Stagliano AA. Rath & Strong's Six Sigma Advanced Tools Pocket Guide: How to Use Design Experiments, Analysis of Variance, Regression Analysis and 25 Other Powerful Tools. Translated by Pourhossein M, Raeisi MT. Six Sigma & Its Advanced Tools. Tehran: Sherkate Moshaverine Behin Keyfiyat Pardaze; 2005. Persian##13. Maleki MR, Khoshgam M, Goharinezhad S. The Effect of Six Sigma Approach in reducing the hospitalstays of patients of the Orthopedic Surgical Ward in FiroozgarTeaching Hospital; 2008. Journal of Administration 2008; 11(34): 15-21. Persian##14. Carrigan MD, Kujawa D. Six Sigma in health care management and strategy. Health Care Manag (Frederick) 2006;25(2):133-41. doi: 10.1097/00126450-200604000-00006 ·##15. Asadi F. The role of Six Sigma on the quality Improvement in health care organizations. Journal of Health Administration 2007;10(28):31-40. Persian##16. Vali L, Mahdavi S. Six Sigma and Situation in Healthcare. Hospital 2007;7(1):5-11. Persian##17. Bandyopadhyay JK, Lichtman R. Six Sigma approach to quality and productivity improvement in an institution for higher education in the United States. International Journal of Management 2007;24(4):802.##18. DuPree E, Martin L, Anderson R, Kathuria N, Reich D, Porter C, et al. Improving Patient Satisfaction with Pain Management Using Six Sigma Tools. The Joint Commission Journal on Quality and Patient Safety 2009;35(7):343-AP3. doi.org/10.1016/S1553-7250(09)35048-5##19. Tolga Taner M, Sezen B, Antony J. An overview of six sigma applications in healthcare industry. International Journal of Health Care Quality Assurance. 2007;20(4):329-40. doi:10.1108/09526860710754398##20. Trusko B, Pexton C, Harrington H, Gupta P. Improving Healthcare Quality and Cost with Six Sigma. 1th ed. Translated by Mehrolhassani MH. Ghom: Shasosa; 2011. Persian##21. Aeeinparast A. Estimation of outpatient waiting time and its effective factors in orthopedic clinics affiliated hospital Tehran University of Medical Sciences. Hospital 20001:21-6. Persian##22. Nasiripour AA, Jahangiri K, Aghamohamadi S. Study of waiting time in Shahid Dastani's specializes clients of Shariati Hospital using by Six Sugma Model. Payavard Salamat 2010;4(3-4):50-9. Persian ##23. Kazemi F. Study Waiting Time Admission of Patient in Private and Public Hospitals in Tehran [dissertation]. Tehran: Islamic Azad University Sciences and Research Branch; 2001. Persian##24. Gamerdinger K, Brock J, Frost-Kunnen J, Jutting CJ, Stilley MD, Horning N. Six sigma performance improvement project increased compliance with joint commission community-acquired pneumonia core measures and led to lower lengths of stay, decreased mortality, and cost savings. Chest 2007;132(4):447A.##25. van den Heuvel J, Does RJ, Bogers AJ, Berg M. Implementing Six Sigma in The Netherlands. Jt Comm J Qual Patient Saf 2006;32(7):393-9. doi: 10.1016/S1553-7250(06)32051-X##26. Harper PR, Gamlin HM. Reduced outpatient waiting times with improved appointment scheduling: a simulation modelling approach. OR Spectrum 2003;25(2):207-22. doi.org/10.1007/s00291-003-0122-x##27. Mehrolhassani MH, Vali L, Moein H, Ghanbarnejad M. The analysis of the quality of patient drug information recording process at referral teaching hospital using six sigma. Journal of Health and Biomedical Informatics 2017;4(1):32-8. Persian##28. Ebrahimipour H, Vajaee A, Nouri GA, Esmaeili H, Jamili S. Studying waiting time of patient during discharge process in clinical departments of Imam Reza hospital affiliated with Mashhad University of Medical Science in 2014. Hospital 2015;14(1): 117-25. Persian## ##

آنالیز و طراحی پیشرفته واکسن کُبرا (آنتی‌ژن وسیع‌الطیف بهینه شده با روش‌های محاسباتی) برای پروتئین Bm86 معدی کنه‌های آنولاتوس و میکروپولوس جنس ریپی‌سفالوس Analysis and Professional Designing of COBRA (Computationally Optimized Broadly Reactive Antigen) Vaccine for Bm86 midgut Protein of R. microplus and R. annulatus Ticks 1 1 مقدمه: گونه‌های کنه ریپی‌سفالوس سبب ضررهای اقتصادی قابل‌ملاحظه‌ای در ایجاد بیماری در حیوانات و همچنین انسان می‌شوند. Bm86 که یک پروتئین معدی کاندید واکسن می‌باشد توالی آن در بین جدایه‌های گونه‌های ریپی‌سفالوس از نظر جغرافیائی جدا از هم، متغیر و دلیل اصلی کاهش اثربخشی و شکست واکسن‌های نوترکیب است. روش: در این مطالعه بیوانفورماتیکی توالی‌های انگل های ریپی‌سفالوس میکروپولوس و آنولاتوس استخراج، هم‌ردیف و اصلاح گردیدند. سپس نمودار تغییر‌پذیری و درخت فیلوژنتیک برای آن‌ها ترسیم شد. سپس گروه‌بندی و علامت‌گذاری تاکسون‌ها جهت طراحی واکسن تکاملی، آنتی‌ژن کُبرا‌، مرکز درخت و اجدادی صورت گرفت. همچنین بر روی توالی‌های واکسنی کُبرا آنالیزهای مدل‌سازی و آزمون بر هم‌نهی انجام گرفت. نتایج: در دو گونه میکروپولوس و آنولاتوس، بیشترین تغییری‌پذیری به ترتیب در حدود آمینواسید‌های 177 تا 181‌، 270 تا 276 و 351 تا 352 مشاهده گردید. 6 توالی به عنوان توالی مناسب جهت طراحی واکسن تکاملی و 12 توالی نیز جهت هم‌ردیفی مجدد و بدست آوردن توالی مورد توافق جهت طراحی آنتی‌ژن کُبرا استفاده گردید. از سوی دیگر توالی مربوط به ریپی‌سفالوس آنولاتوس در شاخه‌های خواهری بوده و بیشتر به یکدیگر شبیه بودند تا به توالی‌های BM86 ریپی‌سفالوس میکروپولوس، به جزء توالی ADQ19687‌. توالی‌های انتخابی جهت طراحی واکسن بر مبنای مرکز درخت و اجدادی نیز به ترتیب از توالی‌های AJE29931، AJE29932 و ATW75472 و توالی‌های ATW5476، ADM86722، ACZ55133 معرفی شدند. نتیجه‌گیری: واکسن ضد کنه‌ای مبتنی بر روش کُبرا برای Bm86 می‌توانند وسیع‌الطیف‌تر، مقرون به صرفه‌تر و جایگزین بهتری در مقایسه با واکسن‌های نوترکیب فعلی باشند. 2 Introduction: The cattle tick Rhipicephalus spp. causes significant economic losses due to diseases in animals and human. Bm86 is a midgut protein and vaccine candidate, which its sequences among the isolates of Ripsephalus spp are geographically separated, variable, and are the main reason for reducing effectiveness, and subsequently, the failure of the recombinant vaccines. Method: In this bioinformatics study, the sequences of R. microplus and R. annulatus were retrieved, aligned, and edited. Then, the variation plot and phylogenetic tree were constructed. Afterwards, grouping and taxa marking for designing evolutionary vaccine, COBRA antigen, center of tree and ancestral were done. Also, over COBRA vaccine sequences, modeling analysis and superimpose test were done. Results: In both R. microplus and R. annulatus, the most variable region were residues 177-181, 270-276, and 351-352, respectively. 6 sequences were selected as appropriate sequences for design of evolutionary vaccine, and 12 for the realignment of and achieving sequences for design of COBRA antigen. On the other hand, R. annulatus sequences were in sister branches and more similar to each other compared to Bm86 protein sequences in R. microplus except ADQ19687. The sequences selected for vaccine design based on the center of tree and ancestral, were AJE29931, AJE29932, and ATW75472, and ATW5476, ADM86722, ACZ55133 sequences, respectively. Conclusion: Anti-tick COBRA-based vaccines of Bm86 could be more cost-effective and better alternative with broader spectrum, compared to the commonly used recombinant vaccines. 140 151 2018/10/112018/08/52018/02/122018/09/252018/11/42018/02/192019/01/25 1397/11/5 2019/01/272019/06/172019/01/72019/01/72019/01/232019/08/262019/05/12 1398/2/22 غلامرضا کریمی Gholamreza Karimi دکتری تخصصی انگل‌شناسی، استادیار، مؤسسه تحقیقات واکسن و سرم‌سازی رازی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران ایران محمد مهدی رنجبر Mohammad Mehdi Ranjbar دکتری تخصصی ایمنی‌شناسی، استادیار، مؤسسه تحقیقات واکسن و سرم‌سازی رازی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران ایران mm.ranjbar.phd@gmail.com نائبعلی احمدی Naebali Ahmadi دکتری تخصصی انگل‌شناسی، استاد، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران ایران سجاد یزدان ستاد Sajjad Yazdansetad دکتری تخصصی میکروب‌شناسی، مؤسسه تحقیقات واکسن و سرم‌سازی رازی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران ایران sajjad.yazdansetad@gmail.com Rhipicephalus Microplus Annulatus Vaccine COBRA کنه ریپی‌سفالوس میکروپولوس آنولاتوس واکسن کُبرا 1. Taheri M, Nabian S, Ranjbar M, Mazaheri Nezhad R, Gerami Sadeghian A, Sazmand A. Study of vitellogenin in Boophilus annulatus tick larvae and its immunological aspects. Trop Biomed 2014;31(3):398-405.##2. Jongejan F, Uilenberg G. The global importance of ticks. Parasitology 2004;129 Suppl:S3-14. doi: 10.1017/S0031182004005967##3. Coumou J, Wagemakers A, Trentelman JJ, Nijhof AM, Hovius JW. Vaccination against Bm86 Homologues in Rabbits Does Not Impair Ixodes ricinus Feeding or Oviposition. PLoS One 2015;10(4):e0123495. doi: 10.1371/journal.pone.0123495. ##4. Narasimhan S, Deponte K, Marcantonio N, Liang X, Royce TE, Nelson KF, et al. Immunity against Ixodes scapularis salivary proteins expressed within 24 hours of attachment thwarts tick feeding and impairs Borrelia transmission. PLoS One 2007;2(5):e451. doi:10.1371/journal.pone.0000451##5. Willadsen P, Riding GA, McKenna RV, Kemp DH, Tellam RL, Nielsen JN, et al. Immunologic control of a parasitic arthropod. Identification of a protective antigen from Boophilus microplus. J Immunol 1989;143(4):1346-51.##6. Gough JM, Kemp DH. Localization of a low abundance membrane protein (Bm86) on the gut cells of the cattle tick Boophilus microplus by immunogold labeling. J Parasitol 1993;79(6):900-7. doi: 10.1016/j.ttbdis.2015.06.002##7. de la Fuente J, Almazan C, Canales M, Perez de la Lastra JM, Kocan KM, Willadsen P. A ten-year review of commercial vaccine performance for control of tick infestations on cattle. Anim Health Res Rev 2007;8(1):23-8. doi:10.1017/S1466252307001193##8. Ranjbar MM, Gupta SK, Ghorban K, Nabian S, Sazmand A, Taheri M, et al. Designing and modeling of complex DNA vaccine based on tropomyosin protein of Boophilus genus tick. Appl Biochem Biotechnol 2015;175(1):323-39. doi: 10.1007/s12010-014-1245-z.##9. Ranjbar MM, Ataei Kachooei S, Ahmadi NA, Ghorban K, Motedayen MH, Motamed N. Novel Antibody informatics knowledge in therapeutic-drug discovery and diagnosis. Veterinary Researches & Biological Products 2018;31(1):2-15. doi: 10.22092/vj.2017.110460.1306##10. Giles BM, Ross TM. A computationally optimized broadly reactive antigen (COBRA) based H5N1 VLP vaccine elicits broadly reactive antibodies in mice and ferrets. Vaccine 2011;29(16):3043-54. doi: 10.1016/j.vaccine.2011.01.100.##11. Keyvani H, Ahmadi NA, Ranjbar MM, Ataei Kachooei S, Ghorban K, Dadmanesh M. Immunoinformatics Study of Gp120 of Human Immunodeficiency Virus Type 1 Subtype CRF35_AD Isolated from Iranian Patients. Archives of Clinical Infectious Diseases 2016; 11(4). doi: 10.5812/archcid.36270##12. Wolfert MA, Boons GJ. Adaptive immune activation: glycosylation does matter. Nat Chem Biol. 2013;9(12):776-84. doi: 10.1038/nchembio.1403. ##13. Kumar S, Stecher G, Li M, Knyaz C, Tamura K. MEGA X: Molecular Evolutionary Genetics Analysis across Computing Platforms. Mol Biol Evol 2018;35(6):1547-49. doi: 10.1093/molbev/msy096.##14. Altschul SF, Gish W, Miller W, Myers EW, Lipman DJ. Basic local alignment search tool. J Mol Biol 1990;215(3):403-10. doi:10.1016/S0022-2836(05)80360-2##15. Altschul SF, Madden TL, Schaffer AA, Zhang J, Zhang Z, Miller W, et al. Gapped BLAST and PSI-BLAST: a new generation of protein database search programs. Nucleic Acids Res 1997;25(17):3389-402. doi:10.1093/nar/25.17.3389##16. Lovell SC, Davis IW, Arendall WB, de Bakker PI, Word JM, Prisant MG, et al. Structure validation by Calpha geometry: phi,psi and Cbeta deviation. Proteins 2003;50(3):437-50. doi:10.1002/prot.10286##17. Willadsen P. Anti-tick vaccines. Parasitology. 2004;129 Suppl:S367-87. doi: 10.1017/S0031182003004657##18. Ranjbar MM, Nabian S, Taheri M, Nikbakhat GR, Nikpei A. Immunoinformatic Survey of Boophilus Tick Tropomyosin Protein. Journal of Veterinary Research 2014; 69(4): 335–45.##19. Bellgard MI, Moolhuijzen PM, Guerrero FD, Schibeci D, Rodriguez-Valle M, Peterson DG, et al. CattleTickBase: an integrated Internet-based bioinformatics resource for Rhipicephalus (Boophilus) microplus. Int J Parasitol 2012;42(2):161-9. doi: 10.1016/j.ijpara.2011.11.006.##20. Ranjbar MM, Ahmadi NA, Ghorban K, Ghalyanchi Langeroudi A, Dadmanesh M, Amini H-R, Sedighi Moghaddam B. Immnoinformatics: Novel view in understanding of immune system function, databases and prediction of immunogenic epitopes. Koomesh 2015; 17(1): 18–26. Persian##21. Wong TM, Allen JD, Bebin-Blackwell AG, Carter DM, Alefantis T, DiNapoli J, et al. Computationally Optimized Broadly Reactive Hemagglutinin Elicits Hemagglutination Inhibition Antibodies against a Panel of H3N2 Influenza Virus Cocirculating Variants. J Virol 2017;91(24). pii: e01581-17. doi: 10.1128/JVI.01581-17. ##22. Carter DM, Darby CA, Johnson SK, Carlock MA, Kirchenbaum GA, Allen JD, et al. Elicitation of Protective Antibodies against a Broad Panel of H1N1 Viruses in Ferrets Preimmune to Historical H1N1 Influenza Viruses. J Virol 2017;91(24). pii: e01283-17. doi: 10.1128/JVI.01283-17. ##23. Kufareva I, Abagyan R. Methods of protein structure comparison. Methods Mol Biol 2012;857:231-57. doi: 10.1007/978-1-61779-588-6_10.#### ##

مرور کلی بر کاربردهای تحلیل مکانی برای مدیریت و تخصیص خدمات دیالیز خونی An Overview on the Applications of Spatial Analyses in the Management and Allocation of Hemodialysis Services 1 1 مقدمه: نرخ شیوع بیماری مزمن کلیوی در سال ۲۰۱۶ به حدود ۴/۱۳ درصد رسیده است. دیالیز خونی معمول‌ترین روش درمان در مرحله انتهایی این بیماری است که بیماران به طور متوسط سه بار در هفته به مراکز دیالیز خونی مراجعه می‌نمایند. تعداد زیاد مراجعات اهمیت بالای مدیریت و برنامه‌ریزی درست و همچنین اختصاص بهینه و کارآمد منابع دیالیز خونی را نشان می‌دهد. روش: پژوهش حاضر یک مرور کلی از سایر پژوهش‌های انجام شده در این حوزه بود که با هدف بررسی کاربردهای تحلیل مکانی در حوزه مدیریت و اختصاص منابع دیالیز خونی انجام شد. پژوهشگران با تدوین یک استراتژی جستجو به بررسی مقالات مرتبط در پایگاه داده Medline پرداختند. نتایج: مطالعات مرتبط با کاربردهای تحلیل مکانی در حوزه دیالیز خونی را می‌توان در سه دسته شامل اندازه‌گیری دسترسی به مراکز دیالیز خونی، تعیین ارتباط بین دسترسی به این مراکز با مرگ‌ومیر و کیفیت زندگی و همچنین تحقیقات مرتبط با تخصیص منابع دیالیز خونی در یک منطقه جغرافیایی تقسیم‌بندی نمود. نتیجه‌گیری: استفاده از تحلیل مکانی به عنوان یک روش مبتنی بر سیستم‌های اطلاعات جغرافیایی، می‌تواند جهت تحلیل داده‌های مرتبط با مراکز دیالیز خونی برای مدیریت بهینه منابع و کمک به اتخاذ تصمیماتی با آگاهی بیشتر مورد استفاده قرار گیرد. اکثر مطالعات انجام شده در این حوزه در زمینه اندازه‌گیری دسترسی به مراکز دیالیز خونی و تعیین ارتباط بین دسترسی به این مراکز با مرگ‌ومیر و کیفیت زندگی بیماران بود و مطالعات بسیار اندکی در خصوص تخصیص بهینه منابع دیالیز خونی در یک منطقه جغرافیایی انجام شده است. 2 Introduction: The prevalence of Chronic Kidney Disease (CKD) reached about 13.4% in 2016. Among available treatment methods, hemodialysis is the most common way used for the treatment of patients with End-Stage Renal Disease (ESRD), the last stage of CKD. On average, these patients refer to hemodialysis centers three times a week. The high patients referral rate indicates the importance of proper management and planning as well as the optimal and efficient allocation of hemodialysis resources. Method: This overview study was conducted to investigate the applications of spatial analyses in the management and allocation of hemodialysis resources. By designing a search strategy, related articles indexed in the MEDLINE database, were reviewed. Results: Studies related to spatial analysis in the field of hemodialysis can be categorized into three groups including: 1) measurement of access to hemodialysis centers, 2) relationship between access to these centers and mortality as well as patients' quality of life, and 3) allocation of hemodialysis resources in a geographical area. Conclusion: Spatial analysis as a geographical information system-based methodology, can be used for analyzing data associated with hemodialysis centers to optimize resources management and help policymakers to make better informed decisions in this area. Most of the studies investigated the access to hemodialysis centers and the relationship between access to these centers and mortality as well as the patient's quality of life. However, few studies have been conducted on the optimal allocation of hemodialysis resources in a geographical area. 152 162 2018/10/112018/08/52018/02/122018/09/252018/11/42018/02/192019/01/252018/11/12 1397/8/21 2019/01/272019/06/172019/01/72019/01/72019/01/232019/08/262019/05/122019/01/27 1397/11/7 پریناز تبری Parinaz Tabari کارشناس ارشد انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران papiamentu@gmail.com بهزاد کیانی Behzad Kiani دکترای انفورماتیک پزشکی، استادیار، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران KianiB@mums.ac.ir Hemodialysis Spatial analysis Resource allocation Resource management Geographical information system دیالیز خونی تحلیل مکانی تخصیص منابع مدیریت منابع سیستم‌های اطلاعات جغرافیایی 1. Bazyluk A, Malyszko J, Zbroch E. Cardiovascular risk in chronic kidney disease: what is new in the pathogenesis and treatment? Postgrad Med 2018;130(5):461-9. doi: 10.1080/00325481.2018.1481714.##2. Kiani B, Bagheri N, Tara A, Hoseini B, Tara M. Haemodialysis services in the northeastern region of Iran. Geospat Health 2017;12(1):561. doi: 10.4081/gh.2017.561.##3. Malekmakan L, Tadayon T, Roozbeh J, Sayadi M. End-stage Renal Disease in the Middle East: a Systematic Review and Meta-analysis. Iran J Kidney Dis 2018;12(4):195-203. ##4. Marbun MBH, Susalit E, Umami V. 7 Years experience of living donor kidney transplantation in indonesia: a retrospective cohort study. Acta Med Indones 2018;50(2):119-24.##5. Kiani B, Bagheri N, Tara A, Hoseini B, Tabesh H, Tara M. Revealed access to haemodialysis facilities in northeastern Iran: Factors that matter in rural and urban areas. Geospat Health 2017;12(2):584. doi: 10.4081/gh.2017.584. ##6. Zhang Y, Hu C, Bian Z, Chen P. Impact of timing of initiation of dialysis on long-term prognosis of patients undergoing hemodialysis. Exp Ther Med 2018;16(2):1209-15. doi: 10.3892/etm.2018.6281##7. Salnama Iranian Consortium of Dialysis 2014; [cited 2018 Dec 5] Available from: http://www.icdgroup.org/Content/Upload/pdf/salnama95.pdf.##8. McLafferty SL. GIS and Health Care. Annual Review of Public Health 2003;24(1):25-42. doi: 10.1146/annurev.publhealth.24.01209.141012##9. Kiani B. Geographical Information Systems in Health: Introduction and Application. Journal of Health and Biomedical Informatics 2018;5(1):83-4. Persian##10. Rucker D, Hemmelgarn BR, Lin M, Manns BJ, Klarenbach SW, Ayyalasomayajula B, et al. Quality of care and mortality are worse in chronic kidney disease patients living in remote areas. Kidney Int 2011;79(2):210-7. doi: 10.1038/ki.2010.376.##11. Tonelli M, Manns B, Culleton B, Klarenbach S, Hemmelgarn B, Wiebe N, et al. Association between proximity to the attending nephrologist and mortality among patients receiving hemodialysis. CMAJ 2007;177(9):1039-44. doi: 10.1503/cmaj.070343##12. Thompson S, Gill J, Wang X, Padwal R, Pelletier R, Bello A, et al. Higher mortality among remote compared to rural or urban dwelling hemodialysis patients in the United States. Kidney Int 2012;82(3):352-9. doi: 10.1038/ki.2012.167. ##13. Moist LM, Bragg-Gresham JL, Pisoni RL, Saran R, Akiba T, Jacobson SH, et al. Travel time to dialysis as a predictor of health-related quality of life, adherence, and mortality: the Dialysis Outcomes and Practice Patterns Study (DOPPS). Am J Kidney Dis 2008;51(4):641-50. doi: 10.1053/j.ajkd.2007.12.021.##14. Hoseini B, Bagheri N, Kiani B, Azizi A, Tabesh H, Tara M. Access to dialysis services: A systematic mapping review based on geographical information systems. Geospat Health 2018;13(1):577. doi: 10.4081/gh.2018.577.##15. Azizi A, Aboutorabi R, Mazloum-Khorasani Z, Hoseini B, Tara M. Diabetic Personal Health Record: A Systematic Review Article. Iran J Public Health 2016;45(11):1388-98.##16. Higgs G. A literature review of the use of GIS-based measures of access to health care services. Health Services and Outcomes Research Methodology 2004;5(2):119-39.##17. Levesque JF, Harris MF, Russell G. Patient-centred access to health care: conceptualising access at the interface of health systems and populations. Int J Equity Health 2013;12:18. doi: 10.1186/1475-9276-12-18.##18. Yang DH, Goerge R, Mullner R. Comparing GIS-based methods of measuring spatial accessibility to health services. J Med Syst 2006;30(1):23-32. doi: 10.1007/s10916-006-7400-5 ·##19. Stephens JM, Brotherton S, Dunning SC, Emerson LC, Gilbertson DT, Harrison DJ, et al. Geographic disparities in patient travel for dialysis in the United States. J Rural Health 2013;29(4):339-48. doi: 10.1111/jrh.12022.##20. Richard JB, Aldigier JC, Le Mignot L, Glaudet F, Ben Said M, Landais P. Equity of accessibility to dialysis facilities. Stud Health Technol Inform 2009;150:777-81. doi:10.3233/978-1-60750-044-5-777##21. Saunders MR, Lee H, Maene C, Schuble T, Cagney KA. Proximity does not equal access: racial disparities in access to high quality dialysis facilities. J Racial Ethn Health Disparities 2014;1(4):291-9. doi:10.1007/s40615-014-0036-0##22. Neutens T. Accessibility, equity and health care: review and research directions for transport geographers. Journal of Transport Geography 2015;43:14-27.##23. Kiani B, Bagheri N, Tara A, Hoseini B, Hashtarkhani S, Tara M. Comparing potential spatial access with self-reported travel times and cost analysis to haemodialysis facilities in North-eastern Iran. Geospat Health 2018;13(2). doi: 10.4081/gh.2018.703.##24. Tshamba HM, Van Caillie D, Nawej FN, Kapend FM, Kaj FM, Yav GD, et al. Risk of death and the economic accessibility at the dialysis therapy for the renal insufficient patients in Lubumbashi city, Democratic Republic of Congo. Pan Afr Med J 2014;19:61. doi: 10.11604/pamj.2014.19.61.3742. ##25. Tonelli M, Hemmelgarn B, Culleton B, Klarenbach S, Gill JS, Wiebe N, et al. Mortality of Canadians treated by peritoneal dialysis in remote locations. Kidney Int 2007;72(8):1023-8. doi:10.1038/sj.ki.5002443##26. Santos PR, Arcanjo FP. Distance between residence and the dialysis unit does not impact self-perceived outcomes in hemodialysis patients. BMC Res Notes 2012;5:458. doi: 10.1186/1756-0500-5-458.##27. Maripuri S, Arbogast P, Ikizler TA, Cavanaugh KL. Rural and micropolitan residence and mortality in patients on dialysis. Clin J Am Soc Nephrol 2012;7(7):1121-9. doi: 10.2215/CJN.10831011##28. Ayyalasomayajula B, Wiebe N, Hemmelgarn BR, Bello A, Manns B, Klarenbach S, et al. A novel technique to optimize facility locations of new nephrology services for remote areas. Clin J Am Soc Nephrol 2011;6(9):2157-64. doi: 10.2215/CJN.01820211## ##