1399 7 4 26 476

مطالعه‌ موردی تأثیر سوابق بیماری‌های والدین در احتمال ابتلاء به فشارخون بالا با استفاده از تکنیک‌های داده‌کاوی A Case Study of the Impact of Parental Diseases on the Probability of Hypertension Using Data Mining Techniques 1 1 مقدمه: بیماری «فشار‌خون بالا» از جمله‌ شایع‌ترین عارضه‌های سلامتی به شمار می‌رود. از این بیماری به دلیل تأثیر آن در بروز بیماری‌های خطرناک‌تر دیگری از جمله بیماری‌های قلبی-عروقی و انواع سکته و همچنین نداشتن علائم و نشانه‌های خاص، به‌عنوان مرگ خاموش یا قاتل خاموش یاد می‌شود. ازاین‌رو تشخیص به موقع، کنترل و درمان آن اهمیت زیادی در سیستم‌های بهداشتی داشته و موجب پیشگیری از بروز بیماری‌های تأثیر‌پذیر از آن خواهد شد. براساس پژوهش‌های صورت گرفته، نشان داده شده است که رابطه‌ محکمی بین سابقه‌ برخی از بیماری‌ها در والدین و ابتلاء فرزندان آن‌ها به فشار خون بالا، وجود دارد. روش: در این پژوهش با استفاده از داده‌های جمع‌آوری شده از دو مرکز بهداشت واقع در استان اردبیل و به‌کارگیری تکنیک‌های داده‌کاوی و نرم‌افزار Rapid Miner، تأثیر سوابق بیماری‌های والدین در احتمال ابتلاء به فشارخون بالا در فرزندان مورد بررسی قرار گرفته است. نتایج: نتایج حاصل حاکی از این نکته ارزشمند است که استفاده از اطلاعات پیشینه بیماری والدین مانند فشار‌خون بالا، عروق کرونر زودرس، هیپرکلسترولمیا و تیروئید، نقش بسزایی در پیش‌بینی درست بیماری فشار‌خون در فرزندان دارد و باعث افزایش ۵% کارایی مدل پیش‌بینی کننده‌ای که از روی نمونه‌های جمع‌آوری شده و با استفاده از تکنیک‌های داده‌کاوی ایجاد شده است، می‌شود. نتیجه‌گیری: با این که وجود برخی بیماری‌ها به خصوص فشار‌خون بالا در والدین خطر ابتلاء به فشار‌خون بالا در فرزندان را بیشتر می‌کند؛ اما در نهایت ویژگی‌های فردی تعیین کننده اصلی بروز این عارضه هستند. 2 Introduction: Hypertension is one of the most common health problems. As it has a major impact on other serious diseases such as cardiovascular diseases and strokes, and due to not having any specific symptoms, it is known as a silent killer. Therefore, proper diagnosis, control, and treatment of hypertension is crucial in health care systems and will indeed prevent the development of the other diseases affected by. Studies have shown a strong connection between some diseases of parents and the probability of having hypertension in children. Method: In this study, using data collected from two health centers in Ardabil province and applying data mining techniques and Rapid Miner software, the impact of parental diseases on the probability of hypertension in children was investigated. Results: The results indicated that using paternal medical history on hypertension, premature coronary artery disease, hypercholesterolemia, and hyperthyroidism has a significant role in predicting hypertension in children. Moreover, the performance of the predictive model, developed using the collected samples and data mining techniques, was enhanced by 5%. Conclusion: Some diseases of parents, especially hypertension, increase the risk of hypertension in children. However, individual characteristics are the major determinants of this complication. 354 367 2019/11/14 1398/8/23 2020/04/27 1399/2/8 امین قادری نیری Amin Ghaderi Niri کارشناسی ارشد فناوری اطلاعات، دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ایران ایران agn_iri@hotmail.com ناصر فرج‌زاده Nacer Farajzadeh دانشیار، دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهید مدنی آذربایجان، تبریز، ایران ایران n.farajzadeh@azaruniv.ac.ir الهه بایبوردی Elahe Baybordi متخصص پزشکی اجتماعی، استادیار، جهاد دانشگاهی، تبریز، ایران ایران Baybordi@acecr.ac.ir Hypertension Artificial Intelligence Machine Learning Data mining Prediction Paternal Medical History فشار‌خون هوش مصنوعی یادگیری ماشین داده‌کاوی پیش‌بینی پیشینه‌ بیماری والدین 1. Williams B, Mancia G, Spiering W, Agabiti Rosei E, Azizi M, Burnier M, et al. 2018 ESC/ESH Guidelines for the management of arterial hypertension: The Task Force for the management of arterial hypertension of the European Society of Cardiology (ESC) and the European Society of Hypertension (ESH). Eur Heart J 2018;39(33):3021-104. doi: 10.1093/eurheartj/ehy339##2. Global Health Observatory (GHO). data: Raised blood pressure [cited 2018 Jul 18]. Available from: https://www.who.int/gho/ncd/risk_factors/blood_pressure_prevalence_text/en/##3. Wang W, Lee ET, Fabsitz RR, Devereux R, Best L, Welty TK, et al. A longitudinal study of hypertension risk factors and their relation to cardiovascular disease: the Strong Heart Study. Hypertension 2006;47(3):403-9. doi: 10.1161/01.HYP.0000200710.29498.80##4. Kuschnir MC, Mendonça GA. Risk factors associated with arterial hypertension in adolescents. J Pediatr (Rio J) 2007;83(4):335-42. doi: 10.2223/JPED.1647##5. World Health Organization(WHO). A global brief on hypertension: silent killer, global public health crisis: World Health Day 2013 [cited 2021 May 2]. Available from: https://apps.who.int/iris/handle/10665/79059##6. Yoo I, Alafaireet P, Marinov M, Pena-Hernandez K, Gopidi R, Chang JF, Hua L. Data mining in healthcare and biomedicine: a survey of the literature. J Med Syst 2012;36(4):2431-48. doi: 10.1007/s10916-011-9710-5##7. Srinivas K, Rani BK, 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.##8. Soni J, Ansari U, Sharma D, Soni S. Predictive data mining for medical diagnosis: An overview of heart disease prediction. International Journal of Computer Applications 2011;17(8):43-8. doi: 10.5120/2237-2860##9. Reddy DL, Marriboyina V. A review on data mining from past to the future. International Journal of Computer Applications 2011; 15(7): 19-22.##10. Mayo M. What are the Industries / Fields where you applied Analytics, Data Science, Machine Learning in 2018? [cited 2021 May 2]. Available: https://www.kdnuggets.com/2019/03/poll-analytics-data-science-ml-applied-2018.html ##11. Nahar J, Imam T, Tickle KS, Chen YP. Association rule mining to detect factors which contribute to heart disease in males and females. Expert Systems with Applications 2013;40(4):1086-93. https://doi.org/10.1016/j.eswa.2012.08.028##12. Shin AM, Lee IH, Lee GH, Park HJ, Park HS, Yoon KI. Diagnostic analysis of patients with essential hypertension using association rule mining. Healthc Inform Res. 2010;16(2):77-81. doi: 10.4258/hir.2010.16.2.77##13. Polat K, Güneş S. A hybrid approach to medical decision support systems: Combining feature selection, fuzzy weighted pre-processing and AIRS. Comput Methods Programs Biomed 2007;88(2):164-74. doi: 10.1016/j.cmpb.2007.07.013##14. Prathyusha TV, Prasad VG, Saiprasad GS, Nagaraj K. A study of prevalence and certain lifestyle risk factors of essential hypertension in a rural area in Telangana, India. International Journal of Medical Science and Public Health 2016;5(7):1417-23. doi: 10.5455/ijmsph.2016.13102015211##15. Xu F, Zhu J, Sun N, Wang L, Xie C, Tang Q, et al. Development and validation of prediction models for hypertension risks in rural Chinese populations. J Glob Health 2019; 9(2): 020601. doi: 10.7189/jogh.09.020601##16. Wang B, Liu Y, Sun X, Yin Z, Li H, Ren Y, et al. Prediction model and assessment of probability of incident hypertension: the Rural Chinese Cohort Study. Journal of Human Hypertension 2020. doi: 10.1038/s41371-020-0314-8##17. Li C, Sun D, Liu J, Li M, Zhang B, Liu Y, et al. A Prediction Model of Essential Hypertension Based on Genetic and Environmental Risk Factors in Northern Han Chinese. Int J Med Sci 2019;16(6):793-9. doi: 10.7150/ijms.33967##18. Chobanian AV, Bakris GL, Black HR, Cushman WC, Green LA, Izzo JL, et al. The seventh report of the joint national committee on prevention, detection, evaluation, and treatment of high blood pressure: the JNC 7 report. JAMA 2003;289(19):2560-72.##19. Kim SJ, Lee J, Nam CM, Jee SH, Park IS, Lee KJ, et al. Progression rate from new-onset pre-hypertension to hypertension in Korean adults. Circ J 2011;75(1):135-40. doi: 10.1253/circj.cj-09-0948##20. Faselis C, Doumas M, Kokkinos JP, Panagiotakos D, Kheirbek R, Sheriff HM, et al. Exercise capacity and progression from prehypertension to hypertension. Hypertension 2012;60(2):333-8. doi: 10.1161/HYPERTENSIONAHA.112.196493##21. Winegarden CR. From “prehypertension” to hypertension? Additional evidence. Ann Epidemiol 2005;15(9):720-5. doi: 10.1016/j.annepidem.2005.02.010##22. Thanathamathee P, Lursinsap C. Handling imbalanced data sets with synthetic boundary data generation using bootstrap re-sampling and AdaBoost techniques. Pattern Recognition Letters 2013;34(12):1339-47. https://doi.org/10.1016/j.patrec.2013.04.019##23. Zhao Y, Wong ZS, Tsui KL. A framework of rebalancing imbalanced healthcare data for rare events’ classification: a case of look-alike sound-alike mix-up incident detection. J Healthc Eng 2018;2018:6275435. doi: 10.1155/2018/6275435##24. Chatterjee S. Deep learning unbalanced training data? Solve it like this [cited 2018 Jul 18]. Available from: https://towardsdatascience.com/deep-learning-unbalanced-trainnig-data-solve-it-like-this-6c528e9efea6##25. Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: synthetic minority over-sampling technique. Journal of Artificial Intelligence Research 2002;16(1):321-57. doi: 10.1613/jair.953##26. Sun Y, Wong AK, Kamel MS. Classification of imbalanced data: A review. International Journal of Pattern Recognition and Artificial Intelligence 2009;23(4):687-719. https://doi.org/10.1142/S0218001409007326##27. Tharwat A. Classification assessment methods. Applied Computing and Informatics 2020. doi: 10.1016/j.aci.2018.08.003##28. Sasaki Y. The truth of the F-measure. Manchester: University of Manchester; 2007.##29. Tan PN, Kumar V, Srivastava J. Selecting the right objective measure for association analysis. Information Systems 2004;29(4):293-313. doi:10.1016/S0306-4379(03)00072-3##30. Palaniappan S, Awang R. Intelligent heart disease prediction system using data mining techniques. IEEE/ACS International Conference on Computer Systems and Applications; 2008 Mar-Apr 31-4; Doha, Qatar: IEEE; 2008. p. 108-15. doi: 10.1109/AICCSA.2008.4493524 ##31. Novakovic J. Using information gain attribute evaluation to classify sonar targets. 17th Telecommunications forum TELFOR; 2009 Nov 24-26; Serbia, Belgrade: 2009. p. 1351-4. ##32. Chaudhari AS, Stevens KJ, Wood JP, Chakraborty AK, Gibbons EK, Fang Z, et al. Utility of deep learning super‐resolution in the context of osteoarthritis MRI biomarkers. J Magn Reson Imaging 2020;51(3):768-79. doi: 10.1002/jmri.26872##33. Manios Y, Karatzi K, Moschonis G, Ioannou G, Androutsos O, Lionis C, et al. Lifestyle, anthropometric, socio-demographic and perinatal correlates of early adolescence hypertension: The Healthy Growth Study. Nutr Metab Cardiovasc Dis 2019;29(2):159-69. doi: 10.1016/j.numecd.2018.10.007##34. Xu R, Zhang X, Zhou Y, Wan Y, Gao X. Parental overweight and hypertension are associated with their children’s blood pressure. Nutr Metab (Lond) 2019;16:35. doi: 10.1186/s12986-019-0357-4##35. Goldstein IB, Shapiro D, Guthrie D. Ambulatory blood pressure and family history of hypertension in healthy men and women. American Journal of Hypertension 2006;19(5):486-91. https://doi.org/10.1016/j.amjhyper.2005.09.025##36. Gearing Fr, Clark Eg, Perera Ga, Schweitzer MD. Hypertension among relatives of hypertensives: progress report of a family study. Am J Public Health Nations Health 1962;52(12):2058-65. doi: 10.2105/ajph.52.12.2058##37. Manuck SB, Proietti JM, Rader SJ, Polefrone JM. Parental hypertension, affect, and cardiovascular response to cognitive challenge. Psychosom Med 1985;47(2):189-200. doi: 10.1097/00006842-198503000-00011##38. Munger RG, Prineas RJ, Gomez-Marin O. Persistent elevation of blood pressure among children with a family history of hypertension: the Minneapolis Children's Blood Pressure Study. J Hypertens 1988;6(8):647-53. doi: 10.1097/00004872-198808000-00008##39. Rebbeck TR, Turner ST, Sing CF. Probability of having hypertension: effects of sex, history of hypertension in parents, and other risk factors. J Clin Epidemiol 1996;49(7):727-34. doi: 10.1016/0895-4356(96)00015-7##40. Burke V, Gracey MP, Beilin LJ, Milligan RA. Family history as a predictor of blood pressure in a longitudinal study of Australian children. J Hypertens 1998;16(3):269-76. doi: 10.1097/00004872-199816030-00003##41. Ko GT, Chan JC, Cockram CS, Woo J. Prediction of hypertension, diabetes, dyslipidaemia or albuminuria using simple anthropometric indexes in Hong Kong Chinese. Int J Obes Relat Metab Disord 1999;23(11):1136-42. doi: 10.1038/sj.ijo.0801043##42. Lee IN, Liao SC, Embrechts M. Data mining techniques applied to medical information. Medical Informatics and the Internet in Medicine 2000;25(2):81-102. https://doi.org/10.1080/14639230050058275##43. Huang F, Wang S, Chan CC. Predicting disease by using data mining based on healthcare information system. IEEE International Conference on Granular Computing; 2012 Aug 11-13; Hangzhou, China: IEEE; 2018. p. 191-9. doi: 10.1109/GrC.2012.6468691##44. Ramezankhani A, Kabir A, Pournik O, Azizi F, Hadaegh F. Classification-based data mining for identification of risk patterns associated with hypertension in Middle Eastern population: A 12-year longitudinal study. Medicine (Baltimore) 2016;95(35):e4143. doi: 10.1097/MD.0000000000004143## ##

تحلیل بخش‌بندی تصویر دیسک اپتیک شبکیه چشم بیماران مبتلا به گلوکوم و مقایسه آن با سایر روش‌ها در پردازش تصاویر پزشکی Evaluation of Retinal Optic Disc Segmentation in Patients with Glaucoma and Comparison with Other Methods of Medical Image Processing 1 1 مقدمه: گلوکوم در بعضی کشورها شایع‌ترین علت کوری می‌باشد. در این میان عرصه پردازش تصاویر شبکیه به منظور ارائه سیستم‌هایی اتوماتیک جهت تشخیص بیماری پیشنهاد شده است. در بین روش‌های پردازش تصاویر پزشکی، قطعه‌بندی تصویر به عنوان فرآیند شناسایی و تغییر در نمایش یک تصویر است. هدف این تحقیق استفاده از روش قطعه‌بندی و مقایسه آن با الگوریتم‌های گذشته است  تا بتوان با دقت بهتری، نسبت به کارهای گذشته تشخیص دیسک اپتیک شبکیه چشم را تشخیص داد. روش: در پژوهش تحلیلی حاضر، با استفاده از روش قطعه‌بندی تصویر به هر پیکسل، برچسبی اختصاص داده می‌شود، به طوری که پیکسل‌هایی با برچسب یکسان، ویژگی‌های مشابهی دارند. اقدام به قطعه‌بندی دیسک اپتیک شبکیه شد. با استفاده از نرم‌افزار متلب تصاویر شبکیه مبتلا به گلوکوم چشم وارد محیط برنامه شدند و خروجی ایده‌آل به دست آمد. نتایج: تحلیل کمی بر روی نتایج به دست آمده دقت بالای 85‌% روش پیشنهادی را برای بخش‌بندی دیسک اپتیک شبکیه چشم نشان داد. به طوری که با استفاده از نتایج می‌توان به بهترین نحو، فرد مبتلا به بیماری گلوکوم را تشخیص داد. نتیجه‌گیری: هدف قطعه‌بندی یک تصویر این است که داده‌های خام به شکل قابل استفاده‌تری برای پردازش‌های آماری بعدی درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار بگیرد. 2 Introduction: Glaucoma is the most common cause of blindness in some countries. In the meantime, the field of retinal image processing has been proposed in order to provide automatic systems for disease diagnosis. Among the methods of medical image processing, image segmentation is a process of identification and change in the display of an image. The objective of this study was to use the segmentation method and compare it with previous algorithms so as to be able to diagnose retinal optic disc more accurately. Method: In the present analytical study, using the image segmentation method, each pixel was assigned a label in such a way that pixels with the same label had similar characteristics. The optic disc segmentation was performed. Using MATLAB software, retinal images of patients with glaucoma were entered into the program and an ideal output was obtained. Results: The quantitative analysis of the obtained results showed a high accuracy (85%) for the proposed method for the segmentation of the retinal optic disc; thus, the results can be used to efficiently diagnose a person with glaucoma. Conclusion: The purpose of segmenting an image is to make raw data more usable for subsequent statistical processing. It is expected that in the future, feature extraction be more accurate, and more details be available to machine vision systems to identify objects in the images. 368 375 2019/11/142020/06/6 1399/3/17 2020/04/272020/09/20 1399/6/30 سهند شاهعلی نژاد Sahand Shahalinejad کارشناسی ارشد مهندسی پزشکی-بیوالکتریک، گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، مؤسسه آموزش عالی ارومی، ارومیه، ایران ایران sahandshahali73@gmail.com مهدی نوشیار Mehdi Nooshyar دکترای مهندسی مخابرات، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران ایران nooshyar@uma.ac.ir Glaucoma Retinal Images Optic disc Image Segmentation گلوکوم تصاویر شبکیه دیسک اپتیک قطعه‌بندی تصویر 1. Joshi GD, Sivaswamy J, Krishnadas SR. Optic Disk and Cup Segmentation From Monocular Color Retinal Images for Glaucoma Assessment. IEEE Trans Med Imaging 2011; 6(30): 1192–205. doi: 10.1109/TMI.2011.2106509##2. Akram MU, Tariq A, Khan SA. Retinal image blood vessel segmentation. International Conference on Information and Communication Technologies; 2009 Aug 15-16; Karachi, Pakistan: IEEE; 2009. p. 438-47. doi: 10.1109/ICICT.2009.5267194##3. Satyarthi D, Raju BA, Dandapat S. Detection of diabetic retinopathy in fundus images using vector quantization technique. Annual IEEE India Conference; 2006 Sep 15-17; New Delhi, India IEEE; 2006. p. 1-4. doi: 10.1109/INDCON.2006.302806##4. Mendonca AM, Campilho A. Segmentation of retinal blood vessels by combining the detection of centerlines and morphological reconstruction. IEEE Trans Med Imaging 2006; 25(9):112-9. ##5. Foracchia M, Grisam, E, Ruggeri A. Detection of optic disc in retinal images by means of a geometrical model of vessel structure. IEEE Trans Med Imaging 2004;23(10):1189-95. doi: 10.1109/TMI.2004.829331##6. Anitha J. A region growing method of optic disc segmentation in retinal images. International Conference on Electronics and Communication Systems (ICECS); 2014 Feb 13-14; Coimbatore, India: IEEE; 2014. p. 1-5. doi: 10.1109/ECS.2014.6892618##7. Hongqing Z, Huazhong S, Limin L. Blood vessels segmentation in retina via wavelet transforms using steerable filters. 17th IEEE Symposium on Computer-Based Medical Systems; 2004 Jun 25; Bethesda, MD, USA, USA IEEE; 2004. p. 316-21. doi: 10.1109/CBMS.2004.1311734##8. Tsai CL, Stewart CV, Tanenbaum HL, Roysam B. Model-based method for improving the accuracy and repeatability of estimating vascular bifurcations and crossovers from retinal fundus images. IEEE Trans Inf Technol Biomed 2004;8(2):122-30. doi: 10.1109/titb.2004.826733##9. Li H, Chutatape O. Automated feature extraction in color retinal images by a model based approach. IEEE Trans Biomed Eng 2004;51(2):246-54. doi: 10.1109/TBME.2003.820400##10. Li H, Chutatape O. Automated feature extraction in color retinal images by a model based approach. IEEE Trans Biomed Eng 2004;51(2):246-54. doi: 10.1109/TBME.2003.820400##11. Arneodo A, Decoster NG, Roux S. A wavelet-based method for multifractal image analysis. I. Methodology and test applications on isotropic and anisotropic random rough surfaces. The European Physical Journal B-Condensed Matter and Complex Systems 2000;15(3):567-600. doi: 10.1016/S1076-5670(03)80014-9##12. Pinz A, Bernogger S, Datlinger P, Kruger A. Mapping the human retina. IEEE Trans Med Imaging 1998;17(4):606-19. doi: 10.1109/42.730405##13. Kawata Y, Niki N, Kumazaki T. Characteristics measurement for blood vessels diseases detection based on cone-beam CT images. IEEE Nuclear Science Symposium and Medical Imaging Conference Record 1995 Oct 21-28; San Francisco, USA: IEEE; 1995. p. 1660-4. doi: 10.1109/NSSMIC.1995.501905##14. Claro M, Santos L, Silva W, Araújo F, Moura N, Macedo A. Automatic glaucoma detection based on optic disc segmentation and texture feature extraction. CLEI Electronic Journal 2016;19(2):5. ##15. Oghali H, Mostafaee R, Aryamanesh M. The comparison of various edge finding methods in image processing. 1st National Conference on Computer Engineering and Information Technology; 2011 Dec 11; Tonekabon: Shafagh University; 2011. [In Persian]##16. Sánchez CI, Hornero R, López MI, Aboy M, Poza J, Abásolo D. A novel automatic image processing algorithm for detection of hard exudates based on retinal image analysis. Med Eng Phys 2008;30(3):350-7. doi: 10.1016/j.medengphy.2007.04.010##17. Joshi GD, Sivaswamy J. Colour retinal image enhancement based on domain knowledge. Sixth Indian Conference on Computer Vision, Graphics & Image Processing 2008 16-19 Dec; Bhubaneswar, India: IEEE; 2008. p. 591-8. [In Persian] doi: 10.1109/ICVGIP.2008.70##18. Tsang PW, Tsang WH. Edge detection on object color. Proceedings of 3rd IEEE International Conference on Image Processing; 1996 Sep 19; Lausanne, Switzerland, Switzerland: IEEE; 1996. p. 1049-52. doi: 10.1109/ICIP.1996.561021 ##19. Golland P, Bruckstein AM. Why RGB? Or how to design color displays for Martians. Graphical Models and Image Processing 1996;58(5):405-12. https://doi.org/10.1006/gmip.1996.0034##20. Liu I, Sun Y. Recursive tracking of vascular networks in angiograms based on the detection-deletion scheme. IEEE Trans Med Imaging 1993;12(2):334-41. doi: 10.1109/42.232264##21. Youssef D, Solouma NH. Accurate detection of blood vessels improves the detection of exudates in color fundus images. Comput Methods Programs Biomed 2012;108(3):1052-61. doi: 10.1016/j.cmpb.2012.06.006##22. Sarathi MP, Dutta MK, Singh A, Travieso CM. Blood vessel inpainting based technique for efficient localization and segmentation of optic disc in digital fundus images. Biomedical Signal Processing and Control 2016;25:108-17. https://doi.org/10.1016/j.bspc.2015.10.012##23. Imani E, Pourreza HR. A novel method for retinal exudate segmentation using signal separation algorithm. Computer Methods and Programs in Biomedicine 2016; 133: 195-205. https://doi.org/10.1016/j.cmpb.2016.05.016## ##

مقایسه پیش‌بینی ژن‌ هدف میکروRNAهای مرتبط با بیماری آلزایمر با ابزارهای بیوانفورماتیکی آنلاین Comparing MicroRNA Target Gene Predictions Related to Alzheimer's Disease Using Online Bioinformatics Tools 1 1 مقدمه: پیش‌بینی میکروRNAهای مرتبط با ژن‌های هدف با استفاده از ابزارهای بیوانفورماتیکی، موجب صرفه‌جویی در وقت و هزینه‌های بررسی آزمایشگاهی می‌شود. در این مطالعه، پیش‌بینی ژن‌های هدف میکروRNAهای مرتبط با بیماری آلزایمر توسط ابزارهای بیوانفورماتیکی مختلف با داده‌های تجربی گزارش شده مقایسه شد. روش: 41 میکروRNA که بر اساس نتایج آزمایشگاهی گزارش شده در مقالات موجب تغییر در بیان 21 ژن اصلی دخیل در بیماری آلزایمر شده‌ بودند، انتخاب گردید. سپس پیش‌بینی ژن هدف برای هر میکروRNA به وسیله سه ابزار بیوانفورماتیکی شامل MirTarget، TargetScan و Diana-microT انجام شد و نتایج به دست آمده برای هر سه ابزار با توجه به ژن‌های هدف گزارش شده برای آن‌ها با یکدیگر مقایسه گردید. نتایج: در بررسی 41 میکروRNA گزارش شده برای 21 ژن دخیل در بیماری آلزایمر، ابزار MirTarget در 66 درصد، TargetScan در 61 درصد و Diana-microT در 27 درصد از موارد اتصال میکروRNAهای مورد نظر را به ژن هدف، تأیید نمود؛ اما اتصال 22 درصد از میکروRNAها به ژن‌های هدف، توسط هیچ‌کدام از ابزارها تأیید نشد. نتیجه­ گیری: ابزارهای MirTarget و TargetScan نسبت به Diana-microT در پیش‌بینی ژن هدف میکروRNAهای دخیل در بیماری آلزایمر توانایی بالاتری دارند. با توجه به الگوریتم به کار گرفته شده در MirTarget، این ابزار بیوانفورماتیکی در پیش‌بینی ژن‌های هدف میکروRNAها نتایج عملکردی و واقعی‌تری را ارائه می‌کند و به عنوان یک نرم‌افزار کاربردی در پیش‌بینی اهداف میکروRNAها توصیه می‌شود. همچنین می‌توان نتیجه‌گیری نمود که تغییرات بیان ژن گزارش شده با واسطه میکروRNAها در بیماری آلزایمر، در مواردی نیاز به بررسی بیشتر دارند. 2 Introduction: The prediction of microRNAs related to target genes using bioinformatics tools saves time and costs of the experimental analyses. In the present study, the prediction of microRNA target genes relevant to Alzheimer’s Diseases (AD) were compared with the experimentally reported data using different bioinformatics tools. Method: A total of 41 microRNAs associated with 21 essential genes involved in AD were selected based on experimental results reported in previously published literature. Then, the prediction of the target gene for each microRNA was done using three bioinformatics tools, including MirTarget, TargentScan, and Diana-microT. The results of the predictions for all three tools considering the reported target genes were compared with each other.  Results: The results showed that MirTarget, TargetScan, and Diana-microT correctly predicted 66%, 61%, and 27% of microRNAs’ attachment to the previously reported target genes involved in AD, respectively. However, none of the tools could predict the attachment of 22% of the microRNAs to the target genes reported in the literature. Conclusion: It can be concluded that MirTarget and TargetScan can better predict the target gene for microRNAs involved in AD compared with Diana-microT. Considering the algorithm used in MirTarget, this bioinformatics tool provides more functional and accurate results in predicting the target genes for microRNAs and it is recommended for predicting the target genes of microRNAs. It can also be concluded that the reported target genes for microRNAs involved in AD need further investigations in some cases. 376 389 2019/11/142020/06/62020/05/16 1399/2/27 2020/04/272020/09/202020/08/10 1399/5/20 مریم کرائی Maryam Koraei دانشجوی کارشناسی ارشد سلولی و مولکولی، گروه علوم زیستی، دانشکده علوم پایه، دانشگاه کردستان، سنندج، ایران ایران m.koraei@sci.uok.ac.ir شمس الدین احمدی Shamseddin Ahmadi دانشیار رشته فیزیولوژی، گروه علوم زیستی، دانشکده علوم پایه، دانشگاه کردستان، سنندج، ایران ایران sh.ahmadi@uok.ac.ir MicroRNA Bioinformatics Target Gene Prediction Alzheimer Disease میکروRNA بیوانفورماتیک پیش‌بینی ژن هدف بیماری آلزایمر 1. Khaledi S, Ahmadi S. Cellular and molecular mechanisms of vitamin D deficiency in aging and Alzheimer’s disease. Shefaye Khatam 2020; 8(3):97-110. [In Persian] doi:10.29252/shefa.8.3.97##2. Khaledi S, Ahmadi S. Amyloid Beta and Tau: from Physiology to Pathology in Alzheimer’s disease. Shefaye Khatam 2016; 4(4):67-88. [In Persian] doi: 10.18869/acadpub.shefa.4.4.67##3. Nisbet RM, Polanco JC, Ittner LM, Götz J. Tau aggregation and its interplay with amyloid-beta. Acta Neuropathol 2015;129(2):207-20. doi: 10.1007/s00401-014-1371-2##4. Thal DR, Walter J, Saido TC, Fandrich M. Neuropathology and biochemistry of Abeta and its aggregates in Alzheimer's disease. Acta Neuropathol 2015;129(2):167-82. doi: 10.1007/s00401-014-1375-y##5. Kamenetz F, Tomita T, Hsieh H, Seabrook G, Borchelt D, Iwatsubo T, et al. APP processing and synaptic function. Neuron 2003;37(6):925-37. doi: 10.1016/s0896-6273(03)00124-7##6. O'Brien RJ, Wong PC. Amyloid precursor protein processing and Alzheimer's disease. Annu Rev Neurosci 2011;34:185-204. doi: 10.1146/annurev-neuro-061010-113613##7. Han P, Shi J. A Theoretical Analysis of the Synergy of Amyloid and Tau in Alzheimer's Disease. J Alzheimers Dis 2016;52(4):1461-70. doi: 10.3233/JAD-151206##8. Ahmadi S, Zobeiri M, Bradburn S. Molecular mechanisms underlying actions of certain long noncoding RNAs in Alzheimer's disease. Metab Brain Dis 2020;35(5):681-93. doi: 10.1007/s11011-020-00564-9##9. Delay C, Mandemakers W, Hebert SS. MicroRNAs in Alzheimer's disease. Neurobiol Dis 2012;46(2):285-90. doi: 10.1016/j.nbd.2012.01.003##10. Hebert SS, Horre K, Nicolai L, Bergmans B, Papadopoulou AS, Delacourte A, et al. MicroRNA regulation of Alzheimer's Amyloid precursor protein expression. Neurobiol Dis 2009;33(3):422-8. doi: 10.1016/j.nbd.2008.11.009##11. Bartel DP. MicroRNAs: genomics, biogenesis, mechanism, and function. Cell 2004;116(2):281-97. doi: 10.1016/s0092-8674(04)00045-5##12. Li LC, Okino ST, Zhao H, Pookot D, Place RF, Urakami S, et al. Small dsRNAs induce transcriptional activation in human cells. Proc Natl Acad Sci U S A. 2006;103(46):17337-42. doi: 10.1073/pnas.0607015103##13. Ambros V. The functions of animal microRNAs. Nature 2004;431(7006):350-5. doi: 10.1038/nature02871##14. Parvini N, Ahmadi S. Role of MicroRNAs in Development of Immune Cells and Nervous System and their Relation to Multiple Sclerosis. The Neuroscience Journal of Shefaye Khatam 2015; 3:131-44. [In Persian] doi:10.18869/acadpub.shefa.3.1.131##15. Juzwik CA, S SD, Zhang Y, Paradis-Isler N, Sylvester A, Amar-Zifkin A, et al. microRNA dysregulation in neurodegenerative diseases: A systematic review. Prog Neurobiol 2019;182:101664. doi: 10.1016/j.pneurobio.2019.101664##16. Quinlan S, Kenny A, Medina M, Engel T, Jimenez-Mateos EM. MicroRNAs in Neurodegenerative Diseases. Int Rev Cell Mol Biol 2017; 334:309-43. doi: 10.1016/bs.ircmb.2017.04.002##17. Wang M, Qin L, Tang B. MicroRNAs in Alzheimer's Disease. Front Genet 2019;10:153. doi: 10.3389/fgene.2019.00153##18. Kozomara A, Griffiths-Jones S. miRBase: integrating microRNA annotation and deep-sequencing data. Nucleic Acids Res 2011;39(Database issue):D152-7. doi: 10.1093/nar/gkq1027##19. Riffo-Campos AL, Riquelme I, Brebi-Mieville P. Tools for Sequence-Based miRNA Target Prediction: What to Choose? Int J Mol Sci 2016;17(12):1987. doi: 10.3390/ijms17121987##20. Femminella GD, Ferrara N, Rengo G. The emerging role of microRNAs in Alzheimer's disease. Front Physiol 2015;6:40. doi: 10.3389/fphys.2015.00040##21. Patel N, Hoang D, Miller N, Ansaloni S, Huang Q, Rogers JT, et al. MicroRNAs can regulate human APP levels. Mol Neurodegener 2008;3:10. doi: 10.1186/1750-1326-3-10##22. Lei X, Lei L, Zhang Z, Zhang Z, Cheng Y. Downregulated miR-29c correlates with increased BACE1 expression in sporadic Alzheimer's disease. Int J Clin Exp Pathol 2015;8(2):1565-74. ##23. Derisbourg M, Leghay C, Chiappetta G, Fernandez-Gomez FJ, Laurent C, Demeyer D, et al. Role of the Tau N-terminal region in microtubule stabilization revealed by new endogenous truncated forms. Sci Rep 2015; 5:9659. doi: 10.1038/srep09659##24. Liu W, Zhao J, Lu G. miR-106b inhibits tau phosphorylation at Tyr18 by targeting Fyn in a model of Alzheimer's disease. Biochem Biophys Res Commun 2016;478(2):852-7. doi: 10.1016/j.bbrc.2016.08.037##25. Wang X, Liu D, Huang HZ, Wang ZH, Hou TY, Yang X, et al. A Novel MicroRNA-124/PTPN1 Signal Pathway Mediates Synaptic and Memory Deficits in Alzheimer's Disease. Biol Psychiatry 2018;83(5):395-405. doi: 10.1016/j.biopsych.2017.07.023##26. Salta E, Sierksma A, Vanden Eynden E, De Strooper B. miR-132 loss de-represses ITPKB and aggravates amyloid and TAU pathology in Alzheimer's brain. EMBO Mol Med 2016;8(9):1005-18. doi: 10.15252/emmm.201606520##27. Donmez G. The Effects of SIRT1 on Alzheimer's Disease Models. Int J Alzheimers Dis 2012; 2012:509529. doi: 10.1155/2012/509529##28. Wang Y, Veremeyko T, Wong AH, El Fatimy R, Wei Z, Cai W, et al. Downregulation of miR-132/212 impairs S-nitrosylation balance and induces tau phosphorylation in Alzheimer's disease. Neurobiol Aging 2017;51:156-66. doi: 10.1016/j.neurobiolaging.2016.12.015##29. Zhao Y, Zhao R, Wu J, Wang Q, Pang K, Shi Q, et al. Melatonin protects against Abeta-induced neurotoxicity in primary neurons via miR-132/PTEN/AKT/FOXO3a pathway. Biofactors 2018;44(6):609-18. doi: 10.1002/biof.1411##30. He D, Tan J, Zhang J. miR-137 attenuates Abeta-induced neurotoxicity through inactivation of NF-kappaB pathway by targeting TNFAIP1 in Neuro2a cells. Biochem Biophys Res Commun 2017;490(3):941-7. doi: 10.1016/j.bbrc.2017.06.144##31. Wu BW, Wu MS, Guo JD. Effects of microRNA-10a on synapse remodeling in hippocampal neurons and neuronal cell proliferation and apoptosis through the BDNF-TrkB signaling pathway in a rat model of Alzheimer's disease. J Cell Physiol 2018;233(7):5281-92. doi: 10.1002/jcp.26328##32. Wang Y, Li Y, Yang W, Gao S, Lin J, Wang T, et al. Ginsenoside Rb1 inhibit apoptosis in rat model of Alzheimer's disease induced by Abeta1-40. Am J Transl Res 2018; 10(3): 796–805.##33. Ohrfelt A, Johansson P, Wallin A, Andreasson U, Zetterberg H, Blennow K, et al. Increased Cerebrospinal Fluid Levels of Ubiquitin Carboxyl-Terminal Hydrolase L1 in Patients with Alzheimer's Disease. Dement Geriatr Cogn Dis Extra 2016;6(2):283-94. doi: 10.1159/000447239##34. Wang X, Tan L, Lu Y, Peng J, Zhu Y, Zhang Y, et al. MicroRNA-138 promotes tau phosphorylation by targeting retinoic acid receptor alpha. FEBS Lett. 2015;589(6):726-9. doi: 10.1016/j.febslet.2015.02.001##35. Li Q, Li X, Wang L, Zhang Y, Chen L. miR-98-5p Acts as a Target for Alzheimer's Disease by Regulating Abeta Production Through Modulating SNX6 Expression. J Mol Neurosci 2016;60(4):413-20. doi: 10.1007/s12031-016-0815-7##36. Wang G, Huang Y, Wang LL, Zhang YF, Xu J, Zhou Y, et al. MicroRNA-146a suppresses ROCK1 allowing hyperphosphorylation of tau in Alzheimer's disease. Sci Rep 2016;6:26697. doi: 10.1038/srep26697##37. Hu S, Wang H, Chen K, Cheng P, Gao S, Liu J, et al. MicroRNA-34c Downregulation Ameliorates Amyloid-beta-Induced Synaptic Failure and Memory Deficits by Targeting VAMP2. J Alzheimers Dis 2015;48(3):673-86. doi: 10.3233/JAD-150432##38. Jin Y, Tu Q, Liu M. MicroRNA125b regulates Alzheimer's disease through SphK1 regulation. Mol Med Rep 2018;18(2):2373-80. doi: 10.3892/mmr.2018.9156##39. Zhou Y, Wang ZF, Li W, Hong H, Chen J, Tian Y, et al. Protective effects of microRNA-330 on amyloid beta-protein production, oxidative stress, and mitochondrial dysfunction in Alzheimer's disease by targeting VAV1 via the MAPK signaling pathway. J Cell Biochem 2018;119(7):5437-48. doi: 10.1002/jcb.26700##40. Wang Z, Qin W, Wei CB, Tang Y, Zhao LN, Jin HM, et al. The microRNA-1908 up-regulation in the peripheral blood cells impairs amyloid clearance by targeting ApoE. Int J Geriatr Psychiatry 2018;33(7):980-6. doi: 10.1002/gps.4881##41. Rehmsmeier M, Steffen P, Hochsmann M, Giegerich R. Fast and effective prediction of microRNA/target duplexes. RNA 2004;10(10):1507-17. doi: 10.1261/rna.5248604##42. Betel D, Koppal A, Agius P, Sander C, Leslie C. Comprehensive modeling of microRNA targets predicts functional non-conserved and non-canonical sites. Genome Biol 2010;11(8):R90. doi: 10.1186/gb-2010-11-8-r90##43. Min H, Yoon S. Got target? Computational methods for microRNA target prediction and their extension. Exp Mol Med. 2010;42(4):233-44. doi: 10.3858/emm.2010.42.4.032##44. Chen L, Heikkinen L, Wang C, Yang Y, Sun H, Wong G. Trends in the development of miRNA bioinformatics tools. Brief Bioinform 2019;20(5):1836-52. doi: 10.1093/bib/bby054##45. Liu W, Wang X. Prediction of functional microRNA targets by integrative modeling of microRNA binding and target expression data. Genome Biol 2019;20(1):18. doi: 10.1186/s13059-019-1629-z##46. Reczko M, Maragkakis M, Alexiou P, Grosse I, Hatzigeorgiou AG. Functional microRNA targets in protein coding sequences. Bioinformatics 2012;28(6):771-6. doi: 10.1093/bioinformatics/bts043##47. Liu C, Mallick B, Long D, Rennie WA, Wolenc A, Carmack CS, et al. CLIP-based prediction of mammalian microRNA binding sites. Nucleic Acids Res 2013;41(14):e138. doi: 10.1093/nar/gkt435##48. Dweep H, Sticht C, Gretz N. In-Silico Algorithms for the Screening of Possible microRNA Binding Sites and Their Interactions. Curr Genomics 2013;14(2):127-36. doi: 10.2174/1389202911314020005##49. Wong N, Wang X. miRDB: an online resource for microRNA target prediction and functional annotations. Nucleic Acids Res 2015;43(Database issue):D146-52. doi: 10.1093/nar/gku1104## ##

تأثیر سرویس پیام کوتاه در الحاق دارویی در بیماران مبتلا به اسکیزوفرنیا The Effect of Short Message Service on Medication Adherence in Patients with Schizophrenia 1 1 مقدمه: اسکیزوفرنیا یک بیماری مزمن و ناتوان کننده است و عدم استفاده از داروها یکی از بزرگ‌ترین مشکلات این بیماران و روانپزشکان می‌باشد. این مطالعه با هدف بررسی تأثیر ارسال پیام کوتاه بر الحاق دارویی بیماران اسکیزوفرن در مقایسه با گروه کنترل انجام شد. روش: تعداد 63 بیمار مبتلا به اسکیزوفرنیا در دو گروه مداخله (32 نفر) و گروه کنترل (31 نفر) قرار گرفتند. گروه مداخله روزانه پیام کوتاه «یادتان باشد داروهایتان را مصرف کنید» روزانه در دو نوبت 8 صبح و 8 شب دریافت می‌کردند. مصرف داروها توسط پرسشنامه سنجش الحاق درمانی (Medication Adherence Rating Scale) MARSدر ابتدای مطالعه، ماه سوم و ششم ارزیابی شد. نتایج: میزان الحاق دارویی در بیماران گروهی که پیامک دریافت کرده بودند، نسبت به گروه کنترل به صورت معنی‌داری در ماه 3 بیشتر بود، ولی در ماه 6 تفاوتی نداشتند. نتیجه‌گیری: با توجه به نتایج به دست آمده در این مطالعه استفاده از پیام یادآور مصرف دارو، یک روش مؤثر و عملی در افزایش الحاق دارویی بیماران مبتلا به اسکیزوفرنیا می‌باشد. 2 Introduction: Schizophrenia is a chronic and disabling mental disorder and medication non-adherence remains a significant challenge for the patients and psychiatrists. The present study aimed to assess the impact of short-message service (SMS) on medication adherence in schizophrenic patients as compared with the control group. Methods: A total of 63 patients with schizophrenia were assigned to the intervention group (N= 32) and the control group (N= 31). The patients in the intervention group received a daily SMS that read, ‘‘Please remember to take your medication” at 8:00am and 8:00pm. Medication adherence was assessed by the self-report Medication Adherence Rating Scale (MARS) at baseline and in the 3rd month, and the 6th month. Results: Patients receiving SMS had a significantly greater improvement in medication adherence compared with the control group in the 3rd month, but there was no significant difference in the 6th month. Conclusion: The results of the present study showed that text message reminder for medication intake is an effective and feasible strategy for enhancing medication adherence in patients with schizophrenia. 390 397 2019/11/142020/06/62020/05/162020/01/27 1398/11/7 2020/04/272020/09/202020/08/102020/03/2 1398/12/12 شهرزاد مظهری Shahrzad Mazhari متخصص اعصاب و روان، استاد، دکترای تخصصی نوروسایکیاتری، مرکز تحقیقات علوم اعصاب، پژوهشکده نوروفارماکولوژی، گروه روانپزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمان، کرمان‌، ایران ایران smazhari@kmu.ac.ir عبدالرضا صباحی Abdolreza Sabahi متخصص اعصاب و روان، دانشیار، گروه روانپزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمان، کرمان‌، ایران ایران abdsabahi@kmu.ac.ir سحر غیاثی نژاد Sahar Ghiasi رزیدنت روانپزشکی، گروه روانپزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمان، کرمان‌، ایران ایران sahar.ghiasi@gmail.com رویا نیکبخت Roya Nikbakht دکترای آمار زیستی، گروه آمار زیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی گلستان، گرگان، ایران ایران rnikbakht@gmail.com Short Message Service (SMS) Schizophrenia Medication Adherence E-Health Cell Phone سرویس پیام کوتاه اسکیزوفرنیا الحاق دارویی سلامت الکترونیک تلفن همراه 1. Pijnenborg GH, Withaar FK, Brouwer WH, Timmerman ME, Van den Bosch RJ, Evans JJ. The efficacy of SMS text messages to compensate for the effects of cognitive impairments in schizophrenia. Br J Clin Psychol 2010;49(Pt 2):259-74. doi: 10.1348/014466509x467828##2. Montes JM, Medina E, Gomez-Beneyto M, Maurino J. A short message service (SMS)-based strategy for enhancing adherence to antipsychotic medication in schizophrenia. Psychiatry Res 2012;200(2-3):89-95. doi: 10.1016/j.psychres.2012.07.034##3. Bellack AS, Bowden CL, Bowie CR, Byerly MJ, Carpenter WT, Copeland LA, et al. The expert consensus guideline series: adherence problems in patients with serious and persistent mental illness. J Clin Psychiatry 2009;70 Suppl 4:1-46.##4. Liu-Seifert H, Osuntokun OO, Godfrey JL, Feldman PD. Patient perspectives on antipsychotic treatments and their association with clinical outcomes. Patient Prefer Adherence 2010; 4: 369–77. doi: 10.2147/ppa.s12461 ##5. Lacro JP, Dunn LB, Dolder CR, Leckband SG, Jeste DV. Prevalence of and risk factors for medication nonadherence in patients with schizophrenia: a comprehensive review of recent literature. J Clin Psychiatry 2002;63(10):892-909. doi: 10.4088/jcp.v63n1007##6. Llorca PM. Partial compliance in schizophrenia and the impact on patient outcomes. Psychiatry Res 2008;161(2):235-47. doi: 10.1016/j.psychres.2007.07.012##7. Barkhof E, Meijer CJ, de Sonneville LM, Linszen DH, de Haan L. Interventions to improve adherence to antipsychotic medication in patients with schizophrenia–a review of the past decade. Eur Psychiatry. 2012;27(1):9-18. doi: 10.1016/j.eurpsy.2011.02.005##8. Goff DC, Hill M, Freudenreich O. Strategies for improving treatment adherence in schizophrenia and schizoaffective disorder. J Clin Psychiatry 2010;71 Suppl 2:20-6. doi: 10.4088/JCP.9096su1cc.04##9. Patrick K, Griswold WG, Raab F, Intille SS. Health and the mobile phone. Am J Prev Med. 2008;35(2):177-81. doi: 10.1016/j.amepre.2008.05.001##10. Christensen H, Hickie IB. E-mental health: a new era in delivery of mental health services. Med J Aust 2010;192(S11):S2-3. doi: 10.5694/j.1326-5377.2010.tb03684.x##11. Smith JC, Schatz BR. Feasibility of mobile phone-based management of chronic illness. AMIA Annu Symp Proc 2010:757-61. ##12. Mäkelä K, Paavola T, Stenman M. Development of short message service application for patient–provider communication in clinical psychiatry. Telemed J E Health 2010;16(7):827-9. doi: 10.1089/tmj.2010.0012##13. van den Berg N, Grabe HJ, Freyberger HJ, Hoffmann W. A telephone-and text-message based telemedical care concept for patients with mental health disorders-study protocol for a randomized, controlled study design. BMC Psychiatry 2011;11:30. doi: 10.1186/1471-244X-11-30##14. Depp CA, Mausbach B, Granholm E, Cardenas V, Ben-Zeev D, Patterson TL, e al. Mobile interventions for severe mental illness: design and preliminary data from three approaches. J Nerv Ment Dis 2010;198(10):715-21. doi: 10.1097/NMD.0b013e3181f49ea3##15. Mazhari S. Sending short message system (SMS) for mental health patients. Iranian Journal of Psychiatry and Clinical Psychology 2013;19(2):156-7. [In Persian]##16. Morisky DE, Green LW, Levine DM. Concurrent and predictive validity of a self-reported measure of medication adherence. Med Care 1986;24(1):67-74. doi: 10.1097/00005650-198601000-00007##17. Kay SR, Fiszbein A, Opler LA. The positive and negative syndrome scale (PANSS) for schizophrenia. Schizophr Bull 1987;13(2):261-76. doi: 10.1093/schbul/13.2.261##18. Granholm E, Ben-Zeev D, Link PC, Bradshaw KR, Holden JL. Mobile Assessment and Treatment for Schizophrenia (MATS): a pilot trial of an interactive text-messaging intervention for medication adherence, socialization, and auditory hallucinations. Schizophr Bull Schizophr Bull 2012;38(3):414-25. doi: 10.1093/schbul/sbr155## ##

آنالیز دینامیکی چرخه ی سلولی مخمر با استفاده از مدل احتمالی مارکوف Dynamical Analysis of Yeast Cell Cycle Using a Stochastic Markov Model 1 1 مقدمه: چرخه سلولی یکی از مهم‌ترین شبکه‌های تنظیمی است که وظیفه کنترل، رشد و تکثیر یک سلول را بر عهده دارد. با توجه به ارتباط بین چرخه سلولی و سرطان و از طرفی پیچیدگی این شبکه به لحاظ تعاملات پیچیده بین ژن‌ها و پروتئین‌های مختلف، لزوم مطالعه آن با استفاده از مدل‌های محاسباتی احساس می‌گردد. شواهد آزمایشگاهی بسیاری وجود رفتار‌های تصادفی در تعاملات بین ژن‌ها و پروتئین‌ها، در شبکه‌های تنظیمی ژنی را تأیید می‌کند. فاکتور‌های ژنتیکی، دینامیک‌های تنظیمی در سطوح میکروسکوپیک، نرخ‌های رونویسی از ژن‌ها و بسیاری عوامل دیگر که وابسته به شرایط محیط می‌باشند، همگی سبب بروز رفتارهای تصادفی در سیستم بیولوژیک می‌شوند. روش: هدف این مطالعه، ارائه یک مدل احتمالی مارکوف برای شبیه‌سازی تعاملات بین پروتئین‌ها در شبکه پیچیده چرخه سلولی مخمر و پیش‌بینی سطح فعالیت پروتئین‌ها است. ارتباط بین وزن تعاملات پروتئین/ژن ها در شبکه چرخه سلولی با احتمالات تغییر فاز با روش آنالیز حساسیت محلی بررسی می‌شود. نتایج: با استفاده از این مدل، احتمال گذار بین فازهای مختلف چرخه سلولی در حضور سطوح مختلف نویز بررسی گردید و اثبات شد مسیر چرخه سلولی بالاترین احتمال را در بین تمام مسیرهای محتمل برای سلول دارد. با انجام آنالیز حساسیت، همبستگی بین وزن تعاملات بین پروتئین‌ها و احتمال گذار بین فازهای مختلف چرخه سلولی محاسبه گردید. نتیجه گیری: با استفاده از نتایج آنالیز حساسیت می‌توان پیش‌بینی کرد مداخلات مختلف در شبکه چه اثری بر احتمال گذار بین فازهای مختلف چرخه سلولی می‌گذارد، لذا فرضیه‌هایی قابل تست در محیط آزمایشگاهی پیشنهاد می‌دهد. مدل این مطالعه پایداری چرخه ی سلولی در حضور سطوح متوسط نویز را اثبات می‌کند. 2 Introduction: The cell cycle network is responsible of control, growth and proliferation of cells. The relationship between the cell cycle network and cancer emergence, and the complex reciprocal interactions between genes/proteins calls for computational models to analyze this regulatory network. Ample experimental data confirm the existence of random behaviors in the interactions between genes and proteins in gene regulatory networks. Genetic factors, regulatory dynamics at the microscopic level, transcription rates of genes, and many other factors that depend on variable environmental conditions cause random behaviors in the cell cycle network. Method: The aim of this study was to present a stochastic Markov model to simulate interactions between proteins in a complex network of fission yeast cell cycle and to predict the dynamics of proteins. We used local sensitivity analysis to investigate the relationship between the weight of protein / gene interactions with the probabilities of phase transition in the cell cycle. Results: Using this model, the probability of transition between different phases of the cell cycle in the presence of different levels of noise was investigated and it was proved that the cell cycle path has the highest probability among all possible pathways for the cell. By performing sensitivity analysis, the correlation between the weight of interactions between proteins and the probability of transition between different phases of the cell cycle was calculated. Conclusion: Our local sensitivity analysis revealed that how perturbation on parameters affect the transition probabilities between subsequent cell cycle phases, so it suggests testable hypotheses in the experimental environments. Also, the model of this study proves the stability of the cell cycle in the presence of moderate levels of noise. 398 412 2019/11/142020/06/62020/05/162020/01/272020/03/9 1398/12/19 2020/04/272020/09/202020/08/102020/03/22020/07/20 1399/4/30 سجاد شفیع خانی Sajad Shafiekhani دانشجوی دکتری، گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران و مرکز تحقیقات فناوری‌های بیومدیکال و رباتیک پزشکی، تهران، ایران ایران sd.shafikhani@yahoo.com اعظم السادات فاطمی Azam Sadat Fatemi کارشناسی ارشد، گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران و مرکز تحقیقات فناوری‌های بیومدیکال و رباتیک پزشکی، تهران، ایران ایران azamfatemi1995@gmail.com گلایل نظری گلپایگانی Gelayol Nazari Golpayegani استادیار، دانشکده مهندسی برق، واحد یادگار امام خمینی (ره) شهرری، دانشگاه آزاد اسلامی، تهران، ایران ایران gelayol.nazari@gmail.com سید یاشار بنی هاشم Seyed Yashar Banihashem استادیار دانشکده مهندسی برق و کامپیوتر، دانشگاه بین المللی امام خمینی (ره)، مرکز آموزش عالی فنی و مهندسی بوئین زهرا ، قزوین، ایران ایران yasharbanihashem@gmail.com امیرهمایون جعفری Amir Homayoun Jafari دانشیار، گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران و مرکز تحقیقات فناوری‌های بیومدیکال و رباتیک پزشکی، تهران، ایران ایران H_jafari@tums.ac.ir Dynamic Cell cycle Fission yeast Markov دینامیک چرخه ی سلولی مخمر فیژن مارکوف 1. Nagano T, Lubling Y, Várnai C, Dudley C, Leung W, Baran Y, et al. Cell-cycle dynamics of chromosomal organization at single-cell resolution. Nature 2017;547(7661):61-7. doi: 10.1038/nature23001##2. Atwell K, Qin Z, Gavaghan D, Kugler H, Hubbard EJ, Osborne JM. Mechano-logical model of C. elegans germ line suggests feedback on the cell cycle. Development 2015;142(22):3902-11. doi: 10.1242/dev.126359##3. Li F, Long T, Lu Y, Ouyang Q, Tang C. The yeast cell-cycle network is robustly designed. Proc Natl Acad Sci U S A 2004;101(14):4781-6. doi: 10.1073/pnas.0305937101##4. Hsiao CJ, Tung P, Blischak JD, Burnett JE, Barr KA, Dey KK, et al. Characterizing and inferring quantitative cell cycle phase in single-cell RNA-seq data analysis. Genome Res 2020;30(4):611-21. doi: 10.1101/gr.247759.118##5. Castro C, Flores DL, Cervantes-Vásquez D, Vargas-Viveros E, Gutiérrez-López E, Muñoz-Muñoz F. An agent-based model of the fission yeast cell cycle. Curr Genet 2019;65(1):193-200. doi: 10.1007/s00294-018-0859-z##6. Hustedt N, Durocher D. The control of DNA repair by the cell cycle. Nature Cell Biology 2017;19(1):1-9. doi: 10.1038/ncb3452##7. Marino S, Hogue IB, Ray CJ, Kirschner DE. A methodology for performing global uncertainty and sensitivity analysis in systems biology. J Theor Biol 2008;254(1):178-96. doi: 10.1016/j.jtbi.2008.04.011##8. Hernansaiz-Ballesteros R, Jenkins K, Csikász-Nagy A. Computational Models of Cell Cycle Transitions. Methods Mol Biol 2018;1819:297-316. doi: 10.1007/978-1-4939-8618-7_14##9. Goss PJ, Peccoud J. Quantitative modeling of stochastic systems in molecular biology by using stochastic Petri nets. Proc Natl Acad Sci U S A 1998;95(12):6750-5. doi: 10.1073/pnas.95.12.6750##10. Sheng T, Cao S, Zhang C, Xu Y. A computational approach to predict tissue level cell cycle regulatory network for normal proliferating and cancer cells. In: Proceedings of the American Association for Cancer Research Annual Meeting; 2017 Apr 1-5; Washington, DC. Philadelphia (PA): AACR; Cancer Res 2017;77(13 Suppl): 5547. doi: 10.1158/1538-7445.AM2017-5547 ##11. Machado D, Costa RS, Rocha M, Ferreira EC, Tidor B, Rocha I. Modeling formalisms in Systems Biology. AMB Express 2011;1:45. doi: 10.1186/2191-0855-1-45##12. Gillespie DT. Exact stochastic simulation of coupled chemical reactions. The Journal of Physical Chemistry 1977;81(25):2340-61. https://doi.org/10.1021/j100540a008##13. Gouveia F, Lynce I, Monteiro PT. Revision of boolean models of regulatory networks using stable state observations. J Comput Biol 2019. doi: 10.1089/cmb.2019.0289##14. Shmulevich I, Kauffman SA. Activities and sensitivities in Boolean network models. Phys Rev Lett 2004; 93(4): 048701. doi: 10.1103/PhysRevLett.93.048701##15. Oles V, Kukushkin A. BoolSi: a tool for distributed simulations and analysis of Boolean networks. arXiv preprint arXiv:1910.03736. ##16. Bornholdt S. Boolean network models of cellular regulation: prospects and limitations. J R Soc Interface. 2008;5 Suppl 1(Suppl 1):S85-94. doi: 10.1098/rsif.2008.0132.focus##17. Mai Z, Liu H. Boolean network-based analysis of the apoptosis network: irreversible apoptosis and stable surviving. J Theor Biol 2009;259(4):760-9. doi: 10.1016/j.jtbi.2009.04.024##18. Daniels BC, Kim H, Moore D, Zhou S, Smith H, Karas B, et al. Logic and connectivity jointly determine criticality in biological gene regulatory networks. arXiv preprint arXiv:1805.01447. 2018 doi: 10.1103/PhysRevLett.121.138102##19. Humaidan D, Breinig F, Helms V. Adding phosphorylation events to the core oscillator driving the cell cycle of fission yeast. PloS one 2018;13(12):e0208515. doi: 10.1371/journal.pone.0208515##20. Marshall W, Kim H, Walker SI, Tononi G, Albantakis L. How causal analysis can reveal autonomy in models of biological systems. Philos Trans A Math Phys Eng Sci 2017; 375(2109): 20160358. doi: 10.1098/rsta.2016.0358##21. Davidich MI, Bornholdt S. Boolean network model predicts cell cycle sequence of fission yeast. PloS one. 2008;3(2):e1672. doi: 10.1371/journal.pone.0001672##22. Elder RT, Yu M, Chen M, Zhu X, Yanagida M, Zhao Y. HIV-1 Vpr induces cell cycle G2 arrest in fission yeast (Schizosaccharomyces pombe) through a pathway involving regulatory and catalytic subunits of PP2A and acting on both Wee1 and Cdc25. Virology 2001;287(2):359-70. doi: 10.1006/viro.2001.1007##23. Novak B, Tyson JJ. Quantitative analysis of a molecular model of mitotic control in fission yeast. Journal of Theoretical Biology 1995;173(3):283-305. https://doi.org/10.1006/jtbi.1995.0063##24. Tyson JJ, Csikasz‐Nagy A, Novak B. The dynamics of cell cycle regulation. Bioessays 2002;24(12):1095-109. doi: 10.1002/bies.10191##25. Hashimoto RF, Stagni H, Higa CH. Budding yeast cell cycle modeled by context-sensitive probabilistic Boolean network. International Workshop on Genomic Signal Processing and Statistics; 2009 May 17-21; Minneapolis, MN, USA: IEEE; 2009. p. 1-4. doi: 10.1109/GENSIPS.2009.5174356##26. Mura I, Csikász-Nagy A. Stochastic Petri Net extension of a yeast cell cycle model. J Theor Biol 2008;254(4):850-60. doi: 10.1016/j.jtbi.2008.07.019##27. Zhang Y, Qian M, Ouyang Q, Deng M, Li F, Tang C. Stochastic model of yeast cell-cycle network. Physica D: Nonlinear Phenomena 2006;219(1):35-9. https://doi.org/10.1016/j.physd.2006.05.009##28. Shafiekhani S, Shafiekhani M, Rahbar S, Jafari AH. Extended robust boolean network of budding yeast cell cycle. J Med Signals Sens 2020;10(2):94-104. doi: 10.4103/jmss.JMSS_40_19## ##

ارائه مدلی برای احراز هویت توزیع شده در یک شبکه سلامت الکترونیک با استفاده از بلاک‌چین A Distributed Authentication Model for an E-Health Network Using Blockchain 1 1 مقدمه: یکی از مهم‌ترین و پرچالش‌ترین حوزه‌های نفوذ فناوری اطلاعات، حوزه بهداشت و سلامت می‌باشد. این نفوذ فراگیر منجر به توسعه شبکه‌های سلامت الکترونیک با تنوع خدمات و کیفیت‌های مختلف شده است. موضوع مدیریت امنیتی، حفظ محرمانگی و یکپارچگی داده و تبادل آن در فضای امن بین طرفین قابل اعتماد، به عنوان چالش شبکه‌های سلامت الکترونیک مطرح می‌باشد. با بررسی‌های انجام شده در مقاله‌های پیشین، ارائه مدلی جامع برای احراز هویت و تبادل امن اطلاعات و کارا به همراه رویکرد توزیع شده و پرهیز از نقطه یگانه شکست که بتواند نیازمندی‌های مختلف شبکه سلامت الکترونیک را پوشش دهد، به عنوان خلأ و نیازی قابل توجه به چشم می‌خورد. در این پژوهش سعی شده است با برطرف کردن محدودیت‌های مقاله‌های پیشین احراز هویت در شبکه سلامت الکترونیک و استفاده از مزایای مدل‌های احراز هویت در حوزه‌های کاربردی مختلف، مدل احراز هویت امنی برای شبکه سلامت الکترونیک معرفی شود. روش: در این مطالعه مدل احراز هویت امن و توزیع شده­ای برای شبکه سلامت با تلفیقی از زیرساخت کلید عمومی و بلاک چین طراحی و کاربردپذیری آن را در قالب یک مصداق (نسخه نویسی الکترونیکی) ارائه شد. نتایج: این مدل نشان داد که تلفیق زیرساخت کلید عمومی به همراه بلاک‌چین می‌تواند احراز هویت امن، دوطرفه، مقیاس‌پذیر و توزیع شده با ویژگی پرهیز از نقطه یگانه شکست برای شبکه سلامت الکترونیک فراهم کند. نتیجه­ گیری: می­توان نتیجه گرفت، برای برطرف کردن نیازمندی‌های امنیتی شبکه سلامت الکترونیک باید به سمت مدل‌های احراز هویت نظیر به نظیر و عدم وابسته به سرور مرکزی رفت و مدل پیشنهادی نشان داد، ترکیب زیرساخت کلید عمومی با بلاک­چین، می‌تواند مزایا و نیازمندی­ های امنیتی را پوشش دهد. 2 Introduction: One of the most important and challenging areas under the influence of information technology is the field of health. This pervasive influence has led to the development of electronic health (e-health) networks with a variety of services of different qualities. The issue of security management, maintaining confidentiality and data integrity, and exchanging it in a secure environment between trusted parties is a challenge for e-health networks. Reviewing previous studies revealed that providing a comprehensive and efficient model for authentication and secure exchange of information with a distributed approach while avoiding the single point of failure, which can meet the various needs of the e-health network, was necessary to fill the gap. In this study, it was attempted to introduce a secure authentication model for the e-health network by overcoming the limitations of previous articles on authentication in the e-health network and using the benefits of authentication models in various fields. Method: In this study, a secure and distributed authentication model was designed for the health network with a combination of blockchain and public-key infrastructure and its usability was presented in the form of an applicable instance (electronic prescribing). Results: This model showed that combining public-key infrastructure with blockchain can provide a secure, two-way, scalable, and distributed authentication with avoiding a single point of failure for the e-Health network. Conclusion: It can be concluded that in order to meet the security requirements of the e-health network, it is necessary to use peer-to-peer authentication models which are not dependent on a central server and the proposed model indicated that combining public-key infrastructure with blockchain can bring benefits and fulfill security requirements.   413 424 2019/11/142020/06/62020/05/162020/01/272020/03/92020/06/22 1399/4/2 2020/04/272020/09/202020/08/102020/03/22020/07/202020/08/10 1399/5/20 شهریار محمدی Shahriar Mohammadi دکتری فناوری اطلاعات، دانشیار، گروه فناوری اطلاعات دانشکده صنایع‌، دانشگاه صنعتی خواجه نصیرالدین طوسی‌، تهران، ایران ایران mohammadi@kntu.ac.ir نازنین قنبری Nazanin Ghanbari دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات‌، گرایش مدیریت سیستم‌های اطلاعاتی، گروه فناوری اطلاعات، دانشگاه صنعتی خواجه نصیرالدین طوسی‌، دانشکده صنایع‌، تهران، ایران ایران n.ghanbari@email.kntu.ac.ir E-Health Authentication Blockchain Public-Key Infrastructure Security سلامت الکترونیک احراز هویت‌ بلاک چین‌ زیرساخت کلید عمومی‌ امنیت 1. Huang P, Li B, Guo L, Jin Z, Chen Y. A robust and reusable ecg-based authentication and data encryption scheme for ehealth systems. Global Communications Conference (GLOBECOM); 2016 4-8 Dec; Washington, DC, USA: IEEE; 2016. p. 1-6. doi: 10.1109/GLOCOM.2016.7841541##2. Thakur M. Authentication, authorization and accounting with Ethereum block chain [dissertation]. Finland: University of Helsinki: 2017.##3. Cao S, Zhang G, Liu P, Zhang X, Neri F. Cloud-assisted secure eHealth systems for tamper-proofing EHR via blockchain. Information Sciences 2019;485:427-40.##4. Elmufti K, Weerasinghe D, Rajarajan M, Rakocevic V, Khan S. Timestamp authentication protocol for remote monitoring in ehealth. Second International Conference on Pervasive Computing Technologies for Healthcare; 2008 Jan- Feb 30-1; Tampere, Finland: IEEE; 2008. p. 73-6. doi: 10.1109/PCTHEALTH.2008.4571031##5. Thiranant N, Lee H. A design of security framework for eHealth authentication system using QR Code. Advanced Science and Technology Letters 2013;38:32-5. doi: 10.14257/astl.2013.38.07##6. Wetzels M, Ayoola I, Bogers S, Peters P, Chen W, Feijs L. Consume: A privacy-preserving authorisation and authentication service for connecting with health and wellbeing APIs. Pervasive and Mobile Computing 2018;43:20-6. https://doi.org/10.1016/j.pmcj.2017.11.002##7. Wang X, Bai L, Yang Q, Wang L, Jiang F. A dual privacy-preservation scheme for cloud-based eHealth systems. Journal of Information Security and Applications 2019;47:132-8. https://doi.org/10.1016/j.jisa.2019.04.010##8. Farahani B, Firouzi F, Chang V, Badaroglu M, Constant N, Mankodiya K. Towards fog-driven IoT eHealth: Promises and challenges of IoT in medicine and healthcare. Future Generation Computer Systems 2018;78:659-76. https://doi.org/10.1016/j.future.2017.04.036##9. Al Omar A, Rahman MS, Basu A, Kiyomoto S. Medibchain: A blockchain based privacy preserving platform for healthcare data. The 10th International Conference on Security, Privacy and Anonymity in Computation, Communication and Storage 2017 Dec 12; Guangzhou, China: Springer, Cham; 2017. p. 534-43. doi: 10.1007/978-3-319-72395-2_49##10. Yakubov A, Shbair W, Khan N, Medinger C, Hilger J. BlockPGP: A Blockchain-based Framework for PGP Key Servers. International Journal of Networking and Computing 2020;10(1):1-24. doi: 10.15803/ijnc.10.1_1##11. Wetzels M, Ayoola I, Bogers S, Peters P, Chen W, Feijs L. Consume: A privacy-preserving authorisation and authentication service for connecting with health and wellbeing APIs. Pervasive and Mobile Computing 2018;43:20-6.##12. Lin C, He D, Huang X, Choo KK, Vasilakos AV. BSeIn: A blockchain-based secure mutual authentication with fine-grained access control system for industry 4.0. Journal of Network and Computer Applications 2018;116:42-52. https://doi.org/10.1016/j.jnca.2018.05.005##13. Ourad AZ, Belgacem B, Salah K. Using blockchain for IOT access control and authentication management. In Internet of Things 2018 Jun 25 Springer; 2018. p. 150-64. doi: 10.1007/978-3-319-94370-1_11##14. Suralkar S, Udasi S, Gagnani S, Tekwani M, Bhatia M. E-Voting Using Blockchain With Biometric Authentication. International Journal of Research and Analytical Reviews 2019; 6(1): 72-81.##15. Pal O, Alam B, Thakur V, Singh S. Key management for blockchain technology. ICT Express 2019. https://doi.org/10.1016/j.icte.2019.08.002##16. Kabra N, Bhattacharya P, Tanwar S, Tyagi S. MudraChain: Blockchain-based framework for automated cheque clearance in financial institutions. Future Generation Computer Systems 2020;102:574-87. https://doi.org/10.1016/j.future.2019.08.035##17. Prakasha K, Gowda P, Acharya V, Muniyal B, Khandelwal M. Enhanced Authentication and Key Agreement Mechanism Using PKI. 9th International Conference on Applications and Techniques in Information Security; 2018 Nov 9; Nanning, China: Springer: Singapore; 2018. p. 40-51. doi: 10.1007/978-981-13-2907-4_4##18. Wang J, Wu L, Choo KK, He D. Blockchain-based anonymous authentication with key management for smart grid edge computing infrastructure. IEEE Transactions on Industrial Informatics 2019;16(3):1984-92. doi: 10.1109/TII.2019.2936278##19. Norta A, Matulevičius R, Leiding B. Safeguarding a formalized blockchain-enabled identity-authentication protocol by applying security risk-oriented patterns. Computers & Security 2019;86:253-69. doi: 10.1016/J.COSE.2019.05.017##20. Rahim K, Tahir H, Ikram N. Sensor based puf iot authentication model for a smart home with private blockchain. International Conference on Applied and Engineering Mathematics; 2018 4-5 Sep; Taxila, Pakistan: IEEE; 2018. p. 102-8. doi: 10.1109/ICAEM.2018.8536295##21. Zeb K, Saleem K, Al Muhtadi J, Thuemmler C. U-prove based security framework for mobile device authentication in eHealth networks. 18th International Conference on e-Health Networking, Applications and Services (Healthcom) 2016 Sep 14-16; Munich, Germany: IEEE; 2016. p. 1-6. doi: 10.1109/HealthCom.2016.7749518##22. Conti M, Hassan M, Lal C. BlockAuth: BlockChain based distributed producer authentication in ICN. Computer Networks 2019;164:106888. https://doi.org/10.1016/j.comnet.2019.106888##23. Khan MA, Salah K. IoT security: Review, blockchain solutions, and open challenges. Future Generation Computer Systems 2018;82:395-411. https://doi.org/10.1016/j.future.2017.11.022##24. Sahi A, Lai D, Li Y. Security and privacy preserving approaches in the eHealth clouds with disaster recovery plan. Comput Biol Med 2016. ## 25. Slagell A, Bonilla R, Yurcik W. A survey of PKI components and scalability issues. In2006 IEEE International Performance Computing and Communications Conference; 2006 Apr 10—12; Phoenix, AZ, USA: IEEE; 2006. p. 10. doi: 10.1109/.2006.1629442## ##

طراحی و ایجاد نرم‌افزار مبتنی بر تلفن همراه جهت شناسایی، پیشگیری و کنترل شپش سر و بررسی میزان رضایتمندی کاربران آن Design and Development of a Mobile-Based Application for Identification, Prevention, and Control of Head Lice and Survey of User Satisfaction 1 1 مقدمه: استفاده از تلفن همراه یکی از روش‌های بالا بردن دانش و آگاهی افراد است. این مطالعه با هدف طراحی و ایجاد نرم‌افزار مبتنی بر تلفن همراه «شناسایی، پیشگیری و کنترل شپش سر» و همچنین بررسی میزان رضایتمندی از این نرم‌افزار آموزشی را در بین کاربران مورد بررسی قرار داده است. روش: این مطالعه توصیفی- مقطعی در دو مرحله طراحی و ایجاد نرم‌افزار آموزشی شپش سر و بررسی میزان رضایتمندی با استفاده از پرسشنامه الکترونیکی در بین 140 نفر از کاربران انجام شد. در نهایت داده‌ها توسط نرم‌افزار SPSS نسخه 24 و با استفاده از شاخص‌های آمار توصیفی تحلیل شدند. نتایج: یافته‌های توصیفی این مطالعه نشان داد که 61/4 درصد کاربران شرکت کننده در مطالعه زن، 45/8 درصد در گروه سنی 20 تا 30 سال و 42/1 درصد دارای مدرک تحصیلی دیپلم بودند. همچنین یافته‌ها نشان داد که بیش از 95 درصد فهم مطالب علمی موجود در نرم‌افزار را آسان و اطلاعات ارائه شده در آن را به روز می‌دانستند. به طور کلی نتایج نشان داد که 81 درصد از کاربران در این پژوهش استفاده از این نرم‌افزار آموزشی را نسبت به مطالعه متون در هنگام مواجهه با مشکل آلودگی شپش سر ترجیح می‌دادند و تأثیر استفاده از اطلاعات آموزشی این نرم‌افزار مبتنی بر تلفن همراه در سطح بالایی (61 درصد) گزارش شد. نتیجه‌گیری: استفاده از این نرم‌افزار آموزشی به جامعه هدف از جمله خانواده‌های درگیر شپش سر، معلمین مدارس، کارشناسان مراکز بهداشتی و دانشجویان دانشگاه‌های علوم پزشکی توصیه می‌شود. 2 Introduction: Using mobile phones is one of the ways to increase people's knowledge and awareness. The objective of this study was to design and develop a mobile-based application for “identification, prevention, and control of head lice” and also to assess the satisfaction of mobile users with this educational application. Method: This descriptive cross-sectional study was conducted in two stages including design and development of an educational application for head lice and assessment of the level of satisfaction among 140 users using electronic questionnaires. Finally, the data were analyzed by SPSS software (version 24) using descriptive statistics indices. Results: The descriptive findings of this study showed that 61.4% of users participating in the study were women, 45.8% of them were in the age group of 20 to 30 years, and 42.1% had high school diploma. Moreover, more than 95% of users stated that the scientific content in the application was easy to understand and the data were up-to-date. Overall, the results revealed that 81% of users in this study preferred to use this educational application over reading texts when exposed to head lice infestation and the effect of using the educational information of this mobile-based application was reported to be at high level (61%). Conclusion: The target population including families involved with head lice, school teachers, health center experts, and medical students are recommended to use this educational application.   425 434 2019/11/142020/06/62020/05/162020/01/272020/03/92020/06/222020/04/25 1399/2/6 2020/04/272020/09/202020/08/102020/03/22020/07/202020/08/102020/06/21 1399/4/1 اسماعیل علیزاده Ismaeil Alizadeh کارشناس ارشد حشره‌شناسی پزشکی و مبارزه با ناقلین، گروه بیولوژی و کنترل ناقلین بیماری‌ها، دانشکده بهداشت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران ismaeil.alizadeh@gmail.com محمد امین گروهی Mohammad Amin Gorouhi دکترای تخصصی حشره‌شناسی پزشکی و مبارزه با ناقلین، استادیار، گروه بیولوژی و کنترل ناقلین بیماری‌ها، دانشکده بهداشت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران amin_gruhi@yahoo.com عباس آقایی افشار Abbas Aghaei Afshar دکترای تخصصی حشره‌شناسی پزشکی و مبارزه با ناقلین، دانشیار، مرکز تحقیقات لیشمانیوز، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران abassaghaeiafshar@gmail.com ایمان میر Iman Mirr کارشناس ارشد آمار زیستی، مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، دانشگاه علوم پزشکی لرستان، لرستان، ایران ایران imanmirr@yahoo.com Head Lice Identification Prevention Control Application Mobile شپش سر شناسایی پیشگیری کنترل نرم‌افزار تلفن همراه 1. Rozendaal J. Vector control. Methods for use by individuals and communities. Geneva: World Health Organization; 1997.##2. Ministry of Health and Medical Education. Iranian National Guidelines For Pediculosis. Infectious Disease Management Center, Office of Population, Family and School Health. Tehran; 2014. Available from: Http://Bzhc.Qums.Ac.Ir/Portal/File/?311396/%D8%Af%D8%B3%D8%Aa%D9%88%D8%B1%D8%A7%D9%84%D8%B9%D9%85%D9%84%D9%Be%D8%Af%D9%8a%Da%A9%D9%84%D9%88%D8%B2-2.Pdf. [In Persian]##3. Zahirnia A, Taherkhani H, Bathaii S. A Comparative Study On The effectiviness of three different shampooes in treatment of head lice (Pediculus Capitis) in primery school-children in Hamadan province, Iran 2000-2001. Journal of Mazandaran University of Medical Sciences 2005;15(49):16-25. [In Persian]##4. Farzinia B, Bojd A, Karami S, Jafari T. Epidemiology Of Pediculosis Capitis In Female Primary School Pupils Qom. Hormozgan Medical Journal 2004;8(2):103-8. [In Persian]##5. Nazari Kamal M, Samouei R, Sarafzade S, Ghaebi N, Moradi F, Moradzadeh M. The effect of education via mobile phones on procrastination of iranian users: designing a treatment aid application. Journal of Health and Biomedical Informatics 2018;5(2):286-92. [In Persian]##6. Naderi F, Ayati M, Zare Bidaki M, Akbari Bourang M. The effect of mobile learning on metacognitive self-regulation and attitudes of students of allied health sciences. Iranian Journal of Medical Education 2014;13(12):1001-10. [In Persian]##7. Masic I, Baljic R, Alajbegovic J, Izetbegovic S. Knowledge, Attitudes and Practices Concerning Application of Information and Communication (ICT) Technologies by Students of Biomedical Faculties in Sarajevo. Health Inf Manage 2013; 10(4): 528-37. [In Persian]##8. Free C, Phillips G, Watson L, Galli L, Felix L, Edwards P, et al. The effectiveness of mobile-health technologies to improve health care service delivery processes: a systematic review and meta-analysis. PLoS Med 2013;10(1):e1001363. doi: 10.1371/journal.pmed.1001363##9. Alizadeh I, Gorouhi MA, Aghaei Afshar A, Hayati R, Mirr I. Satisfaction of mobile users with mobile application" identification, prevention, and control of bed bugs": designing and developing mobile health application. Journal of Health and Biomedical Informatics 2019;6(1):24-31. [In Persian]##10. Safdari R, Hasan Nejadasl H, Rostam Niakan-Kalhori S, Nikmanesh B. Design and evaluation of mobile based self-management system for tuberculosis. Journal of Payavard Salamat 2018;12(3):230-8. [In Persian]##11. Ghazisaeedi M, Sheikhtaheri A, Dalvand H, Safari A. Design and evaluation of an applied educational smartphone-based program for caregivers of children with cerebral palsy. Journal of Clinical Research in Paramedical Sciences 2015;4(2):128-39. [In Persian]##12. Chakravarthy AK. Innovative Pest Management Approaches for the 21st Century. Berlin: Springer; 2020.##13. Laktabai J, Platt A, Menya D, Turner EL, Aswa D, Kinoti S, et al. A mobile health technology platform for quality assurance and quality improvement of malaria diagnosis by community health workers. PLoS One 2018;13(2):e0191968. doi: 10.1371/journal.pone.0191968##14. Meankaew P, Kaewkungwal J, Khamsiriwatchara A, Khunthong P, Singhasivanon P, Satimai W. Application of mobile-technology for disease and treatment monitoring of malaria in the "Better Border Healthcare Programme". Malar J 2010;9:237. doi: 10.1186/1475-2875-9-237##15. Lee RG, Hsiao CC, Chen KC, Liu MH. An intelligent diabetes mobile care system with alert mechanism. Biomedical Engineering: Applications, Basis and Communications. 2005;17(4):186-92. https://doi.org/10.4015/S1016237205000299##16. Malasanos T. ANALYSIS: mobile phones integrated into diabetes management: a logical progression. J Diabetes Sci Technol 2008; 2(1): 154–5. doi: 10.1177/193229680800200123##17. Nasiri M, Nasiri M, Adarvishi S, Hadigol T. The effectiveness of teaching anatomy by mobile phone compared with its teaching by lecture. Journal of Medical Education Development 2014;7(14):94-103. [In Persian]##18. Habibzadeh M, Gazarani A, Sadeghi R, Mahzoun A, Editors. Investigating The effect of using surgical instruments software in facilitating training rooms for operating room students. First National Conference on Methods of Teaching and Learning in the Area and University; 2014 May 20-21; Bojnurd: Payam Noor University; 2014. [In Persian]##19. Papzan A, Soleymani A. Comparing cell phone-based and traditional lecture-based teaching methods'effects on agricultural students'learning. Information and Communication Technology in Educational Sciences 2010;1(1):55-65. [In Persian]## ##

پیاده‌سازی و بهینه‌سازی مرحله حاشیه‌نویسی و تفسیر داده‌های نسل نوین توالی‌یابی برای بیماری ناشنوایی غیر‌سندرمیک اتوزومی مغلوب Implementation and Optimization of Annotation and Interpretation Step of Next-Generation Sequencing Data for Non-Syndromic Autosomal Recessive Hearing Loss 1 1 مقدمه: دقت و زمان لازم برای آنالیز داده‌های نسل نوین توالی‌یابی (NGS) بسته به ابزارهای استفاده شده برای هم‌ترازی، فراخوانی واریانت، حاشیه‌نویسی، اولویت‌بندی و فیلترینگ واریانت‌ها، تسلط افراد به تحلیل و تفسیر داده‌ها و ظرفیت محاسباتی آزمایشگاه متفاوت بوده و بهینه‌سازی آن یک مسئله چالش برانگیز است. روش: یک نرم‌افزار کاربردی به منظور بهینه‌سازی مرحله‌ سوم آنالیز داده‌های NGS طراحی و با زبان برنامه‌نویسی C# پیاده‌سازی شد. در این مطالعه روند حاشیه‌نویسی، فیلترینگ و تفسیر داده‌های NGS برای بیماری ناشنوایی غیرسندرمیک با وراثت اتوزومی مغلوب به طور اختصاصی بهینه شده است. نتایج: داده مربوط به بیماری که دارای یک جهش بیماری‌زای تأیید شده توسط آنالیز ژنتیکی فامیلی بود و تعداد واریانت‌های اولیه در فایل حاصل از آنالیز مراحل اولیه وی شامل 671829 واریانت می‌شد توسط نرم‌افزار پیاده‌سازی شده مورد تحلیل قرار گرفت. بعد از انجام مرحله‌ اولویت بندی خودکار واریانت‌ها با استفاده از فایل BED، تعداد واریانت‌ها 508 شد. با توجه به شجره‌ی خانوادگی بیمار در مرحله بعدی آنالیز واریانت‌های هوموزیگوت انتخاب شدند و به این ترتیب تعداد واریانت‌ها به 187 رسید. بعد از اعمال آستانه فراوانی جمعیتی 0/6% در پایگاه‌های داده genomAD و ExAC تعداد واریانت‌های باقی‌مانده به ترتیب 110 و 3 واریانت شد. پاتوژن شناسایی شده نهایی با نتیجه‌ی توالی‌یابی سنگر که به منظور بررسی هم‌تفکیکی  واریانت مورد نظر در خانواده انجام شده بود، همخوانی داشت. مدت زمان آنالیز توسط نرم‌افزار طراحی شده بر روی یک کامپیوتر شخصی متوسط 15 دقیقه بود. نتیجه‌گیری: نرم‌افزار طراحی شده کاملاً گرافیکی و بدون نیاز به کدنویسی است که علاوه بر قابلیت مقایسه و یکپارچه کردن فایل‌های ورودی، امکان ایجاد یک دیتابیس داخلی از فایل‌های آنالیز شده، امکان اعمال محدودیت ناحیه آنالیز و آستانه‌گذاری بر فیلدهای مختلف پایگاه‌های داده‌ انتخابی توسط کاربر را دارد. 2 Introduction: The precision and time required for analysis of data in next-generation sequencing (NGS) depends on many factors including the tools utilized for alignment, variant calling, annotation and filtering of variants, personnel expertise in data analysis and interpretation, and computational capacity of the lab and its optimization is a challenging task.  Method: An application software was designed and implemented in C# for optimizing the third step of NGS data analysis. In this study, annotation, filtering, and interpretation of NGS data were specifically optimized for non-syndromic autosomal recessive hearing loss disease. Results: Whole-exome sequencing data of a patient with a pathogenic mutation confirmed by familial genetic analysis, which contained a total number of 671829 variants after primary analysis, were evaluated by the implemented software. After filtering the variants based on a predefined BED file, 508 variants remained. According to the patient’s pedigree, in the next step of analysis, homozygote variants were selected and only 187 variants remained. After applying the population frequency threshold of 0.6% on gnomeAD and ExAC databases, the number of variants reached 110 and 3, respectively. The identified pathogen was approved by the results of Sanger sequencing done for family co-segregation. This analysis took about 15 minutes on a moderate PC. Conclusion: The designed software is a fully graphical one that has the capability of comparing, viewing, filtering, and merging input files without any coding. Moreover, it can construct a local database from the analyzed files and apply region constraints and user-defined thresholds on various fields of the database. 435 444 2019/11/142020/06/62020/05/162020/01/272020/03/92020/06/222020/04/252020/02/4 1398/11/15 2020/04/272020/09/202020/08/102020/03/22020/07/202020/08/102020/06/212020/06/21 1399/4/1 مهدی شاه حسینی Mehdi Shahhoseini کارشناسی ارشد مهندسی پزشکی- بیوالکتریک، گروه بیوانفورماتیک، دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران mahdi_sh1387@yahoo.com نیوشا مولوی Newsha Molavi کارشناسی ارشد ژنتیک انسانی، گروه ژنتیک و بیولوژی مولکولی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران newmolavi@gmail.com محمدامین طباطبائی‌فر Mohammad Amin Tabatabaiefar دکتری تخصصی ژنتیک پزشکی، دانشیار، گروه ژنتیک و بیولوژی مولکولی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران tabatabaiefar@gmail.com محمدرضا صحتی Mohammadreza Sehhati دکتری تخصصی مهندسی پزشکی- بیوالکتریک، استادیار، گروه بیوانفورماتیک، دانشکده فناوری‌های نوین پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران mr.sehhati@gmail.com Next-Generation Sequencing Annotation Variant Effect Variant Filtering نسل نوین توالی‌یابی حاشیه‌نویسی تعیین اثر واریانت فیلترینگ واریانت‌ها 1. Koohiyan M, Azadegan-Dehkordi F, Koohian F, Hashemzadeh-Chaleshtori M. Genetics of Hearing Loss in North Iran Population: An Update of Spectrum and Frequency of GJB2 Mutations. J Audiol Otol 2019;23(4):175-80. doi: 10.7874/jao.2019.00059##2. Falah M, Houshmand M, Balali M, Asghari A, Bagher Z, Alizadeh R, et al. Role of GJB2 and GJB6 in Iranian Nonsyndromic Hearing Impairment: From Molecular Analysis to Literature Reviews. Fetal Pediatr Pathol 2020;39(1):1-12. doi: 10.1080/15513815.2019.1627625##3. Korver AM, Smith RJH, Van Camp G, Schleiss MR, Bitner-Glindzicz MAK, Lustig LR, et al. Congenital hearing loss. Nat Rev Dis Primers 2017;3:16094. doi: 10.1038/nrdp.2016.94##4. Ahmed ZM, Riazuddin S, Ahmad J, Bernstein SL, Guo Y, Sabar MF, et al. P PCDH15 is expressed in the neurosensory epithelium of the eye and ear and mutant alleles are responsible for both USH1F and DFNB23. Hum Mol Genet 2003;12(24):3215-23. doi: 10.1093/hmg/ddg358##5. Behlouli A, Bonnet C, Abdi S, Bouaita A, Lelli A, Hardelin JP, et al. EPS8, encoding an actin-binding protein of cochlear hair cell stereocilia, is a new causal gene for autosomal recessive profound deafness. Orphanet J Rare Dis 2014; 9: 55. doi: 10.1186/1750-1172-9-55##6. Ben Said M, Grati M, Ishimoto T, Zou B, Chakchouk I, Ma Q, et al. A mutation in SLC22A4 encoding an organic cation transporter expressed in the cochlea strial endothelium causes human recessive non-syndromic hearing loss DFNB60. Hum Genet. 2016;135(5):513–24. doi: 10.1007/s00439-016-1657-7##7. Booth KT, Azaiez H, Kahrizi K, Simpson AC, Tollefson WTA, Sloan CM, et al. PDZD7 and hearing loss: More than just a modifier. Am J Med Genet A 2015;167A(12):2957-65. doi: 10.1002/ajmg.a.37274##8. Schaafsma GCP, Vihinen M. VariOtator, a Software Tool for Variation Annotation with the Variation Ontology. Hum Mutat 2016;37(4):344-9. doi: 10.1002/humu.22954##9. Kopanos C, Tsiolkas V, Kouris A, Chapple CE, Albarca Aguilera M, Meyer R, et al. VarSome: the human genomic variant search engine. Bioinformatics 2019;35(11):1978-80. doi: 10.1093/bioinformatics/bty897##10. Krunic M, Venhuizen P, Müllauer L, Kaserer B, von Haeseler A. VARIFI-Web-Based Automatic Variant Identification, Filtering and Annotation of Amplicon Sequencing Data. J Pers Med 2019;9(1):10. doi: 10.3390/jpm9010010##11. Chang X, Wang K. wANNOVAR: annotating genetic variants for personal genomes via the web. J Med Genet 2012;49(7):433-6. doi: 10.1136/jmedgenet-2012-100918##12. Wang K, Li M, Hakonarson H. ANNOVAR: functional annotation of genetic variants from high-throughput sequencing data. Nucleic Acids Res 2010;38(16):e164. doi: 10.1093/nar/gkq603##13. Cingolani P, Platts A, Wang LL, Coon M, Nguyen T, Wang L, et al. A program for annotating and predicting the effects of single nucleotide polymorphisms, SnpEff: SNPs in the genome of Drosophila melanogaster strain w1118; iso-2; iso-3. Fly (Austin) 2012;6(2):80-92. doi: 10.4161/fly.19695##14. Biesecker LG. Opportunities and challenges for the integration of massively parallel genomic sequencing into clinical practice: lessons from the ClinSeq project. Genet Med 2012;14(4):393-8. doi: 10.1038/gim.2011.78## ##

بررسی وضعیت امنیت سیستم‌های ذخیره و انتقال تصاویر (PACS) دانشگاه علوم پزشکی کرمان جهت ثبت داده‌های بیماران COVID-19 Assessing the Security Status of Picture Archiving and Communication Systems (PACS) of Kerman University of Medical Sciences to Record Data of COVID-19 Patients 1 1 مقدمه: امروزه استفاده از سیستم ذخیره و انتقال تصاویر پزشکی (PACS) در مراکز درمانی روز به روز در حال افزایش است. در این بین امنیت داده‌های بیماران مبتلا به COVID-19 در این سیستم و کنترل دسترسی به این داده‌ها از اهمیت بالایی برخوردار است. در این مطالعه به ارزیابی وضعیت امنیت سیستم‌های ذخیره و انتقال تصاویر پزشکی جهت ثبت داده‌های بیماران COVID-19 در مراکز درمانی وابسته به دانشگاه علوم پزشکی کرمان پرداخته شد. روش: مطالعه حاضر یک مطالعه مقطعی است که در سال 1399 انجام شد. جامعه پژوهش مسئولین فناوری اطلاعات در مراکز درمانی وابسته به دانشگاه علوم پزشکی کرمان بودند. داده‌های پژوهش با استفاده از چک ‌لیست IHS HIPAA Security Checklist برای سه نوع سیستم PACS در 12مرکز درمانی دانشگاه علوم پزشکی کرمان جمع‌آوری گردید. داده‌ها در نرم‌افزار SPSS نسخه 24 و با استفاده از آمار توصیفی و آزمون رگرسیون خطی برای سنجش ارتباط بین ابعاد مدیریتی، فیزیکی و فنی سیستم تجزیه و تحلیل گردید. نتایج: در این مطالعه 50% از شرکت‌کنندگان زن و 58% از آنان دارای سابقه کار بالای 5 سال بودند. نتایج پژوهش حاضر نشان داد بیشترین چالش در بعد فنی و کمترین چالش در بعد فیزیکی بود. بین ابعاد مدیریتی و فیزیکی (0/05 P<) ارتباط معنی‌داری وجود داشت. نتیجه‌گیری: وضعیت امنیت در سیستم‌های PACS دارای نقاط ضعفی است که برنامه‌ریزی جهت تدوین قوانین لازم پیرامون امنیت دسترسی به داده‌های بیماران مبتلا به COVID-19 و رعایت آن توسط شرکت‌های پشتیبان سیستم‌، آموزش کاربران، کنترل دسترسی و مدیریت خطر لازم و ضروری به نظر می‌رسد. 2 Introduction: Today, the use of picture archiving and communication system (PACS) in health care centers is increasing. Meanwhile, the security of data of patients with COVID-19 in this system and control of access to such data is considerably significant. Therefore, this study aimed to evaluate the security of medical picture archiving and communication systems for recording data of COVID-19 patients in health care centers affiliated to Kerman University of Medical Sciences. Method: The present study was a cross-sectional one conducted in 2020. The research population included information technology staff in health care centers affiliated to Kerman University of Medical Sciences. Data were collected using IHS HIPAA Security Checklist for three types of PACS systems in 12 health care centers of Kerman University of Medical Sciences. Data were analyzed via SPSS software version 24 using descriptive statistics and linear regression to measure the relationship between administrative, physical, and technical dimensions of the system. Results: In this study, 50% of the participants were female and 58% of them had more than 5 years of work experience. The results of the present study showed that the most significant challenge in the security of PACS systems was in the technical dimension and the least significant was in the physical dimension. Moreover, there was a significant relationship between administrative and physical dimensions (P <0.05). Conclusion: The security status of PACS has weaknesses and it seems necessary to plan so as to develop the necessary laws regarding the security of access to data of patients with COVID-19 and its observance by system support companies, user training, access control, and risk management. 445 452 2019/11/142020/06/62020/05/162020/01/272020/03/92020/06/222020/04/252020/02/42020/07/16 1399/4/26 2020/04/272020/09/202020/08/102020/03/22020/07/202020/08/102020/06/212020/06/212020/07/27 1399/5/6 مهدیه منتظری Mahdieh Montazeri دانشجوی دکترای انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mahdiehmontazeri@yahoo.com حمید رضا ناجی Hamidreza Naji دکترای کامپیوتر، گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران ایران h.naji@kgut.ac.ir اسما جنتی Asma Janati کارشناس ارشد کامپیوتر، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران asma,janati@gmail.com Data Security Picture Archiving and Communication System (PACS) Assessment IHS HIPAA Security Checklist COVID-19 امنیت داده‌ سیستم ذخیره و انتقال تصاویر پزشکی ارزیابی IHS HIPAA Security Checklist COVID-19 1. Liu Y, Wang J. PACS and Digital Medicine: Essential Principles and Modern Practice 1st ed. Boca Raton, Florida, United States CRC Press; 2010.##2. Paré G, Trudel MC. Knowledge barriers to PACS adoption and implementation in hospitals. Int J Med Inform 2007;76(1):22-33. doi: 10.1016/j.ijmedinf.2006.01.004##3. Faggioni L, Neri E, Castellana C, Caramella D, Bartolozzi C. The future of PACS in healthcare enterprises. Eur J Radiol 2011;78(2):253-8. doi: 10.1016/j.ejrad.2010.06.043##4. Montgomery RA, Hresko MT, Kalish LA, Gold M, Li Y, Haus B, et al. Spondylolisthesis: intra-rater and inter-rater reliabilities of radiographic sagittal spinopelvic parameters using standard picture archiving and communication system measurement tools. Spine Deformity 2013;1(6):412-8. https://doi.org/10.1016/j.jspd.2013.07.008##5. Mahadeva D, Dias R, Deshpande S, Datta A, Dhillon S, Simons A. The reliability and reproducibility of the Neer classification system–digital radiography (PACS) improves agreement. Injury 2011;42(4):339-42. doi: 10.1016/j.injury.2010.02.002##6. Yu TY, Ho HH. The design and development of a physician-oriented PACS for the enhancement of e-hospital facilities. International Journal of Medical Informatics. 2008;77(12):836-47. https://doi.org/10.1016/j.ijmedinf.2008.05.006##7. Fridell K, Aspelin P, Edgren L, Lindsköld L, Lundberg N. PACS influence the radiographer's work. Radiography. 2009;15(2):121-33. https://doi.org/10.1016/j.radi.2008.03.002##8. Armbrust LJ. PACS and image storage. Vet Clin North Am Small Anim Pract 2009;39(4):711-8. doi: 10.1016/j.cvsm.2009.04.004##9. Hurlen P, Borthne A, Dahl FA, Østbye T, Gulbrandsen P. Does PACS improve diagnostic accuracy in chest radiograph interpretations in clinical practice? Eur J Radiol 2012;81(1):173-7. doi: 10.1016/j.ejrad.2010.08.043##10. Faggioni L, Neri E, Cerri F, Turini F, Bartolozzi C. Integrating image processing in PACS. Eur J Radiol 2011;78(2):210-24. doi: 10.1016/j.ejrad.2009.06.022##11. Cruz-Cunha MM, Varajão J, Martinho R, Rijo R, Schubert P, Boonstra A, et al. Book of Industry Papers, Poster Papers and Abstracts of the CENTERIS. Conference on Enterprise Information Systems/ ProjMAN 2015 - International Conference on Project MANagement / HCist 2015 - International Conference on Health and Social Care Information Systems and Technologies; 2015 Oct 7-9; Vilamoura, Portugal; 2015.##12. Pan Y, Guan H. Imaging changes in patients with 2019-nCov. Eur Radiol 2020; 3612–3. https://doi.org/10.1007/s00330-020-06713-z##13. Xiong Y, Sun D, Liu Y, Fan Y, Zhao L, Li X, et al. Clinical and high-resolution CT features of the COVID-19 infection: comparison of the initial and follow-up changes. Invest Radiol 2020;55(6):332-9. doi: 10.1097/RLI.0000000000000674##14. Kim H. Outbreak of novel coronavirus (COVID-19): What is the role of radiologists? Eur Radiol 2020;30(6):3266-7. doi: 10.1007/s00330-020-06748-2##15. Fernando JI, Dawson LL. The health information system security threat lifecycle: An informatics theory. Int J Med Inform 2009;78(12):815-26. doi: 10.1016/j.ijmedinf.2009.08.006##16. Pianykh OS. Digital imaging and communications in medicine (DICOM): a practical introduction and survival guide. Berlin: Springer; 2009. doi:10.1007/978-3-642-10850-1##17. Security GoRARutH [cited 2020 Apr 20]. Available from: http://www.Ihs.gov/ocr/privacy/hipaa/ RAa, 20 asrpA, 2020 A, ##18. Results S, Results W. IHS HIPAA Security Checklist hwigshtrdodIHSCp [cited 2020 Apr 20]. Available from: https://www.ihs.gov/sites/hipaa/themes/responsive2017/display_objects/documents/IHS_HIPAA_Security_Checklist.pdf##19. Alalawi ZM, Eid MM, Albarrak AI. Assessment of picture archiving and communication system (PACS) at three of ministry of health hospitals in Riyadh region–Content analysis. J Infect Public Health 2016;9(6):713-24. doi: 10.1016/j.jiph.2016.09.004##20. Odhiambo-Otieno GW. Evaluation criteria for district health management information systems: lessons from the Ministry of Health, Kenya. Int J Med Inform. 2005;74(1):31-8. doi: 10.1016/j.ijmedinf.2004.09.003##21. Ahmadian L, Khajouei R, Nejad SS, Ebrahimzadeh M, Nikkar SE. Prioritizing barriers to successful implementation of hospital information systems. J Med Syst 2014;38(12):151. doi: 10.1007/s10916-014-0151-9##22. Rohaya MN. Medical imaging trends and implementation: Issues and challenges for developing countries. Journal of Health Informatics in Developing Countries 2011;5(1).##23. Berkowitz SJ, Wei JL, Halabi S. Migrating to the modern PACS: challenges and opportunities. RadioGraphics 2018;38(6):1761-72. https://doi.org/10.1148/rg.2018180161##24. Khajouei R, Jahromi ME, Ameri A. Challenges of Implementing Picture Archiving and Communication System in Multiple Hospitals: Perspectives of Involved Staff and Users. J Med Syst 2019;43(7):182. doi: 10.1007/s10916-019-1319-0##25. Fernández-Alemán JL, Señor IC, Lozoya PÁO, Toval A. Security and privacy in electronic health records: A systematic literature review. J Biomed Inform 2013;46(3):541-62. doi: 10.1016/j.jbi.2012.12.003##26. Haas S, Wohlgemuth S, Echizen I, Sonehara N, Müller G. Aspects of privacy for electronic health records. Int J Med Inform 2011;80(2):e26-31. doi: 10.1016/j.ijmedinf.2010.10.001##27. Sittig DF, Singh H. Electronic health records and national patient-safety goals. N Engl J Med 2012;367(19):1854-60. doi: 10.1056/NEJMsb1205420##28. van Roessel I, Reumann M, Brand A. Potentials and challenges of the health data cooperative model. Public. Public Health Genomics 2017;20(6):321-31. doi: 10.1159/000489994## ##

بررسی شبکه پروتئین‌های مؤثر در سرطان‌های مری، معده و روده و تعیین پروتئین‌های مشترک کلیدی به روش In silico Investigation of Network of Proteins Effective in Esophageal, Gastric and Colon Cancers and Determination of Key Common Proteins Using In Silico Method 1 1 مقدمه: شیوع سرطان‌های مربوط به گوارش، بخصوص معده و روده رو به افزایش است. ازطرفی سرطان معده شایع‌ترین سرطان دستگاه گوارش در ایران بوده و سن ابتلا به سرطان مری و روده در ایران کاهش یافته است. درنتیجه بررسی عوامل و پروتئین‌های دخیل در این سرطان‌ها بسیار حائز اهمیت است. روش: در این پژوهش به منظور بررسی شبکه‌های میانکنشی پروتئین‌های دخیل در سرطان‌های مری، معده و روده از تحقیقات قبلی، با رویکرد کمی استفاده شده است. ابتدا پروتئین‌های شناسایی شده‌ سرطان‌های مری، معده و روده از پایگاه­های داده مربوطه و مقالات استخراج شد، سپس ترسیم و تحلیل تقاطع و تعیین پروتئین­های کلیدی در شبکه‌ میانکنشی پروتئین­ها  با استفاده از سرورها و نرم افزارهای STRING 11.0, Cytoscape 3.7.3, NDEx 2.4.3, UniProt   انجام شد. از افزونه CentiScaPe 2.2  و CytoHubba با بررسی شاخص‌های مرکزیت مختلف برای تعیین گره‌های کلیدی و پروتئین­های مشترک مرکزی استفاده شد. درنهایت پس از بررسی پروفایل بیانی پروتئین­های با شاخص­های مرکزیت بالادر Expression Atlas, GEPIA2, GTEx v8 ، پروتئین­های مشترک در هر سه سرطان تعیین شدند. نتایج: نتایج نشان داد پروتئین­های PLK1, CCNB1, CCNA2, BUB1B, CDK1  به عنوان مشترک مرکزی در هر سه بافت هستند. این پروتئین­ها ضمن داشتن همبستگی بالا (R=>0/8) با یکدیگر، دارای تفاوت بیان معنی­ دار در بافت­های نرمال و سرطانی هستند.   نتیجه گیری: پروتئین­هایPLK1, CCNB1, CCNA2, BUB1B, CDK1  می­توانند به عنوان مارکر تشخیصی و درمانی سرطان‌های مری، معده و روده استفاده شوند. ادامه‌ مطالعات بر روی این پروتئین­ها آینده‌ روشنی را برای یافتن درمان انواع مختلف سرطان دستگاه گوارش در پی دارد. 2 Introduction: The prevalence of gastrointestinal cancers, especially gastric and colorectal cancers, is increasing. Gastric cancer is the most common gastrointestinal cancer in Iran and the age of esophageal and colon cancers onset has decreased in Iran. Therefore, it is important to study the factors and proteins involved in these cancers. Use of computational tools is an effective way to study protein networks and identify the important proteins involved in these diseases. Method: At first identified proteins from esophageal, gastric and colon cancers were extracted from relevant databases and articles; then, the Protein-Protein Interaction (PPI) networks were mapped and analyzed for cross-linking and determination of key proteins using servers and software such as STRING 11.0, Cytoscape 3.7.3, NDEx 2.4.3, and UniProt. The CentiScaPe 2.2 plugin was used by examining the centrality indices (Betweenness, Closeness, Degree) and the CytoHubba plugin was used by different centrality indices for determination of the key nodes and the central common proteins. Finally, after investigation of the expression profiles of proteins with high centrality indices using GTEx v8, Expression Atlas, and GEPIA2, the final common proteins were determined in all three cancers. Results: The results showed that PLK1, CCNB1, CCNA2, BUB1B, and CDK1 proteins are the central common proteins in all three tissues. These proteins are highly correlated (R => 0.8) with each other and have significant expression differences in normal and cancerous tissues. Conclusion: PLK1, CCNB1, CCNA2, BUB1B, and CDK1 proteins can be used as diagnostic and therapeutic markers for esophageal, gastric, and colon cancers. Further studies on these proteins will have a bright future for the treatment of various types of gastrointestinal cancer. 453 465 2019/11/142020/06/62020/05/162020/01/272020/03/92020/06/222020/04/252020/02/42020/07/162020/01/2 1398/10/12 2020/04/272020/09/202020/08/102020/03/22020/07/202020/08/102020/06/212020/06/212020/07/272020/03/2 1398/12/12 نجف الهیاری فرد Najaf Allahyari Fard دکتری زیست شناسی- ژنتیک مولکولی، استادیار، گروه زیست فناوری سامانه‌ای، پژوهشگاه ملی مهندسی ژنتیک و زیست‌فناوری، تهران، ایران ایران allahyar@nigeb.ac.ir افروز داوری Afrooz Davari کارشناسی ارشد زیست‌شناسی، مؤسسه آموزش عالی غیرانتفاعی نور دانش میمه، اصفهان، ایران ایران doost.me.all@gmail.com عطیه کربلایی Atiye Karbalaei کارشناسی ارشد زیست‌فناوری، دانشکده علوم و فناوری‌های نوین، علوم پزشکی تهران، دانشگاه آزاد اسلامی تهران، ایران ایران at.karbalaee@gmail.com محمدرضا زمانی Mohammad Reza Zamani دکتری ژنتیک مولکولی، استاد، گروه زیست‌فناوری مولکولی گیاهی، پژوهشگاه ملی مهندسی ژنتیک و زیست‌فناوری، تهران، ایران ایران zamani@nigeb.ac.ir Esophageal Cancer Gastric Cancer Colon Cancer Interactive Protein Network Central Protein Systems Biology سرطان مری سرطان معده سرطان روده شبکه‌ میانکنشی پروتئینها پروتئین مرکزی زیست سامانه‌ای 1. Mousavi SM, Gouya MM, Ramazani R, Davanlou M, Hajsadeghi N, Seddighi Z. Cancer incidence and mortality in Iran. Ann Oncol 2009;20(3):556-63. doi: 10.1093/annonc/mdn642##2. Biglu MH, Somi MH, Ghojazadeh M, Tabatabaei S, Alikhah H. Reflection of gastrointestinal cancers on Iranian scientific publications indexed in international databases (MEDLINE & Scopus). Terapevticheskii Arkhiv 2015;87(15):200-8.##3. Mosavi-Jarrahi A, Mohagheghi MA. Epidemiology of esophageal cancer in the high-risk population of Iran. Asian Pac J Cancer Prev 2006;7(3):375-80.##4. Semnani S, Besharat S, Abdolahi N, Keshtkar A, Kabir M, Fazel A, et al. Factors Associated with Esophageal Cancer in the Southeast Part of the Caspian Sea. Journal of Guilan University of Medical Sciences 2005; 13(52) :24-8. [In Persain]##5. Sanei MH, Saneie B, Mahzouni P, Chehrei A. Comparison of histopathologic findings of non-tumoral gastric mucus of patients with gastric cancer and patients with chronic gastritis. J Shahrekord Univ Med Sci 2007; 8(4):15-20. [In Persain]##6. Erkasap N, Özyurt R, Özkurt M, Yaşar F, Erkasap S, Ihtiyar E. The role of JAK/STAT signaling pathway and TNF-α crosstalk in human colorectal cancer. Gene Reports 2016;3:1-4. https://doi.org/10.1016/j.genrep.2016.01.002##7. Are C, Rajaram S, Are M, Raj H, Anderson BO, Chaluvarya Swamy R, et al. A review of global cancer burden: trends, challenges, strategies, and a role for surgeons. J Surg Oncol 2013;107(2):221-6. doi: 10.1002/jso.23248##8. Saberi M, Minuchehr Z, Shahlaei M, Kheitan S. An in silico method to identify key proteins involved in the development of gastric cancer. Research in Medicine 2017;41(3):199-209. [In Persian]##9. Cheshomi H, Matin M, Bahrami AR, Ghaffarzadeghan K, Sharifi D, Rassouli F, et al. Human esophageal squamous cell carcinoma using immunohistochemistry. 17th National & 5th International Iranian Biology Conference; 2012 Sep 4; Kerman: Shahid Bahonar University of Kerman; 2012. [In Persian]##10. Saito T, Kondo C, Shitara K, Ito Y, Saito N, Ikehara Y, Yatabe Y, et al. Comparison of intratumoral heterogeneity of HER2 expression between primary tumor and multiple organ metastases in gastric cancer: Clinicopathological study of three autopsy cases and one resected case. Pathol Int 2015;65(6):309-17. doi: 10.1111/pin.12290##11. Rüschoff J, Hanna W, Bilous M, Hofmann M, Osamura RY, Penault-Llorca F, et al. HER2 testing in gastric cancer: a practical approach. Mod Pathol 2012;25(5):637-50. doi: 10.1038/modpathol.2011.198##12. Uhlén M, Fagerberg L, Hallström BM, Lindskog C, Oksvold P, Mardinoglu A, Sivertsson Å, Kampf C, Sjöstedt E, Asplund A, Olsson I. Tissue-based map of the human proteome. Science 2015;347(6220). doi: 10.1126/science.1260419##13. Kim O, Yoon JH, Choi WS, Ashktorab H, Smoot DT, Nam SW, et al. Gastrokine 1 inhibits gastrin-induced cell proliferation. Gastric Cancer 2016; 19(2): 381–91. doi: 10.1007/s10120-015-0483-2##14. Mao W, Chen J, Peng TL, Yin XF, Chen LZ, Chen MH. Role of trefoil factor 1 in gastric cancer and relationship between trefoil factor 1 and gastrokine 1. Oncol Rep 2012;28(4):1257-62. doi: 10.3892/or.2012.1939##15. Xing R, Li WM, Cui JT, Xia N, Lu YY. GKN1 inhibits cell invasion in gastric cancer by inactivating the NF-kappaB pathway. Discov Med 2015;19(103):65-71.##16. Parsa N. Molecular and Cellular Basis of Human Cancer. Journal of Cell & Tissue 2012; 2(4): 365-76. [In Persian]##17. Gonzalez MW, Kann MG. Protein interactions and disease. PLoS Comput Biol 2012;8(12):e1002819. doi: 10.1371/journal.pcbi.1002819##18. Kann MG. Protein interactions and disease: computational approaches to uncover the etiology of diseases. Brief Bioinform 2007;8(5):333-46. doi: 10.1093/bib/bbm031##19. Safari-Alighiarloo N, Taghizadeh M, Rezaei-Tavirani M, Goliaei B, Peyvandi AA. Protein-protein interaction networks (PPI) and complex diseases. Gastroenterol Hepatol Bed Bench 2014;7(1):17-31.##20. Zhou X, Menche J, Barabási AL, Sharma A. Human symptoms–disease network. Nat Commun##2014;5:4212. doi: 10.1038/ncomms521221. Barabási AL, Gulbahce N, Loscalzo J. Network medicine: a network-based approach to human disease. Nat Rev Genet 2011; 12(1): 56–68. doi: 10.1038/nrg2918##22. Lin WC, Kao HW, Robinson D, Kung HJ, Wu CW, Chen HC. Tyrosine kinases and gastric cancer. Oncogene. 2000;19(49):5680-9. doi: 10.1038/sj.onc.1203924##23. Gottlieb E, Tomlinson IP. Mitochondrial tumour suppressors: a genetic and biochemical update. Nat Rev Cancer 2005;5(11):857-66. doi: 10.1038/nrc1737##24. Pavlopoulou A, Spandidos DA, Michalopoulos I. Human cancer databases. Oncol Rep 2015;33(1):3-18. doi: 10.3892/or.2014.3579##25. UniProt Consortium. UniProt: a worldwide hub of protein knowledge. Nucleic Acids Res 2019;47(D1):D506-D15. doi: 10.1093/nar/gky1049##26. Shannon P, Markiel A, Ozier O, Baliga NS, Wang JT, Ramage D, et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Res 2003;13(11):2498-504. doi: 10.1101/gr.1239303##27. Wu G, Feng X, Stein L. A human functional protein interaction network and its application to cancer data analysis. Genome Biol 2010;11(5):R53. doi: 10.1186/gb-2010-11-5-r53##28. Chin CH, Chen SH, Wu HH, Ho CW, Ko MT, Lin CY. cytoHubba: identifying hub objects and sub-networks from complex interactome. BMC Syst Biol 2014;8 Suppl 4(Suppl 4):S11. doi: 10.1186/1752-0509-8-S4-S11##29. Schivo S, Scholma J, Wanders B, Camacho RA, Van der Vet PE, Karperien M, et al. Modeling biological pathway dynamics with timed automata. IEEE Journal of Biomedical and Health Informatics. 2013;18(3):832-9. doi:10.1109/JBHI.2013.2292880##30. Petryszak R, Keays M, Tang YA, Fonseca NA, Barrera E, Burdett T, et al. Expression Atlas update—an integrated database of gene and protein expression in humans, animals and plants. Nucleic Acids Res 2016;44(D1):D746-52. doi: 10.1093/nar/gkv1045##31. Pracharova J, Saltarella T, Radosova Muchova T, Scintilla S, Novohradsky V, et al. Novel antitumor cisplatin and transplatin derivatives containing 1-methyl-7-azaindole: synthesis, characterization, and cellular responses. J Med Chem 2015;58(2):847-59. doi: 10.1021/jm501420k##32. Dominguez-Brauer C, Thu KL, Mason JM, Blaser H, Bray MR, Mak TW. Targeting mitosis in cancer: emerging strategies. Mol Cell 2015;60(4):524-36. doi: 10.1016/j.molcel.2015.11.006##33. Patterson JC, Joughin BA, Prota AE, Mühlethaler T, Jonas OH, Whitman MA, et al. VISAGE reveals a targetable mitotic spindle vulnerability in cancer cells. Cell Syst 2019; 9(1): 74–92.e8. doi: 10.1016/j.cels.2019.05.009##34. Elia AE, Cantley LC, Yaffe MB. Proteomic screen finds pSer/pThr-binding domain localizing Plk1 to mitotic substrates. Science 2003;299(5610):1228-31. doi: 10.1126/science.1079079##35. Elia AE, Rellos P, Haire LF, Chao JW, Ivins FJ, Hoepker K, et al. The molecular basis for phosphodependent substrate targeting and regulation of Plks by the Polo-box domain. Cell 2003;115(1):83-95. doi: 10.1016/s0092-8674(03)00725-6##36. Alexander J, Lim D, Joughin BA, Hegemann B, Hutchins JR, Ehrenberger T, et al. Spatial exclusivity combined with positive and negative selection of phosphorylation motifs is the basis for context-dependent mitotic signaling. Sci Signal 2011; 4(179): ra42. doi: 10.1126/scisignal.2001796##37. Archambault V, Glover DM. Polo-like kinases: conservation and divergence in their functions and regulation. Nat Rev Mol Cell Biol 2009;10(4):265-75. doi: 10.1038/nrm2653##38. Bruinsma W, Raaijmakers JA, Medema RH. Switching Polo-like kinase-1 on and off in time and space. Trends Biochem Sci 2012;37(12):534-42. doi: 10.1016/j.tibs.2012.09.005##39. Döhner H, Lübbert M, Fiedler W, Fouillard L, Haaland A, Brandwein JM, et al. Randomized, phase 2 trial of low-dose cytarabine with or without volasertib in AML patients not suitable for induction therapy. Blood 2014;124(9):1426-33. doi: 10.1182/blood-2014-03-560557##40. Dohner H, Symeonidis A, Sanz MA, Deeren D, Demeter J, Anagnostopoulos A, et al. Phase III Randomized Trial of Volasertib Plus Low-Dose Cytarabine (Ldac) Versus Placebo Plus Ldac In Patients Aged ≥65 Years With Previously Untreated Aml, Ineligible For Intensive Therapy. 21st Congress of the European Hematology Association; 2016 Jun 9 - 12; Copenhagen, Denmark: Haematologica; 2016. p. 185-6.##41. Weiß LM, Hugle M, Romero S, Fulda S. Synergistic induction of apoptosis by a polo‐like kinase 1 inhibitor and microtubule‐interfering drugs in E wing sarcoma cells. Int J Cancer 2016;138(2):497-506. doi: 10.1002/ijc.29725##42. Hemmerich J, Noack S, Wiechert W, Oldiges M. Microbioreactor systems for accelerated bioprocess development. Biotechnol J 2018;13(4):e1700141. doi: 10.1002/biot.201700141##43. Czaplinski S, Hugle M, Stiehl V, Fulda S. Polo-like kinase 1 inhibition sensitizes neuroblastoma cells for vinca alkaloid-induced apoptosis. Oncotarget 2016;7(8):8700. doi: 10.18632/oncotarget.3901##44. Grosstessner-Hain K, Hegemann B, Novatchkova M, Rameseder J, Joughin BA, Hudecz O, et al. Quantitative phospho-proteomics to investigate the polo-like kinase 1-dependent phospho-proteome. Mol Cell Proteomics 2011;10(11):M111.008540. doi: 10.1074/mcp.M111.008540##45. Santamaria A, Wang B, Elowe S, Malik R, Zhang F, Bauer M, et al. The Plk1-dependent phosphoproteome of the early mitotic spindle. Mol Cell Proteomics 2011; 10(1): M110.004457. doi: 10.1074/mcp.M110.004457##46. Wynne DJ, Funabiki H. Kinetochore function is controlled by a phospho-dependent coexpansion of inner and outer components. J Cell Biol 2015; 210(6): 899–916. doi: 10.1083/jcb.201506020##47. Bairoch A, Apweiler R, Wu CH, Barker WC, Boeckmann B, Ferro S, et al. Nucleic Acids Res. 2005;33(Database issue):D154-9. doi: 10.1093/nar/gki070##48. Zhuang L, Yang Z, Meng Z. Upregulation of BUB1B, CCNB1, CDC7, CDC20, and MCM3 in Tumor Tissues Predicted Worse Overall Survival and Disease-Free Survival in Hepatocellular Carcinoma Patients. Biomed Res Int 2018;2018:7897346. doi: 10.1155/2018/7897346##49. Ding Y, Hubert CG, Herman J, Corrin P, Toledo CM, Skutt-Kakaria K, et al. Cancer-Specific requirement for BUB1B/BUBR1 in human brain tumor isolates and genetically transformed cells. Cancer Discov 2013;3(2):198-211. doi: 10.1158/2159-8290.CD-12-0353##50. Fu X, Chen G, Cai ZD, Wang C, Liu ZZ, Lin ZY, et al. Overexpression of BUB1B contributes to progression of prostate cancer and predicts poor outcome in patients with prostate cancer. Onco Targets Ther 2016;9:2211-20. doi: 10.2147/OTT.S101994##51. Santamaría D, Barrière C, Cerqueira A, Hunt S, Tardy C, Newton K, et al. Cdk1 is sufficient to drive the mammalian cell cycle. Nature 2007;448(7155):811-5. doi: 10.1038/nature06046##52. Fang Y, Yu H, Liang X, Xu J, Cai X. Chk1-induced CCNB1 overexpression promotes cell proliferation and tumor growth in human colorectal cancer. Cancer Biol Ther 2014;15(9):1268-79. doi: 10.4161/cbt.29691##53. Hayward D, Alfonso-Pérez T, Cundell MJ, Hopkins M, Holder J, Bancroft J, et al. CDK1-CCNB1 creates a spindle checkpoint–permissive state by enabling MPS1 kinetochore localization. J Cell Biol 2019;218(4):1182-99. doi: 10.1083/jcb.201808014##54. Dong S, Huang F, Zhang H, Chen Q. Overexpression of BUB1B, CCNA2, CDC20, and CDK1 in tumor tissues predicts poor survival in pancreatic ductal adenocarcinoma. Biosci Rep 2019; 39(2): BSR20182306. doi: 10.1042/BSR20182306##55. Crncec A, Hochegger H. Triggering mitosis. FEBS Lett 2019;593(20):2868-88. doi: 10.1002/1873-3468.13635## ##

سیستم تصمیم‌یار بالینی: راهکاری مؤثر جهت تشخیص و مدیریت تداخلات دارو-آزمایش Clinical Decision Support System: An Effective Tool to Detect and Manage Drug-Laboratory Interactions 1 1  عدم ارتباط مناسب بین دارو‌های یک بیمار و نتایج آزمایش‌های وی، منجر به خطاهای دارویی رایجی می‌شود که اصطلاحاً تداخلات دارو-آزمایش نامیده می‌شوند. تداخلات دارو- آزمایش یکی از انواع اصلی خطاهای قابل پیشگیری در فرآیند درمان بیماران می‌باشد. به منظور کاهش تداخلات از جمله تداخلات دارو- آزمایش، به کارگیری سیستم تصمیم‌یار بالینی می‌تواند برای پزشکان و دیگر مراقبین سلامت درگیر راهکار مناسبی در بهبود روند درمان، افزایش کیفیت مراقبت‌ بیماران و جلوگیری از آسیب‌های احتمالی بیماران باشد؛ ولی طراحی و پیاده‌سازی این سیستم‌ها ملزوماتی نیاز داشته که اگر تأمین نشود، اجرا و به کارگیری آن‌ها را با چالش‌هایی مواجه خواهد کرد. مقاله حاضر ضمن مرور مختصر این موارد، راه‌کارهایی را به منظور حل برخی از این مسائل در جهت بهبود اثربخشی این سیستم‌ها پیشنهاد می‌کند. با طراحی و پیاده‌سازی مناسب سیستم‌ تصمیم‌یار بالینی تداخلات دارو- آزمایش می‌توان امید داشت این تداخلات کاهش یافته و کیفیت نسخه‌های دارویی بیماران براساس نتایج آزمایش‌های آنان بهبود یابد. 2 Lack of proper linkage between a patient’s medications and the results of laboratory tests can lead to common medication errors called drug-laboratory interactions (DLIs). DLIs are among the major types of preventable medication errors in the treatment process. Application of a clinical decision support system (CDSS) for physicians and other health care providers to decrease DLIs can effectively improve the treatment process and care quality helping to prevent potential adverse drug events. Design and implementation of these systems requires measurements to tackle a number of challenges. The present article briefly reviews these challenges and provides solutions to increase their effectiveness. With informed design and implementation of DLI-CDSSs, it is hoped that these interactions will be decreased and the quality of prescriptions will be improved with regard to patients’ laboratory test results. 466 473 2019/11/142020/06/62020/05/162020/01/272020/03/92020/06/222020/04/252020/02/42020/07/162020/01/22020/02/14 1398/11/25 2020/04/272020/09/202020/08/102020/03/22020/07/202020/08/102020/06/212020/06/212020/07/272020/03/22020/06/6 1399/3/17 مهسا فریدونی Mahsa Freidooni دانشجوی کارشناسی ارشد انفورماتیک پزشکی، گروه فناوری اطلاعات سلامت، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران mah_f1990@yahoo.com حبیب الله پیرنژاد Habibollah Pirnejad دکتری تخصصی انفورماتیک پزشکی، دانشیار، مرکز تحقیقات ایمنی بیمار، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران pirnejad.h@umsu.ac.ir زهرا نیازخانی Zahra Niazkhani دکتری تخصصی انفورماتیک پزشکی، دانشیار، مرکز تحقیقات نفرولوژی و پیوند کلیه، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران niazkhani.z@umsu.ac.ir Clinical Decision Support System (CDSS) Drug-Laboratory Interaction (DLI) Challenges Advantages Review Study سیستم‌های تصمیم یار بالینی تداخل دارو با آزمایش چالش مزایا مطالعه مروری 1. Schiff GD, Klass D, Peterson J, Shah G, Bates DW. Linking laboratory and pharmacy: opportunities for reducing errors and improving care. Arch Intern Med 2003;163(8):893-900. doi: 10.1001/archinte.163.8.893##2. Agrawal A. Medication errors: prevention using information technology systems. Br J Clin Pharmacol 2009;67(6):681-6. doi: 10.1111/j.1365-2125.2009.03427.x##3. Forsström J, Grönroos P, Irjala K, Heiskanen J, Torniainen K. Linking patient medication data with laboratory information system. Int J Biomed Comput1996;42(1-2):111-6. doi: 10.1016/0020-7101(96)01188-9##4. Lobach D, Sanders GD, Bright TJ, Wong A, Dhurjati R, Bristow E, et al. Enabling health care decisionmaking through clinical decision support and knowledge management. Evid Rep Technol Assess (Full Rep) 2012;(203):1-784. ##5. Friedman RB, Young DS, Beatty ES. Automated monitoring of drug‐test interactions. Clin Pharmacol Ther 1978;24(1):16-21. doi: 10.1002/cpt197824116##6. Grönroos P, Irjala K, Heiskanen J, Torniainen K, Forsström J. Using computerized individual medication data to detect drug effects on clinical laboratory tests. Scand J Clin Lab Invest Suppl 1995;222:31-6. doi: 10.3109/00365519509088448##7. Gandhi TK, Weingart SN, Seger AC, Borus J, Burdick E, Poon EG, et al. Outpatient prescribing errors and the impact of computerized prescribing. J Gen Intern Med 2005;20(9):837-41. doi: 10.1111/j.1525-1497.2005.0194.x##8. Nieuwlaat R, Connolly SJ, Mackay JA, Weise-Kelly L, Navarro T, Wilczynski NL, et al. Computerized clinical decision support systems for therapeutic drug monitoring and dosing: a decision-maker-researcher partnership systematic review. Implement Sci 2011;6:90. doi: 10.1186/1748-5908-6-90##9. Kaushal R, Shojania KG, Bates DW. Effects of computerized physician order entry and clinical decision support systems on medication safety: a systematic review. Arch Intern Med 2003;163(12):1409-16. doi: 10.1001/archinte.163.12.1409##10. Kailajärvi M, Takala T, Grönroos P, Tryding N, Viikari J, Irjala K, et al. Reminders of drug effects on laboratory test results. Clin Chem 2000;46(9):1395-400.##11. Grönroos P, Irjala K, Forsström J. Coding drug effects on laboratory tests for health care information systems. Proc Annu Symp Comput Appl Med Care 1995;449-53.##12. Langdorf MI, Fox JC, Marwah RS, Montague BJ, Hart MM. Physician versus computer knowledge of potential drug interactions in the emergency department. Acad Emerg Med 2000;7(11):1321-9. doi: 10.1111/j.1553-2712.2000.tb00483.x##13. Glasziou P, Irwig L, Mant D. Monitoring in chronic disease: a rational approach. BMJ 2005;330(7492):644-8. doi: 10.1136/bmj.330.7492.644##14. Ash JS, Berg M, Coiera E. Some unintended consequences of information technology in health care: the nature of patient care information system-related errors. J Am Med Inform Assoc 2004; 11(2): 104–12. doi: 10.1197/jamia.M1471##15. Bates DW, Kuperman GJ, Wang S, Gandhi T, Kittler A, Volk L, et al. Ten commandments for effective clinical decision support: making the practice of evidence-based medicine a reality. J Am Med Inform Assoc 2003; 10(6): 523–30. doi: 10.1197/jamia.M1370##16. Yano EM, Fink A, Hirsch SH, Robbins AS, Rubenstein LV. Helping practices reach primary care goals. Lessons from the literature. Arch Intern Med 1995;155(11):1146-56.##17. Niazkhani Z, Amiri P, Pirnejad H.Drug-drug interaction clinical decision support systems: advantages, challenges and barriers, and strategies to overcome them. Journal of Health and Biomedical Informatics 2020;6(4):333-42. [In Persian]##18. Lasser KE, Seger DL, Yu DT, Karson AS, Fiskio JM, Seger AC, et al. Adherence to black box warnings for prescription medications in outpatients. Arch Intern Med 2006;166(3):338-44. doi: 10.1001/archinte.166.3.338##19. Chen YF, Avery AJ, Neil KE, Johnson C, Dewey ME, Stockley IH. Incidence and possible causes of prescribing potentially hazardous/contraindicated drug combinations in general practice. Drug Saf 2005;28(1):67-80. doi: 10.2165/00002018-200528010-00005##20. Yao H, Rayburn ER, Shi Q, Gao L, Hu W, Li H. FDA-approved drugs that interfere with laboratory tests: A systematic search of US drug labels. Crit Rev Clin Lab Sci 2017;54(1):1-17. doi: 10.1080/10408363.2016.1191425##21. van Balveren JA, Verboeket-van de Venne WP, Erdem-Eraslan L, de Graaf AJ, Loot AE, Musson RE, et al. Impact of interactions between drugs and laboratory test results on diagnostic test interpretation - a systematic review. Clin Chem Lab Med 2018;56(12):2004-9. doi: 10.1515/cclm-2018-0900##22. Gaikwad R, Sketris I, Shepherd M, Duffy J. Evaluation of accuracy of drug interaction alerts triggered by two electronic medical record systems in primary healthcare. Health Informatics J 2007;13(3):163-77. doi: 10.1177/1460458207079836##23. Kuperman GJ, Bobb A, Payne TH, Avery AJ, Gandhi TK, Burns G, et al. Medication-related clinical decision support in computerized provider order entry systems: a review. J Am Med Inform Assoc 2007;14(1):29-40. doi: 10.1197/jamia.M2170##24. Bryant A, Fletcher G, Payne T. Drug interaction alert override rates in the Meaningful Use era. Appl Clin Inform. 2014;5(3):802-13. doi: 10.4338/ACI-2013-12-RA-0103##25. Weingart SN, Simchowitz B, Shiman L, Brouillard D, Cyrulik A, Davis RB, et al. Clinicians' assessments of electronic medication safety alerts in ambulatory care. Arch Intern Med 2009;169(17):1627-32. doi: 10.1001/archinternmed.2009.300##26. Isaac T, Weissman JS, Davis RB, Massagli M, Cyrulik A, Sands DZ, et al. Overrides of medication alerts in ambulatory care. Arch Intern Med 2009;169(3):305-11. doi: 10.1001/archinternmed.2008.551##27. Van Der Sijs H, Aarts J, Vulto A, Berg M. Overriding of drug safety alerts in computerized physician order entry. J Am Med Inform Assoc 2006;13(2):138-47. doi: 10.1197/jamia.M1809##28. Shah NR, Seger AC, Seger DL, et al. Improving acceptance of computerized prescribing alerts in ambulatory care. J Am Med Inform Assoc. 2006;13(1):5-11. doi: 10.1197/jamia.M1868##29. Ash JS, Sittig DF, Campbell EM, Guappone KP, Dykstra RH. Some unintended consequences of clinical decision support systems. AMIA Annu Symp Proc 2007;2007:26-30.##30. Chaffee BW, Zimmerman CR. Developing and implementing clinical decision support for use in a computerized prescriber-order-entry system. Am J Health Syst Pharm 2010;67(5):391-400. doi: 10.2146/ajhp090153##31. Fischer SH, Tjia J, Field TS Impact of health information technology interventions to improve medication laboratory monitoring for ambulatory patients: a systematic review. J Am Med Inform Assoc 2010;17(6):631-6. doi: 10.1136/jamia.2009.000794##32. Amkreutz J, Koch A, Buendgens L, Trautwein C, Eisert A. Clinical decision support systems differ in their ability to identify clinically relevant drug interactions of immunosuppressants in kidney transplant patients. J Clin Pharm Ther 2017;42(3):276-85. doi: 10.1111/jcpt.12508##33. Tiwari R, Tsapepas DS, Powell JT, Martin ST. Enhancements in healthcare information technology systems: customizing vendor-supplied clinical decision support for a high-risk patient population. J Am Med Inform Assoc 2013;20(2):377-80. doi: 10.1136/amiajnl-2012-001080##34. Fereidooni M. Designing, developing and laboratory testing of a rule-based decision support system for detecting drug-lab interactions in kidney transplant recipients [dissertation] Urmia: Urmia University of Medical Sciences; 2019.##35. Abarca J, Malone DC, Armstrong EP, Grizzle AJ, Hansten PD, Van Bergen RC, et al. Concordance of severity ratings provided in four drug interaction compendia. J Am Pharm Assoc (2003) 2004;44(2):136-41. doi: 10.1331/154434504773062582##36. Hazlet TK, Lee TA, Hansten PD, Horn JR. Performance of community pharmacy drug interaction software. J Am Pharm Assoc (Wash) 2001;41(2):200-4. doi: 10.1016/s1086-5802(16)31230-x##37. Marcilly R, Ammenwerth E, Roehrer E, Niès J, Beuscart-Zéphir MC. Evidence-based usability design principles for medication alerting systems. BMC Med Inform Decis Mak 2018;18(1):69. doi: 10.1186/s12911-018-0615-9##38. Payne TH, Hines LE, Chan RC, Hartman S, Kapusnik-Uner J, Russ AL, et al. Recommendations to improve the usability of drug-drug interaction clinical decision support alerts. J Am Med Inform Assoc 2015;22(6):1243-50. doi: 10.1093/jamia/ocv011##39. McCoy AB, Thomas EJ, Krousel-Wood M, Sittig DF. Clinical decision support alert appropriateness: a review and proposal for improvement. Ochsner J 2014;14(2):195-202.##40. Kawamoto K, Houlihan CA, Balas EA, Lobach DF. Improving clinical practice using clinical decision support systems: a systematic review of trials to identify features critical to success. BMJ 2005;330(7494):765. doi: 10.1136/bmj.38398.500764.8F##41. Krall MA, Sittig DF, editors. Clinician's assessments of outpatient electronic medical record alert and reminder usability and usefulness requirements. Proc AMIA Symp 2002;400-4. ##42. Hansten PD, Horn JR. The Top 100 Drug Interactions: A Guide to Patient Management. USA: Independently; 2019.##43. Sittig DF, Wright A, Osheroff JA, Middleton B, Teich JM, Ash JS, et al. Grand challenges in clinical decision support. J Biomed Inform 2008;41(2):387-92. doi: 10.1016/j.jbi.2007.09.003##44. Nielsen J, Loranger H. Prioritizing Web Usability. 1st ed. New Riders; 2006.##45. Cimino JJ, Patel VL, Kushniruk AW. Studying the human—computer—terminology interface. J Am Med Inform Assoc 2001;8(2):163-73. doi: 10.1136/jamia.2001.0080163##46. Duke JD, Bolchini D. A successful model and visual design for creating context-aware drug-drug interaction alerts. AMIA Annu Symp Proc 2011;2011:339-48.##47. Ancker S, Edwards A, Nosal S, Hauser D, Mauer E, Kaushal R. Effects of workload, work complexity, and repeated alerts on alert fatigue in a clinical decision support system. BMC Med Inform Decis Mak 2017;17(1):36. doi: 10.1186/s12911-017-0430-8##48. Zenziper Y, Kurnik D, Markovits N, Ziv A, Shamiss A, Halkin H, et al. Implementation of a clinical decision support system for computerized drug prescription entries in a large tertiary care hospital. Isr Med Assoc J 2014;16(5):289-94.##49. Del Beccaro M, Villanueva R, Knudson K, Harvey E, Langle J, Paul W. Decision Support Alerts for Medication Ordering in a Computerized Provider Order Entry (CPOE) System: A systematic approach to decrease alerts. Appl Clin Inform 2010;1(3):346-62. doi: 10.4338/ACI-2009-11-RA-0014##50. Resetar E, Reichley RM, Noirot LA, Doherty JA, Dunagan WC, Bailey TC. Strategies for reducing nuisance alerts in a dose checking application. AMIA Annu Symp Proc 2005;2005:624-8.##51. van Der Sijs H, Aarts J, Van Gelder T, Berg M, Vulto A. Turning off frequently overridden drug alerts: limited opportunities for doing it safely. J Am Med Inform Assoc 2008;15(4):439-48. doi: 10.1197/jamia.M2311##52. Pirnejad H, Amiri P, Niazkhani Z, Shiva A, Makhdoomi K, Abkhiz S, et al. Preventing potential drug-drug interactions through alerting decision support systems: A clinical context based methodology. Int J Med Inform. 2019;127:18-26. doi: 10.1016/j.ijmedinf.2019.04.006##53. Ferrández O, Urbina O, Grau S, Mateu‐de‐Antonio J, Marin‐Casino M, Portabella J, et al. Computerized pharmacy surveillance and alert system for drug‐related problems. J Clin Pharm Ther 2017;42(2):201-8. doi: 10.1111/jcpt.12495##54. Weingart SN, Seger AC, Feola N, Heffernan J, Schiff G, Isaac T. Electronic drug interaction alerts in ambulatory care. Drug Saf 2011;34(7):587-93. doi: 10.2165/11589360-000000000-00000## ##

ضرورت به کارگیری سامانه ملی ثبت هموگلوبینوپاتی جهت ارائه مراقبت به بیماران The Necessity to Use of the National Hemoglobinopathy Registry system for Providing Healthcare Services to Patients 1 1 مقاله از نوع نامه به سردبیر است لذا فاقد چکیده می باشد. 2 The article is a letter to the editor, so it has no abstract.   474 476 2019/11/142020/06/62020/05/162020/01/272020/03/92020/06/222020/04/252020/02/42020/07/162020/01/22020/02/142020/05/17 1399/2/28 2020/04/272020/09/202020/08/102020/03/22020/07/202020/08/102020/06/212020/06/212020/07/272020/03/22020/06/62020/06/28 1399/4/8 طیبه نوری Tayebeh Noori دکتری تخصصی مدیریت اطلاعات سلامت، استادیار، گروه فن آوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی زابل، زابل، ایران ایران t.noori25@gmail.com اسماعیل مهرآیین Esmail Mehraeen دکتری تخصصی مدیریت اطلاعات سلامت، استادیار، گروه فن آوری اطلاعات سلامت، دانشکده علوم پزشکی خلخال، خلخال، ایران ایران es.mehraeen@gmail.com 1. Inusa BPD, Colombatti R. European migration crises: The role of national hemoglobinopathy registries in improving patient access to care. Pediatr Blood Cancer 2017;64(7). doi: 10.1002/pbc.26515##2. Baronciani D, Angelucci E, Potschger U, Gaziev J, Yesilipek A, Zecca M, et al. Hemopoietic stem cell transplantation in thalassemia: a report from the european society for blood and bone Marrow Transplantation Hemoglobinopathy registry 2000-2010. Bone Marrow Transplant 2016;51(4):536-41. doi: 10.1038/bmt.2015.293##3. Keykha R, Masoudi G, Ramazani A, Shahraki M, Naderi M. The survey of the knowledge and practice of thalassemia couples based on Health Belief Model in Sistan area. Scientific Sci J Iran Blood Transfus Organ 2016; 12(4): 369-77. [In Persian]##4. Rezaeian S. Poor quality of life as a predictor of survival among thalassemia patients in Iran. Epidemiol Health 2017;39:e2017013. doi: 10.4178/epih.e2017013 ##5. Noori T, Ghazisaeedi M, Miri Alibad G, Mehdipour Y, Conte R, Mehraeen E, et al. International comparison of thalassemia registries: challenges and opportunities. Acta Inform Med 2019;27(1):58-63. doi: 10.5455/aim.2019.27.58-63##6. Cela E, Bellon JM, de la Cruz M, Belendez C, Berrueco R, Ruiz A, et al. National registry of hemoglobinopathies in Spain (REPHem). Pediatr Blood Cancer 2017;64(7). doi: 10.1002/pbc.26322##7. Paulukonis ST, Harris WT, Coates TD, Neumayr L, Treadwell M, Vichinsky E, et al. Population based surveillance in sickle cell disease: methods, findings and implications from the California registry and surveillance system in hemoglobinopathies project (RuSH). Pediatr Blood Cancer 2014;61(12):2271-6. doi: 10.1002/pbc.25208##8. Thuret I, Pondarre C, Loundou A, Steschenko D, Girot R, Bachir D, et al. Complications and treatment of patients with beta-thalassemia in France: results of the National Registry. Haematologica 2010;95(5):724-9. doi: 10.3324/haematol.2009.018051##9. Voskaridou E, Kattamis A, Fragodimitri C, Kourakli A, Chalkia P, Diamantidis M, et al. National registry of hemoglobinopathies in Greece: updated demographics, current trends in affected births, and causes of mortality. Ann Hematol 2019;98(1):55-66. doi: 10.1007/s00277-018-3493-4##10. Aydinok Y, Oymak Y, Atabay B, Aydogan G, Yesilipek A, Unal S, et al. A national registry of thalassemia in Turkey; demographic and disease characteristics of patients, achievements and challenges in prevention. Turk J Haematol 2018;35(1):12-8. doi: 10.4274/tjh.2017.0039##11. Tan GP, Law HY, Ng ISL. Review of the National Thalassaemia Registry (Singapore) For a Period of 24 Years (Year 1992 To 2016). 9th KKH Scientific Meeting 2017; Collaboration and Innovation: Bench, Bedside and beyond, in conjunction with 3rd ASEAN Seminar on Multi-disciplinary Care for Children with Mobility Impairment; 2017 Jul 6 - 8; Singapore: SingHealth; 2017. p. 43.##12. Conte R, Ruggieri L, Gambino A, Bartoloni F, Baiardi P, Bonifazi D, et al. The Italian multiregional thalassemia registry: Centers characteristics, services, and patients' population. Hematology 2016; 21(7):415-24. doi: 10.1080/10245332.2015.1101971## ##