1400 8 1 27 139

تشخیص بیماری کووید-19 توسط تکنیک‌های پردازش تصاویر سی‌تی‌اسکن ریه Diagnosis of COVID-19 Disease Using Lung CT-scan Image Processing Techniques 1 1 مقدمه: امروزه روش ‏های متعددی جهت تشخیص بیماری کووید-19 مانند علائم بالینی مرتبط با بیماری و روش‏ های تشخیصی با دقت بالاتر نظیر تصویربرداری سی‏ تی‏ اسکن از ریه‏ ها استفاده می‏گردد. هدف از انجام این مطالعه دستیابی به یک روش تشخیصی دقیق جهت تشخیص هوشمند و خودکار بیماری کووید-19 با به کارگیری تکنیک‏ های پردازش تصایر سی‏ تی‏ اسکن ریه‏ ها و به کارگیری نتایج این روش به صورت ابزار تشخیصی دقیق به عنوان مکمل دستگاه سی‏ تی ‏اسکن می‏باشد. روش: با به کارگیری الگوریتم ‏های پردازش تصاویر دیجیتال مانند بخش ‏بندی و استخراج ویژگی از تصاویر و استفاده از روش ‏های مختلف تحلیل آماری بر روی ویژگی‏ های مستخرج از تصاویر، به شناسایی بیماری کووید-19 (دیتای 79 نفر) از طریق تصاویر سی ‏تی ‏اسکن نمونه‏ های مرد و زن دارای سنین مختلف پرداخته و به ارزیابی تأثیراتی که این بیماری روی ریه‏ های افراد مبتلا می‏گذارد، پرداخته می‏شود. زمان و مکان انجام پژوهش به ترتیب در بهار سال 1399 و در دانشکده علوم و فناوری‏ های پزشکی واحد علوم و تحقیقات تهران انجام گردیده است. نتایج: این روش هوشمند بر پایه‏ استخراج ویژگی از تصاویر سی‏ تی‏ اسکن ریه ‏ها می‏تواند بر اساس دسته‏ های مختلف (جنسیت، نوع آسیب ایجاد شده در اثر بیماری) با دقت بالا به تشخیص این بیماری بپردازد. با توجه به بررسی موقعیت درگیری بافت ریه در افراد مبتلا به کووید-19، مشخص گردید که اکثر افراد مبتلا در بخش‏ های تحتانی هر دو ریه دچار تخریب بافت به مقدار بیشتر از لُب‏ های میانی و فوقانی شده ‏اند. نتیجه‌گیری: الگوریتم ارائه شده در این مطالعه با دقت بالا قادر به تشخیص و تمایزپذیری داده ‏های تصاویر اخذ شده از ریه‏ های افراد سالم و بیماران مبتلا به کروناویروس می‏باشد.   2 Introduction: Today, several methods are used for detecting COVID-19 such as disease-related clinical symptoms, and more accurate diagnostic methods like lung CT-scan imaging. This study aimed to achieve an accurate diagnostic method for intelligent and automatic diagnosis of COVID-19 using lung CT-scan image processing techniques and utilize the results of this method as an accurate diagnostic tool complementing the CT-scan devices. Method: Based on digital image processing algorithms such as segmentation and feature extraction and using various methods of statistical analysis on the features extracted from images, CT-scan images of 79 male and female patients in different ages were analyzed and the effects of this disease on the infected lungs of patients were evaluated. This research was conducted in the spring of 2020 in the Faculty of Medical Sciences and Technologies, Science and Research Branch in Tehran. Results: This intelligent method based on feature extraction from lung CT-scan images can diagnose COVID-19 with high accuracy on different categories (gender, type of injury caused by the disease). The analysis of lung tissue involvement in patients with COVID-19 revealed that most patients had tissue damage in the lower parts of both lungs to a greater extent than the middle and upper lung lobes. Conclusion: The algorithm presented in this study can accurately detect and differentiate the data of images taken from the lungs of healthy people and patients with coronavirus disease. 1 11 2020/10/5 1399/7/14 2021/04/21 1400/2/1 ناصر صفدریان Naser Safdarian کارشناسی ارشد مهندسی پزشکی، مربی، گروه مهندسی پزشکی، دانشکده علوم و فناوری‌های پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ایران naser.safdarian@yahoo.com نادر جعفرنیا دابانلو Nader Jafarnia Dabanloo دکتری مهندسی برق، دانشیار، گروه مهندسی پزشکی، دانشکده علوم و فناوری‌های پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ایران n_jafarnia@yahoo.com COVID-19 Viral Disease Lung Injury Data Analysis Image Processing Technique کووید-19 بیماری ویروسی آسیب ریه تجزیه و تحلیل داده ‌ها تکنیک پردازش تصویر 1. Coronavirus. [cited 2020 May 19]. Available from: https://www.who.int/health-topics/coronavirus#tab=tab_1##2. Tavakoli A, Vahdat K, Keshavarz M. Novel Coronavirus Disease 2019 (COVID-19): An Emerging Infectious Disease in the 21st Century. Iran South Med J 2020; 22(6):432-50. [In Persian]. 10.29252/ismj.22.6.432##3. Ai T, Yang Z, Hou H, Zhan C, Chen C, Lv W, et al. Correlation of chest CT and RT-PCR testing in coronavirus disease 2019 (COVID-19) in China: a report of 1014 cases. Radiology 2020; 200642. doi: 10.1148/radiol.2020200642##4. Dai H, Zhang X, Xia J, Zhang T, Shang Y, Huang R, et al. High-resolution chest CT features and clinical characteristics of patients infected with COVID-19 in Jiangsu, China. Int J Infect Dis 2020;95: 106-12. doi: 10.1016/j.ijid.2020.04.003##5. Huang C, Wang Y, Li X, Ren L, Zhao J, Hu Y, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. The Lancet 2020;395(10223):497-506. doi:10.1016/S0140-6736(20)30183-5##6. Chan JF, Yuan S, Kok KH, To KK, Chu H, Yang J, et al. A familial cluster of pneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission: a study of a family cluster. The Lancet 2020;395(10223):514-23. doi:10.1016/S0140-6736(20)30154-9##7. Harapan H, Itoh N, Yufika A, Winardi W, Keam S, Te H, et al. Coronavirus disease 2019 (COVID-19): A literature review. Journal of Infection and Public Health. J Infect Public Health 2020; 13(5): 667–73. doi: 10.1016/j.jiph.2020.03.019##8. Hosseini MP, Soltanian Zadeh H, Akhlaghpoor S. Computerized Processing and Analysis of CT Images for Developing a New Criterion in COPD Journal of Isfahan Medical School 2012; 29(174):3137-43. [In Persian]##9. Ghaffari H, Mosteshari M, Mahmoodi MS. Designing a System for Detection of Pulmonary Nodules in Lung CT Images Using Support Vector Machine Classifier. J Health Biomed Inform 2017; 3 (4): 300-9. [In Persian]##10. Farnoosh G, Alishiri G, Hosseini Zijoud SR, Dorostkar R, Jalali Farahani A. Understanding the Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) and Coronavirus Disease (COVID-19) Based on Available Evidence - A Narrative Review. J Mil Med 2020; 22(1):1-11. [In Persian] doi: 10.30491/JMM.22.1.1 ##11. Meskarpour-Amiri M, Shams L, Nasiri T. Identifying and Categorizing the Dimensions of Iran's Health System Response to the Covid-19 Pandemic. J Mil Med 2020; 22(2):108-14. [In Persian] doi: 10.30491/JMM.22.2.108 ##12. Alipour A, Ghadami A, Alipour Z, Abdollahzadeh H. Preliminary Validation of the Corona Disease Anxiety Scale (CDAS) in the Iranian Sample. Quarterly Journal of Health Psychology 8(32): 163-75. [In Persian] doi: 0.30473/HPJ.2020.52023.4756 ##13. Soleimanifar M, Hazrati E. Pulmonary Rehabilitation and Physiotherapy Management of Respiratory Conditions in Patient with COVID-19: Narrative Review. Military Caring Sciences 2020; 7(1):63-72. doi:10.29252/mcs.7.1.63 [In Persian]##14. Mohammadzadeh A. The Effectiveness of Remote Monitoring and Supervision on Medical Adherence of Patients Underwent Heart Bypass Surgery to Prevent Infection or Anxiety of Being Infected with SARS-CoV-2 - A Pilot Study. Journal of Nursing Management 2019; 8(3):26-34. [In Persian]##15. Chen ZM, Fu JF, Shu Q, Chen YH, Hua CZ, Li FB, et al. Diagnosis and treatment recommendations for pediatric respiratory infection caused by the 2019 novel coronavirus. World J Pediatr 2020;16(3):240-6. doi: 10.1007/s12519-020-00345-5##16. World Health Organization (WHO). Coronavirus disease 2019 (COVID-19); 2020 [cited 2020 May 14]. Available from: https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200314-sitrep-54-covid-19.pdf?sfvrsn=dcd46351_8##17. Minaee S, Kafieh R, Sonka M, Yazdani S, Soufi GJ. Deep-covid: Predicting covid-19 from chest x-ray images using deep transfer learning. arXiv preprint arXiv:2004.09363. 2020 Apr 20.##18. Hassantabar S, Ahmadi M, Sharifi A. Diagnosis and detection of infected tissue of COVID-19 patients based on lung x-ray image using convolutional neural network approaches. Chaos Solitons Fractals 2020;140:110170 doi: 10.1016/j.chaos.2020.110170##19. Khan AI, Shah JL, Bhat MM. Coronet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images. Comput Methods Programs Biomed 2020;196:105581. doi: 10.1016/j.cmpb.2020.105581##20. Ucar F, Korkmaz D. COVIDiagnosis-Net: Deep Bayes-SqueezeNet based Diagnostic of the Coronavirus Disease 2019 (COVID-19) from X-Ray Images. Med Hypotheses 2020; 140: 109761. doi: 10.1016/j.mehy.2020.109761##21. Bharati S, Podder P, Mondal MR. Hybrid deep learning for detecting lung diseases from X-ray images. Informatics in Medicine Unlocked 2020;20:100391. https://doi.org/10.1016/j.imu.2020.100391## ##

تشخیص چاقی و فشار‌خون بالا در دانش‌آموزان اصفهانی با استفاده از شبکه عصبی مصنوعی Diagnosis of Obesity and Hypertension in Isfahani Students Using Artificial Neural Network 1 1 مقدمه: چاقی و فشار خون بالا از مشکلات سلامتی جامعه می‌باشد هدف این مطالعه تشخیص چاقی و فشار‌خون بالا در دانش‌آموزان اصفهانی توسط شبکه عصبی مصنوعی است. روش: تحقیق حاضر یک مطالعه تشخیصی و پیش‌بینی کننده است که با استفاده از اطلاعات 460 نفر از دانش‌آموزان 18-7 ساله اصفهانی شبکه عصبی که شامل ۱۱ متغیر ورودی (سن، جنسیت، وزن، قد، دور کمر، شاخص توده بدنی، نسبت دورکمر به قد، چاقی شکمی، فعالیت فیزیکی، ژنتیک و رفتارهای تغذیه‌ای ناسالم) و سه متغیر خروجی چاقی، فشارخون سیستولیک، فشارخون دیاستولیک، طراحی شد. از دو الگوریتم گرادیان مزدوج و لونبرگ-مارکوارت برای آموزش شبکه استفاده گردید. نتایج: شبکه عصبی منتخب با الگوریتم لونبرگ در تشخیص چاقی و فشار‌خون دیاستولیک بالا دارای 16 نرون مخفی و در تشخیص فشار‌خون سیستولیک بالا دارای 14 نرون مخفی می‌باشد. میزان حساسیت، ویژگی و صحت شبکه در تشخیص چاقی به ترتیب 0/9591، 0/9975، 0/9934 به دست آمد و برای فشار‌خون سیستولیک بالا به ترتیب 0/8461، 0/9949، 0/9739 و برای فشارخون دیاستولیک بالا به ترتیب اعداد 0/7952، 0/9973، 0/9609 می‌باشد. ملاحظه شد که شبکه طراحی شده با دقت بالای 95 درصد چاقی را در کودکان و نوجوانان و با دقت بالای 84 و 79 درصد به ترتیب فشارخون سیستولیک و دیاستولیک بالا را تشخیص می‌دهد. نتیجه‌گیری: طبق نتایج حاصل شده حدود 83 درصد از نوجوانان چاق دارای فشارخون بالا هستند؛ لذا ضرورت طراحی برنامه‌های آموزشی در زمینه تغییرات رفتاری از جمله فعالیت فیزیکی همراه با مداخله در برنامه‌ریزی تغذیه دانش‌آموزان احساس می‌شود. 2 Introduction: Obesity and hypertension are community health problems. The objective of this study was to diagnose obesity and hypertension in Isfahani students by artificial neural network. Method: The present study was a diagnostic and predictive one that used the information of 460 students aged 7-18 years old in Isfahan to design a neural network with 11 input variables (age, sex, weight, height, waist circumference, body mass index, waist to height ratio, abdominal obesity, physical activity, genetics, and unhealthy eating behaviors) and three output variables of obesity, systolic blood pressure, and diastolic blood pressure. Conjugate Gradient and Levenberg-Marquardt algorithms were used for network training. Results: Selected neural network with the Levenberg algorithm has 16 hidden neurons in the diagnosis of obesity and high diastolic blood pressure and 14 hidden neurons in the diagnosis of high systolic blood pressure. The sensitivity, specificity, and accuracy of the network in the diagnosis of obesity were 0.9591, 0.9975, and 0.9934, respectively, and these values were 0.8461, 0.9949, and 0.9739 for high systolic blood pressure and 0.7952, 0.9973, and 0.9609 for high diastolic blood pressure. It was observed that the designed network detects obesity in children and adolescents with a high accuracy of 95% and diagnoses systolic and diastolic blood pressures with a high accuracy of 84% and 79%, respectively. Conclusion: According to the results, about 83% of obese adolescents have hypertension. Therefore, there it is necessary to design educational programs in the field of behavioral changes, including physical activity along with interventions in nutrition planning for students. 12 23 2020/10/52020/10/8 1399/7/17 2021/04/212021/01/4 1399/10/15 محمد دهقاندار Mohammad Dehghandar استادیار، گروه ریاضی کاربردی، دانشگاه پیام نور، تهران،‌ ایران ایران m_dehghandar@pnu.ac.ir عاطفه حسنی بافرانی Atefeh Hassani Bafrani دانشجوی دکترای ریاضی کاربردی، مربی، گروه ریاضی کاربردی، دانشگاه پیام نور، تهران،‌ ایران ایران a.hassani@pnu.ac.ir محمود دادخواه Mahmood Dadkhah استادیار، گروه ریاضی کاربردی، دانشگاه پیام نور، تهران،‌ ایران ایران m_dadkhah@pnu.ac.ir مصطفی قربانی Mostafa Qorbani دکترای اپیدمیولوژی، دانشیار، دانشگاه علوم پزشکی البرز، کرج، ایران ایران Mqorbani1379@yahoo.com رویا کلیشادی Roya Kelishadi متخصص اطفال، استاد، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران roya.kelishadi@gmail.com Artificial Neural Network Obesity Systolic Blood Pressure Diastolic Blood Pressure شبکه عصبی مصنوعی چاقی فشارخون سیستولیک فشارخون دیاستولیک 1. Afzal MN, Naveed M. Childhood obesity and Pakistan. J Coll Physicians Surg Pak 2004;14(3):189-92.##2. Kopelman PG. Obesity as a medical problem. Nature 2000;404(6778):635-43. doi: 10.1038/35007508##3. Duran I, Martakis K, Rehberg M, Semler O, Schoenau E. Diagnostic performance of an artificial neural network to predict excess body fat in children. Pediatr Obes 2019;14(2):e12494. doi: 10.1111/ijpo.12494##4. Lauer RM, Burns TL, Clarke WR, Mahoney LT. Childhood predictors of future blood pressure. Am J Hypertens 1991;4(11):608S-10S. doi: 10.1093/ajh/4.11s.608s##5. Stamler J. Epidemiologic findings on body mass and blood pressure in adults Ann Epidemiol 1991;1(4):347-62. doi: 10.1016/1047-2797(91)90045-e##6. Gillman MW, Ellison RC. Childhood prevention of essential hypertension. Pediatr Clin North Am 1993;40(1):179-94. doi: 10.1016/s0031-3955(16)38489-9##7. Qadir MI, Malik SA. Comparison of alterations in red blood cell count and alterations in hemoglobin concentration in patients suffering from rectal carcinoma undergoing 5-fluorouracil and folic acid therapy. Pharmacotherapy 1997;17(5):881-6. ##8. Kasper D, Fauci A, Hauser S, Longo D, Jameson J, Loscalzo J. Harrison's Principles of Internal Medicine. 20th ed. New York: Mcgraw-Hill; 2015.##9. Narkiewicz K. Obesity and hypertension—the issue is more complex than we thought. Nephrol Dial Transplant 2006;21(2):264-7. doi: 10.1093/ndt/gfi290##10. Rahmati F, Moghadass TY, Shidfar M, Habibi F, Jafari M. Prevalence of obesity and hypertension among Tehran university students. Payesh 2004; 3(2) 123 - 30. [In Persian]##11. Venegas HL, Pérez CM, Suárez EL, Guzmán M. Prevalence of obesity and its association with blood pressure, serum lipids and selected lifestyles in a Puerto Rican population of adolescents 12-16 years of age. P R Health Sci J 2003;22(2):137-43. ##12. Kuciene R, Dulskiene V. Associations between body mass index, waist circumference, waist-to-height ratio, and high blood pressure among adolescents: a cross-sectional study. Sci Rep 2019;9(1):9493. doi: 10.1038/s41598-019-45956-9##13. Wang M, Sun J, Ma C, Xi B. A3672 Role of waist circumference in predicting elevated blood pressure among children and adolescents with normal body mass index. Journal of Hypertension 2018;36:e290. doi:10.1097/01.hjh.0000549184.63892.12##14. Baur LA. Treatment of childhood obesity. Aust Prescr 2003;26:30-2.##15. Chhatwal J, Verma M, Riar SK. Obesity among pre-adolescent and adolescents of a developing country (India). Asia Pac J Clin Nutr 2004;13(3):231-5.##16. Mohammadi M, Mirzaei M. The effect of obesity, abdominal obesity and joint effect of them on high blood pressure in men of Mazandaran Province, Iran (population attributable fraction study): brief report. Tehran Univ Med J 2017; 74(10):735-40. [In Persian]##17. Katsagoni CN, Psarra G, Georgoulis M, Tambalis K, Panagiotakos DB, Sidossis LS, ΕΥΖΗΝ Study Group. High and moderate adherence to Mediterranean lifestyle is inversely associated with overweight, general and abdominal obesity in children and adolescents: The MediLIFE-index. Nutr Res 2020;73:38-47. doi: 10.1016/j.nutres.2019.09.009##18. Ferenci T, Kovacs L. Predicting body fat percentage from anthropometric and laboratory measurements using artificial neural networks. Applied Soft Computing 2018;67:834-9. https://doi.org/10.1016/j.asoc.2017.05.063##19. Kupusinac A, Stokić E, Doroslovački R. Predicting body fat percentage based on gender, age and BMI by using artificial neural networks. Comput Methods Programs Biomed 2014;113(2):610-9. doi: 10.1016/j.cmpb.2013.10.013##20. Shao YE. Body fat percentage prediction using intelligent hybrid approaches. ScientificWorldJournal 2014;2014:383910. doi: 10.1155/2014/383910##21. Livingstone DJ. Artificial neural networks: methods and applications. Totowa, NJ, USA: Humana Press; 2008.##22. Dunne RA. A Statistical Approach to Neural Networks for Pattern Recognition. 1st ed. New Jersey: John Wiley & Sons Inc; 2007.##23. Kurt I, Ture M, Kurum AT. Comparing performances of logistic regression, classification and regression tree, and neural networks for predicting coronary artery disease. Expert Systems with Applications 2008;34(1):366-74. https://doi.org/10.1016/j.eswa.2006.09.004##24. Fausett LV. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. USA: Pearson Education India; 1994.##25. Menhaj MB. Computational intelligence: Fundamental of neural networks. Tehran: Amirkabir University of Technology Publication; 2005.##26. Atkov OY, Gorokhova SG, Sboev AG, Generozov EV, Muraseyeva EV, Moroshkina SY, et al. Coronary heart disease diagnosis by artificial neural networks including genetic polymorphisms and clinical parameters. Journal of Cardiology 2012;59(2):190-4. https://doi.org/10.1016/j.jjcc.2011.11.005##27. Kuduvalli M, Grayson AD, Oo AY, Fabri BM, Rashid A. Risk of morbidity and in-hospital mortality in obese patients undergoing coronary artery bypass surgery. Eur J Cardiothorac Surg 2002;22(5):787-93. doi: 10.1016/s1010-7940(02)00448-7##28. Horwich TB, Fonarow GC, Hamilton MA, MacLellan WR, Woo MA, Tillisch JH. The relationship between obesity and mortality in patients with heart failure. J Am Coll Cardiol 2001;38(3):789-95. doi: 10.1016/s0735-1097(01)01448-6##29. Valavanis IK, Mougiakakou SG, Grimaldi KA, Nikita KS. A multifactorial analysis of obesity as CVD risk factor: use of neural network based methods in a nutrigenetics context. BMC Bioinformatics 2010;11:453. doi: 10.1186/1471-2105-11-453##30. Motlagh ME, Ziaodini H, Qorbani M, Taheri M, Aminaei T, Goodarzi A, et al. Methodology and early findings of the fifth survey of childhood and adolescence surveillance and prevention of adult noncommunicable disease: the CASPIAN-V study. Int J Prev Med 2017; 8: 4. doi: 10.4103/2008-7802.198915##31. Payab M, Kelishadi R, Qorbani M, Motlagh ME, Ranjbar SH, Ardalan G, et al. Association of junk food consumption with high blood pressure and obesity in Iranian children and adolescents: the Caspian‐IV Study. J Pediatr (Rio J) 2015;91(2):196-205. doi: 10.1016/j.jped.2014.07.006##32. Kelishadi R, Poursafa P. A review on the genetic, environmental, and lifestyle aspects of the early-life origins of cardiovascular disease. Curr Probl Pediatr Adolesc Health Care 2014;44(3):54-72. doi: 10.1016/j.cppeds.2013.12.005##33. Gurney K. An Introduction to Neural Networks. 1st ed. Boca Raton: CRC Press; 1997.##34. Askary kachoosangy R, Habibi A, Hosseini L. The Investigation of Relationship between Hypertension and High Body Mass Index in 30-60-Year Population of Shahid Motahary Hospital, Marvdasht in 1391. Journal of Sabzevar University of Medical Sciences 2014; 22 (3): 206-12. [In Persian]##35. Yuan P, Qian ZM, Vaughn M, Huang J, Ward P, Zhu Y, et al. Comparison of body mass index with abdominal obesity for identifying elevated blood pressure in children and adolescents: The SNEC study. Obesity Research & Clinical Practice 2017;11(4):406-13.##36. Khaji A, Khodaei S, Karbakhsh M, Faeghi A, Azizi S, Firoozian A, et al. Blood pressure and obesity in young adolescents in Tehran. Iranian Journal of Pediatrics 2006; 16(1): 45 - 50. [In Persian]##37. Huang S, Xu Y, Yue L, Wei S, Liu L, Gan X, et al. Evaluating the risk of hypertension using an artificial neural network method in rural residents over the age of 35 years in a Chinese area. Hypertension Research 2010;33(7):722-6.##38. Samant R, Rao S. Evaluation of artificial neural networks in prediction of essential hypertension. International Journal of Computer Applications 2013;81(12). doi:10.5120/14067-2331##39. Ture M, Kurt I, Kurum AT, Ozdamar K. Comparing classification techniques for predicting essential hypertension. Expert Systems with Applications 2005;29(3):583-8. https://doi.org/10.1016/j.eswa.2005.04.014## ##

طراحی و ایجاد برنامه کاربردی خودمراقبتی برای بعد از جراحی برداشت حنجره Designing and Developing a Self-Care Application for Post-Laryngectomy Surgery 1 1 مقدمه: جراحی برداشت حنجره تنها در‌مان شناخته شده سرطان حنجره است. هدف این مطالعه طراحی و ایجاد برنامه کاربردی خودمراقبتی برای بیمارانی بود که عمل برداشت حنجره انجام داده‌اند. روش: این پژوهش از نوع توسعه‌ای- کاربردی بود که در دو مرحله انجام شد. مرحله اول شامل نیازسنجی عناصر داده با استفاده از پرسشنامه توسط 14 نفر از متخصصین گوش و حلق و بینی بود. سپس، نمونه اولیه برنامه کاربردی با زبان جاوا ایجاد شد. در مرحله دوم کاربرد‌پذیری برنامه کاربردی با استفاده از پرسشنامه استاندارد ارزیابی کاربردپذیری انجام شد. نتایج: یافته‌های مرحله اول در برگیرنده دو بخش اصلی اطلاعات بالینی و قابلیت‌های برنامه کاربردی بود. اطلاعات بالینی شامل 14 گروه اصلی و 35 زیرگروه با میانگین نمره 9/9 بود. قابلیت‌های برنامه کاربردی شامل هشدار، یادآوری، پیام‌رسانی، شبکه‌های اجتماعی، نوبت‌دهی درمانگاه و اتصال به اینترنت بود. بر اساس نظرات شرکت‌کنندگان تمامی اقلام اطلاعاتی پرسشنامه ضروری اعلام شدند. کاربرد‌پذیری برنامه کاربردی نیز با میانگین کلی 7/6، در سطح خوب ارزیابی شد. نتیجه‌گیری: استفاده از برنامه کاربردی خودمراقبتی بیماران پس از برداشت حنجره، به افزایش اطلاعات آنان کمک نموده و انجام خود مراقبتی را تسهیل می‌نماید؛ لذا می‌توان انتظار داشت که با استفاده از فناوری و برنامه‌های کاربردی در حوزه خود مراقبتی بیماران پس از عمل جراحی برداشت حنجره، مراجعه آنان به مراکز بهداشتی -درمانی کاهش یافته و سؤالات آموزشی و مراقبتی از کادر درمانی کاهش یابد. هرچند پیشنهاد می‌گردد در این حوزه با جمعیت بزرگ‌تر و در استان‌های مختلف مطالعات بیشتری انجام شود. 2 Introduction: Laryngectomy is the only known treatment for laryngeal cancer. The objective of this study was to design and develop a self-care application for patients undergoing laryngeal resection surgery. Method: This study was an applied-developmental one conducted in two stages. The first stage included assessing the need for data elements using questionnaire by 14 ear, nose, and throat (ENT) specialists. Then, the application prototype was developed in Java. In the second stage, the usability of the application was evaluated using standard questionnaire of usability evaluation. Results: The results of the first stage included two main parts of clinical information and application capabilities. The clinical information consisted of 14 main groups and 35 subgroups with a mean score of 9.9. The application capability also included alarm, reminder, messaging, social networks, clinic reservation, and Internet connection. According to the participants, all information items of the questionnaire were declared as necessary. The usability of the application was also evaluated at a good level with an overall average of 7.6. Conclusion: Using a self-care application for post-laryngectomy patients will help increase their knowledge and facilitate self-care. Thus, it could be expected that using self-care technology and applications would reduce patients’ visits to health care centers as well as the number of their educational and care questions asked from health care staff. However, it is suggested that further studies be conducted with larger population and in different provinces.   24 32 2020/10/52020/10/82021/01/5 1399/10/16 2021/04/212021/01/42021/04/27 1400/2/7 غلامرضا بیاضیان Gholamreza Bayazian متخصص گوش و حلق و بینی‌، استادیار، گروه گوش و حلق و بینی، دانشکده پزشکی، دانشگاه علوم پزشکی ایران، ایران ایران bayazian.g@iums.ac.ir مصطفی لنگری زاده Mostafa Langarizadeh دکترای انفورماتیک پزشکی، دانشیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران langarizadeh.m@iums.ac.ir مهسا صالحی Mahsa Salehi کارشناس ارشد انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران mahsa_hit88@yahoo.com Laryngectomy Self-Care Self-Managements برداشت حنجره خودمراقبتی خودمدیریتی 1. Oncolink. Surgical Procedures: Partial and Total Laryngectomy; 2018 [cited 2018 Oct 19]. Available from: https://www.oncolink.org/cancers/head-and-neck/head-and-neck-cancers/laryngeal-cancer/laryngectomy.##2. Cancer.Net. Head and Neck Cancer; 2018. [cited 2018 Oct 19]. Available from: https://www.cancer.net/cancer-types/head-and-neck-cancer/introduction.##3. Cnossen IC, van Uden-Kraan CF, Eerenstein SE, Jansen F, Witte BI, Lacko M, et al. An online self-care education program to support patients after total laryngectomy: Feasibility and satisfaction. Support Care Cancer 2016; 24: 1261–8. doi: 10.1007/s00520-015-2896-1##4. Wong K, Gilad A, Cohen MB, Kirke DN, Jalisi SM. Patient education materials assessment tool for laryngectomy health information. Head Neck 2017;39(11):2256-63.##5. Jansen F, Cnossen IC, Eerenstein SE, Coupé VM, Witte BI, van Uden-Kraan CF, et al. Effectiveness and cost-utility of a guided self-help exercise program for patients treated with total laryngectomy: Protocol of a multi-center randomized controlled trial. BMC Cancer 2016; 16(1): 580-90. doi:10.1186/s12885-016-2613-6##6. Ge X, Wang W, Zhang P, Wu J. Total laryngectomy pre-operative assessment and education in an ear, nose & throat ward: A best practice implementation project. JBI Database System Rev Implement Rep 2014; 12(11): 424-38. doi:10.11124/jbisrir-2014-1569##7. Akil F, Yollu U, Toprak S, Ayral M. Laryngectomy: What is the impact of the type of surgery on life quality and sexual function? Acta Otorhinolaryngol Ital 2017; 37(4): 276–80. doi: 10.14639/0392-100X-760##8. Kotake K, Suzukamo Y, Kai I, Iwanaga K, Takahashi A. Social support and substitute voice acquisition on psychological adjustment among patients after laryngectomy. Eur Arch Otorhinolaryngol 2017; 274(3): 1557–65. doi: 10.1007/s00405-016-4310-0##9. Almonacid CIF, Ramos AJ, Rodríguez-Borrego MA. Level of anxiety versus self-care in the preoperative and postoperative periods of total laryngectomy patients. Rev Lat Am Enfermagem 2016; 24: e2707. doi: 10.1590/1518-8345.0743.2707##10. Self Care Forum. What do we mean by self care and why is it good for people? [cited 2018 Oct 19]. Available from: http://www.selfcareforum.org/about-us/what-do-we-mean-by-self-care-and-why-is-good-for-people/.##11. Bowles KH, Riegel B, Weiner MG, Glick H, Naylor MD. The effect of telehomecare on heart failure self care. AMIA Annu Symp Proc 2010;2010:71-5.##12. Cnossen IC, van Uden-Kraan CF, Eerenstein SE, Rinkel RN, Aalders IJ, Van Den Berg K, et al. A participatory design approach to develop a web-based self-care program supporting early rehabilitation among patients after total laryngectomy. Folia Phoniatr Logop 2015;67(4):193-201. doi:10.1159/000441251##13. Hyoguchi N, Kubota T, Kobayashi D, Shimazoe T. Effect of medical educational lectures by pharmacists for understanding and relieving post-laryngectomy symptoms. Journal of the Pharmaceutical Society of Japan 2017;137(1):83-93. doi:10.1248/yakushi.16-00193##14. Bowles KH, Baugh AC. Applying research evidence to optimize telehomecare. J Cardiovasc Nurs 2007; 22(1): 5–15.##15. Peeters JM, Wiegers TA, Friele RD. How technology in care at home affects patient self-care and self-management: A scoping review. Int J Environ Res Public Health 2013; 10(11): 5541–64. doi: 10.3390/ijerph10115541##16. Ghazisaeedi M, Shahmoradi L, Ranjbar A, Sahraei Z, Tahmasebi F. Designing a mobile-based self-care application for patients with heart failure. Journal of Health and Biomedical Informatics 2016;3(3):195-204. [In Persian]##17. Heidari M, Fayazi S, Vafaeizadeh M. Effect of self-management program on self-efficacy in patient with chronic obstructive pulmunary disease. Irainian Journal of Nursing 2016;29:45-55. [In Persian] doi: 10.29252/ijn.29.99.100.45##18. 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, J Clin Res Paramed Sci 2015; 4(2):e81998.##19. Gharaati F, Aghamolaei T, Hassani L, Mohamadi R, Mohsseni S. The effect of educational intervention using mobile phone on self-care behaviors in patients with thalassemia major. J Caring Sci 2019; 8(3): 149–55. doi: 10.15171/jcs.2019.022##20. Mehdizadeh H. Creation of teledermatology system in nursing home [dissertation]. Tehran: Tehran University of The Medical Science; 2012. [In Persian]##21. Ashutosh K. Patient education: Discharge Instructions for Laryngectomy [cited 2021 Mar 25]. Available from: http://childrenslibrary.oumedicine.com/Library/HealthSheets/3,86409##22. University of Iowa Health Care. Laryngectomy home care booklet [cited 2021 Mar 25]. Available from: https://medicine.uiowa.edu/iowaprotocols/?_ga=2.194534766.231807661.1618942473-1394379831.1618941672##23. Luci Dall’Armi. Going Home with a Laryngectomy Stoma: A Guide for Patients and Carers. 2nd ed. South Western Sydney; 2011.## ##

طراحی و توسعه مجموعه حداقل داده‌های بیماری فنیل کتونوری Design and Development of a Minimum Data Set for Phenylketonuria Disease 1 1 مقدمه: فنیل‌کتونوری یکی از شایع‌ترین بیماری‌های متابولیک مغلوب اتوزومال است که با طیف وسیعی از اختلالات عصبی-روانی و عصبی-شناختی، شناخته می‌شود. بدون ارائه مراقبت‌های لازم‌، کنترل و مدیریت، این بیماری می‌تواند به عقب‌ماندگی ذهنی شدید و ناهنجاری‌های عصبی رفتاری منجر شود؛ لذا هدف مطالعه حاضر طراحی و ارائه مجموعه حداقل داده فنیل‌کتونوری برای معرفی فاکتورهای اثربخش در مدیریت، کنترل و نظارت بیشتر بر این بیماری است. روش: مطالعه حاضر یک مطالعه توصیفی- تحلیلی است که در طی دو مرحله انجام شد. در مرحله اول، برای شناسایی عناصر داده مدیریتی و بالینی بررسی جامعی در پایگاه داده‌های PubMed, Web of Science و Scopus صورت گرفت. سپس، عناصر داده لازم از مطالعات استخراج و در قالب یک پرسشنامه قرار داده شدند در مرحله دوم، 15 متخصص اطفال، تغذیه، روان‌پزشکی و روانشناسی پرسشنامه طراحی شده را با استفاده از تکنیک دلفی دو مرحله‌ای تکمیل کردند. برای تحلیل داده‌ها از آمار توصیفی و نرم‌افزار SPSS نسخه 23 استفاده گردید. نتایج: در مجموع 133 عنصر داده مدیریتی و بالینی از مطالعات استخراج شدند. این عناصر داده به سه گروه اطلاعاتی و 14 محور تقسیم شدند. مطابق با نظر متخصصان در مورد 125 عنصر داده در 13 محور اجماع و توافق جمعی کسب شد. محور نقص‌های مادرزادی تنها محوری بود که تمامی عناصر داده آن از مطالعه کنار گذاشته شدند. نتیجه‌گیری: با توجه به چالش‌های بالینی و اقتصادی که بیماران فنیل‌کتونوری با آن مواجهه هستند، تعیین مجموعه حداقل داده‌ها می‌تواند امکان کنترل و مدیریت مؤثر این بیماری، کاهش هزینه‌ها و مدیریت بهتر اطلاعات این بیماران را فراهم آورد. 2 Introduction: Phenylketonuria is one of the most common autosomal recessive metabolic diseases, characterized by a wide range of neuropsychological and neurocognitive disorders. Without proper care, control, and management, this disease can lead to severe mental retardation and neurobehavioral disorders. Therefore, the objective of this study was to design and develop a Minimum Data Set (MDS) for phenylketonuria disease to introduce indicators effective in further management, control, and monitoring of this disease. Method: The present study was a descriptive-analytical one that was conducted in two stages. In the first stage, a comprehensive review of PubMed, Web of Science, and Scopus databases was performed to identify management and clinical data elements. Then, the necessary data elements were extracted from the studies and put into a questionnaire. In the second stage, 15 pediatricians, nutritionists, psychiatrists, and psychologists completed the designed questionnaire using the two-stage Delphi technique. The descriptive statistics as well as SPSS 23 were used to analyze the data. Results: A total of 133 management and clinical data elements were extracted from the studies. These data elements were divided into three groups of information and 14 categories. According to experts, consensus and collective agreement were reached on 125 data elements in 13 categories. The category of congenital defects was the only category all data elements of which were excluded in the study. Conclusion: Given the clinical and economic challenges that phenylketonuria patients face, determining the minimum data set can enable effective control and management of this disease, reduce costs, and improve management of information relevant to these patients. 33 41 2020/10/52020/10/82021/01/52021/03/1 1399/12/11 2021/04/212021/01/42021/04/272021/04/3 1400/1/14 خدیجه مولایی khadijeh moulaei دانشجوی دکتری انفورماتیک پزشکی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران moulaei.kh91@gmail.com بابک باوفا Babak Bavafa متخصص کودکان و کارشناس مبارزه با بیماری‌های ستاد استان کرمان، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران Bavafa.kerman@yahoo.com Minimum data set Effective Indicators Management Control Phenylketonuria مجموعه حداقل داده شاخص‌های اثربخش مدیریت کنترل فنیل کتونوری 1. Yan Y, Jin X, Wang X, Zhang C, Zhang Q, Zheng L, et al. Screening of PAH common mutations in Chinese phenylketonuria patients using iPLEX MALDI-TOF MS. ACS Omega 2020; 5(4): 1805–12. doi: 10.1021/acsomega.9b02955##2. Beazer J, Breck J, Eggerding C, Gordon P, Hacker S, Thompson A, et al. Strategies to engage lost to follow-up patients with phenylketonuria in the United States: Best practice recommendations. Mol Genet Metab Rep 2020;23:100571. doi: 10.1016/j.ymgmr.2020.100571##3. Ashe K, Kelso W, Farrand S, Panetta J, Fazio T, De Jong G, et al. Psychiatric and cognitive aspects of phenylketonuria: The limitations of diet and promise of new treatments. Front Psychiatry 2019; 10: 561. doi: 10.3389/fpsyt.2019.00561##4. Hagedorn TS, van Berkel P, Hammerschmidt G, Lhotáková M, Saludes RP. Requirements for a minimum standard of care for phenylketonuria: the patients’ perspective. Orphanet J Rare Dis 2013;8:191. doi: 10.1186/1750-1172-8-191##5. Haerian Ardakani H, Mohammadian S. Mutations analysis of exon 10-11 of phenylalanine Hydroxylase gene in phenylketonuria patients from Golestan province. Razi Journal of Medical Sciences 2018;25(7):38-46. [In Persian]##6. Mei L, Song P, Kokudo N, Xu L, Tang W. Current situation and prospects of newborn screening and treatment for Phenylketonuria in China‒compared with the current situation in the United States, UK and Japan. Intractable Rare Dis Res 2013; 2(4): 106–14. doi: 10.5582/irdr.2013.v2.4.106##7. Alipour J. Development a National Minimum Data Set for Disability in Iran: A Prerequisite for Development and Implementation of Electronic Disability Records. Health Scope 2020;9(1): e94338. doi: 10.5812/jhealthscope.94338##8. Zahmatkeshan M, Farjam M, Mohammadzadeh N, Noori T, Karbasi Z, Mahmoudvand Z, et al. Design of infertility monitoring system: Minimum data set approach. J Med Life 2019; 12(1): 56–64. doi: 10.25122/jml-2018-0071##9. Håkonsen SJ, Pedersen PU, Bygholm A, Peters MD, Bjerrum M. Speaking the same language: Development of a nutrition minimum data set for healthcare professionals in primary healthcare. Health Informatics J 2020;26(1):248-63. doi: 10.1177/1460458218824707##10. Ahmadi M, Mohammadi A, Chraghbaigi R, Fathi T, Baghini MS. Developing a minimum data set of the information management system for orthopedic injuries in Iran. Iran Red Crescent Med J 2014;16(7):e17020. doi: 10.5812/ircmj.17020##11. Sadoughi F, Shahi M, Ahmadi M, Davaridolatabadi N. The Comparison of the Minimum Data Set for Elderly Health in Selected Countries. Acta Inform Med 2015;23(6):393-7. doi: 10.5455/aim.2015.23.393-397##12. Ahmadi M, Mirbagheri E. Designing Data Elements and Minimum Data Set (MDS) for Creating the Registry of Patients with Gestational Diabetes Mellitus. J Med Life 2019;12(2):160-7. doi: 10.25122/jml-2019-0011##13. Faber-Wildeboer AT, van Os-Medendorp H, Kooy A, Sol-De Rijk B. Prevalence and risk factors of depression and diabetes-related emotional distress in patients with type 2 diabetes: A cross-sectional study. Journal of Nursing Education and Practice 2013;3(6):61-9. doi:10.5430/jnep.v3n6p61##14. Hsu CC, Sandford BA. The Delphi technique: making sense of consensus. Practical Assessment, Research, and Evaluation 2007;12(10):1-8.##15. Darabi M, Delpisheh A, Gholamiparizad E, Nematollahi M, Sharifian R. Designing the Minimum Data Set for Iranian Children’ Health Records . Journal of Ilam University of Medical Sciences 2016;24(1):114-25. [In Persian]. doi: 10.18869/acadpub.sjimu.24.1.114.##16. Meraji M, Mahmoodian S, Ramezanghorbani N, Eslami F, Sarabi E. Management of congenital anomalies in Iran: developing a national minimum data set. Journal of Health Administration 2018;21(73): 49-60. [In Persian]##17. Imani B, Nasiri S, Sadoughi F. Developing a minimum data set for malnutrition in children under five years. Journal of Modern Medical Information Sciences 2020; 6(3):34-43. [In Persian] doi: 10.29252/jmis.6.3.34##18. Sheykhotayefeh M, Safdari R, Ghazisaeedi M, Khademi SH, Farajolah SS, Maserat E, et al. Development of a minimum data set (MDS) for C-section anesthesia information management system (AIMS). Anesth Pain Med 2017; 7(2): e44132. doi: 10.5812/aapm.44132## ##

مدل‌سازی و شبیه‌سازی سرطان تخمدان و رشد و گسترش تومور در وضعیت‌های متفاوت سرطان تخمدان طبق سیستم TNM Modeling and simulation of ovarian cancer and tumor growth and spread in different stages of ovarian cancer according to the TNM system 1 1 مقدمه: سرطان تخمدان به علت تغییرات بدخیم سلول‌های تخمدان ایجاد می‌شود. در مطالعات مختلف، سرطان به عنوان یک سیستم بیولوژیکی مطرح شده است که دارای مجموعه‌ای از خصوصیات است، پس می‌توان با مدل‌سازی به ارائه مدلی از این سیستم پرداخت و کمک فراوانی به مطالعه و پیش‌بینی پدیده‌های مرتبط با رشد و گسترش سرطان نمود. این پژوهش به مدل‌سازی و شبیه‌سازی رشد و گسترش تومور در وضعیت‌های مختلف سرطان تخمدان و همچنین بررسی فرآیند متاستاز سرطان تخمدان به بافت‌ها و اندام های دیگر پرداخته است. روش: در این تحقیق، از روش مدل‌سازی و شبیه‌سازی و مطالعات کتابخانه‌ای استفاده شد. ابتدا به طراحی و مدل‌سازی آناتومی تخمدان، لوله‌های فالوپ، رحم، گره‌های لنفاوی اطراف تخمدان‌ها، کبد و طحال پرداخته شد. سپس وضعیت‌های مختلف سرطان تخمدان طبق سیستم TNM مدل‌سازی و شبیه‌سازی شد. برای انجام مدل سازی و شبیه سازی از نرم‌افزار NetLogo استفاده شد. نتایج: این پژوهش توسعه مدلی در جهت شبیه‌سازی، نمایان‌سازی و پیش‌بینی رشد و گسترش تومور در وضعیت‌های مختلف سرطان تخمدان مطابق با سیستم TNM و همچنین فرآیند متاستاز سرطان تخمدان بود. نتیجه‌گیری: توسعه و بهره‌گیری از مدل‌های سرطان تخمدان در وضعیت‌های مختلف سرطان می‌تواند با فراهم آوردن امکان مطالعه و بررسی بیشتر، منجر به پیش‌بینی بهتر توالی رشد و رفتار تومور و انتخاب گزینه درمان بهتر شود.   2 Introduction: Ovarian cancer is caused by malignant changes in the cells of the ovary. In various studies, cancer has been regarded as a biological system that has a set of characteristics; therefore, presenting a model of this system can considerably help to study and predict the phenomena related to the growth and spread of cancer. This study attempted to model and simulate the growth and spread of tumor in different stages of ovarian cancer and investigate the process of metastasis of ovarian cancer to other tissues and organs. Method: In this research, modeling and simulation as well as library studies were used. First, it was attempted to design and model the anatomy of the ovary, fallopian tubes, uterus, lymph nodes of the ovaries, liver, and spleen. Then, different stages of ovarian cancer were modeled and simulated according to TNM system. NetLogo software was used for modeling and simulation. Results: This study developed a model to simulate, visualize, and predict tumor growth and spread in different stages of ovarian cancer according to the TNM system as well as the ovarian cancer metastasis process. Conclusion: By providing the possibility of further study and testing, development and utilization of models of ovarian cancer in its different stages can lead to better prediction of tumor growth sequence and behavior and selection of a better treatment option   42 54 2020/10/52020/10/82021/01/52021/03/12021/01/11 1399/10/22 2021/04/212021/01/42021/04/272021/04/32021/04/21 1400/2/1 مهسا آزادی Mahsa Azadi کارشناس ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران ایران Mahsa_azadi90@yahoo.com آرش رحمان Arash Rahman دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران ایران arahman@riau.ac.ir فرشته شاه محمدی Fereshte ShahMohamadi متخصص زنان و زایمان، استادیار، گروه زنان، دانشکده پزشکی، دانشگاه علوم پزشکی آزاد اسلامی تهران، دانشگاه آزاد اسلامی، تهران، ایران ایران Shahmohammady.far@gmail.com Ovarian Cancer TNM System Ovarian Cancer Modeling Ovarian Cancer Simulation سرطان تخمدان سیستم TNM مدل‌سازی سرطان تخمدان شبیه‌سازی سرطان تخمدان 1. Safdari R, Shahmoradi L, Daneshvar M, Pourtorkan E, Gholamzadeh M. Decision Modeling for Diagnosis and Screening of Ovarian Epithelial Cancer. Payavard Salamat 2018; 12(1):44-52. [In Persian]##2. Khani H, Mirzaei K. Modeling and simulating cancer behavior in the framework of Multi agent systems based on complex networks theory. 8th Symposium on Advances in Science & Technology- Computer Networks, Modeling & System Security (CNMSecur); 2013 Dec 28; Mashhad: Khavaran Institute of Higher Education; 2013. [In Persian]##3. Zhang L, Xue Y, Jiang B, Strouthos C, Duan Z, Wu Y, et al. Multiscale agent-based modelling of ovarian cancer progression under the stimulation of the STAT 3 pathway. Int J Data Min Bioinform 2014;9(3):235-53. doi: 10.1504/ijdmb.2014.060050##4. Klampfer L. Signal transducers and activators of transcription (STATs): Novel targets of chemopreventive and chemotherapeutic drugs. Curr Cancer Drug Targets 2006;6(2):107-21. doi: 10.2174/156800906776056491##5. Li K, Hüsing A, Fortner RT, Tjønneland A, Hansen L, Dossus L, et al. An epidemiologic risk prediction model for ovarian cancer in Europe: the EPIC study. Br J Cancer 2015; 112(7): 1257–65. doi: 10.1038/bjc.2015.22##6. Kohandel M, Sivaloganathan S, Oza A. Mathematical modeling of ovarian cancer treatments: sequencing of surgery and chemotherapy. J Theor Biol 2006; 242(1): 62-8. doi: 10.1016/j.jtbi.2006.02.001##7. Rosner BA, Colditz GA, Webb PM, Hankinson SE. Mathematical models of ovarian cancer incidence. Epidemiology 2005; 16(4): 508-15. doi: 10.1097/01.ede.0000164557.81694.63##8. Botesteanu DA, Lipkowitz, S, Lee JM, Levy D. Mathematical Models of Breast and Ovarian Cancers. Wiley Interdiscip Rev Syst Biol Med 2016;8(4):337-62. doi: 10.1002/wsbm.1343##9. Botesteanu DA, Lee JM, Levy D. Modeling the Dynamics of High-Grade Serous Ovarian Cancer Progression for Transvaginal Ultrasound-Based Screening and Early Detection. PLoS One 2016;11(6):e0156661. doi: 10.1371/journal.pone.0156661##10. Kozłowska E, Färkkilä A, Vallius T, Carpén O, Kemppainen J, Grénman S, et al. Mathematical modeling predicts response to chemotherapy and drug combinations in ovarian cancer. Cancer Res 2018; 78(14): 4036-44. doi: 10.1158/0008-5472.CAN-17-3746##11. Gu S, Hogen L, Lheureux S, Sayad A, Vyarvelska I, Cybulska P, et al. Computational modeling of serous ovarian carcinoma dynamics: Implications for screening and therapy. Clin Cancer Res 2015; 75(15): 307-18. doi:10.1158/1538-7445.AM2015-LB-307##12. Rakhsh S, Jafariyeh F. Modeling of ovarian cancer tumors using cellular automata. 1st National Conference on New Technologies in Engineering Sciences; 2010 May 21; Mashhad: Khavaran Institute of Higher Education; 2010. [In Persian]##13. Gress DM, Edge SB, Greene FL, Washington MK, Asare EA, Brierley JD, et al. Principles of Cancer Staging. In book: AJCC Cancer Staging Manual; 2017. p. 3-30. doi:10.1007/978-3-319-40618-3_1##14. Brown PO, Palmer C. The Preclinical Natural History of Serous Ovarian Cancer: Defining the Target for Early Detection. PLoS Med 2009; 6(7): e1000114. doi: 10.1371/journal.pmed.1000114##15. Wilensky U. NetLogo. Version 5.0.5 [software]. Center for Connected Learning and Computer-Based Modeling, Northwestern University; Evanston, IL. [cited 2020 May 12]. Available from: http://ccl.northwestern.edu/netlogo/.##16. Kaviani A, Ebrahimi M, Najafi M, Haghighat S, Majidzade K. A Journey with breast cancer. 1st ed. Qom: Ebtekare Danesh; 2009. [In Persian]##17. Suh DH, Chang SJ, Song T, Lee S, Kang WD, Lee SJ, et al. Practice guidelines for management of ovarian cancer in Korea: a Korean Society of Gynecologic Oncology Consensus Statement. J Gynecol Oncol 2018;29(4):e56. doi: 10.3802/jgo.2018.29.e56##18. American Cancer Society. Ovarian Cancer Early Detection, Diagnosis, and Staging. [cited 2019 Feb 16]. Available from: https://www.cancer.org/content/dam/CRC/PDF/Public/8775.00.pdf##19. Koshiyama M, Matsumura N, Konishi I. Recent Concepts of Ovarian Carcinogenesis: Type I and Type II. Biomed Res Int 2014;2014:934261. doi: 10.1155/2014/934261##20. Horvath LE, Werner TH, Boucher K, Jones K. The Relationship between Tumor Size and Stage in Early Versus Advanced Ovarian Cancer. Med Hypotheses 2013;80(5):684-7. doi: 10.1016/j.mehy.2013.01.027##21. Robert CY, Maurie M. Chemotherapy. In: Jonathan SB, Neville FH, editors. Practical gynecologic oncology. 3rd ed. Philadelphia: Lippincott Williams & Wilkins; 2000. p. 86.##22. Na S, Hwang J, Lee H, Lee J, Lee D. Rapidly growing ovarian endometrioid adenocarcinoma involving the vagina: a case report. Taiwan J Obstet Gynecol 2011;50(4):522-7.##23. Han LY, Karavasilis V, Hagen Tv, Nicum S, Thomas K, Harrison M, et al. Doubling time of serum CA125 is an independent prognostic factor for survival in patients with ovarian cancer relapsing after first-line chemotherapy. Eur J Cancer 2010; 46(8): 1359–64. doi: 10.1016/j.ejca.2010.02.012##24. Pavlik EJ. Ten Important Considerations for Ovarian Cancer Screening. Diagnostics (Basel) 2017;7(2):22. doi: 10.3390/diagnostics7020022## ##

واکاوی چالش‌های استقرار فناوری اطلاعات سبز در بیمارستان‌ها و مراکز درمانی An Analysis of the Challenges of Green Information Technology Implementation in Hospitals and Treatment Centers 1 1 مقدمه: امروزه استفاده از فناوری اطلاعات سبز، اثرات مثبتی در نظام سلامت به خصوص در زمینه کنترل مصرف بی‌رویه انرژی، کاهش کاغذبازی، استفاده کم از فناوری و دستگاه‌های پزشکی و افزایش عملکرد زیست‌محیطی و اقتصادی دارد. این مطالعه با هدف واکاوی چالش‌های استقرار فناوری اطلاعات سبز در بیمارستان‌ها و مراکز درمانی تهیه‌ شده است. روش: این پژوهش از لحاظ هدف، کاربردی بود که در دو مرحله انجام شد. ابتدا با مرور مبانی نظری و مطالعات پیشین از طریق روش مرور متون، چالش‌های استقرار فناوری اطلاعات سبز در بیمارستان‌ها و مراکز درمانی شناسایی شدند؛ سپس برای تأیید و اولویت‌بندی چالش‌های شناسایی شده، این چالش‌ها در اختیار 21 نفر از خبرگان دانشگاهی و مسئولان فناوری اطلاعات شاغل در بیمارستان‌ها قرار گرفت. نتایج: بیمارستان‌ها و مراکز درمانی در مسیر استقرار فناوری اطلاعات سبز با چالش‌هایی مربوط به ابعاد نظام مدیریت منابع انسانی (2 مؤلفه و 10 شاخص)، فشارهای نهادی (4 مؤلفه و 9 شاخص)، نظام اداری (3 مؤلفه و 16 شاخص)، نظام مالی (4 مؤلفه و چهار شاخص)، نظام حقوقی-قانونی (دو مؤلفه و سه شاخص) و زیرساخت‌های سازمانی (دو مؤلفه و دو شاخص) روبه‌رو هستند. نتیجه‌گیری: استقرار فناوری اطلاعات سبز در بیمارستان‌ها و مراکز درمانی، پتانسیل بی‌نظیری در زمینه کاهش انرژی، ترویج قابلیت بازیافت محصولات از بین رفته و زباله‌های کارخانه، ایجاد محصولات متناسب با محیط‌زیست، تشویق مردم برای کار از راه دور دارد. 2 Introduction: Today, the use of green information technology has positive effects on the health system, especially in controlling energy waste, reducing paperwork, lowering the use of technology and medical devices, and enhancing environmental and economic performance. This study aimed to investigate the challenges of implementing green information technology in hospitals and treatment centers. Method: This study was an applied research carried out in two phases: first, by reviewing the theoretical foundations and previous studies through the method of reviewing texts, the challenges of establishing green information technology in hospitals and medical centers were identified; then, to confirm and prioritize the identified challenges, these challenges were provided to 21 academic experts and IT officials working in hospitals. Results: On the path of implementing green information technology, hospitals and treatment centers faced challenges related to Human Resource Management System (2 components and 10 indicators), Institutional Pressures (4 components and 9 indicators), Administrative System (3 components and 16 indicators), Financial System (4 components and 4 indicators), Legal System (2 components and 3 indicators), and Organizational Infrastructure (2 components and 2 indicators). Conclusion: The implementation of green information technology in hospitals and treatment centers has a unique potential in reducing energy, promoting the recyclability of obsolete equipment and hospital waste, creating environmentally friendly products, and encouraging people to work remotely. 55 66 2020/10/52020/10/82021/01/52021/03/12021/01/112021/02/6 1399/11/18 2021/04/212021/01/42021/04/272021/04/32021/04/212021/03/13 1399/12/23 حسین کریمی Hossein Karimi کارشناسی ارشد مدیریت فناوری اطلاعات، دانشکده اقتصاد و کارآفرینی، دانشگاه رازی، کرمانشاه، ایران ایران hossein.karimi_iran2020@yahoo.com محمدجواد جمشیدی Mohammad Javad Jamshidi دکترای مدیریت فناوری اطلاعات، استادیار گروه مدیریت و کارآفرینی ، دانشکده اقتصاد و کارآفرینی، دانشگاه رازی، کرمانشاه، ایران ایران mj.jamshidi@razi.ac.ir مهدی حسین پور Mahdi Hosseinpour دکترای مدیریت استراتژیک، استادیار گروه مدیریت و کارآفرینی، دانشکده اقتصاد و کارآفرینی، دانشگاه رازی، کرمانشاه، ایران ایران M.hosseinpour@razi.ac.ir Green Information Technology Challenges Hospitals Treatment Centers فناوری اطلاعات سبز چالش‌ها بیمارستان‌ها مراکز درمانی 1. Siegler K, Gaughan B. A practical approach to Green IT. Webinar [cited 2021 Apr 5]. Available from: http://www.itmanagement.com/land/green-it-webinar/?tfso=2058 ##2. Murugesan S. Harnessing Green IT: Principles and Practices. IT Professional 2008;10(1):24-33. doi:10.1109/MITP.2008.10##3. Hilty LM, Aebischer B. ICT for Sustainability: An Emerging Research Field. ICT Innovations for Sustainability. Springe; 2015. p. 3-36. doi: 10.1007/978-3-319-09228-7-1##4. Hernandez AA. Exploring the Factors to Green IT Adoption of SMEs in the Philippines. Journal of Cases on Information Technology 2018; 20(2): 49-66. doi:10.4018/JCIT.2018040104 ##5. Dezdar S. Green information technology adoption: Influencing factors and extension of theory of planned behavior. Social Responsibility Journal 2017;13(2):292-306. doi:10.1108/SRJ-05-2016-0064##6. Godbole NS, Lamb J. Using data science & big data analytics to make healthcare green. 12th International Conference & Expo on Emerging Technologies for a Smarter World (CEWIT); 2015 Oct 19-20; Melville, NY, USA: IEEE; 2015. p. 1-6. doi: 10.1109/CEWIT.2015.7338161 ##7. Chen HG, Chang J. Exploring affecting factors on green IT adoption. International Conference on Knowledge Management in Organizations. Springer; 2014. p. 205-18. doi: 10.1007/978-3-319-08618-7_21##8. Gholami R, Watson RT, Hasan H, Molla A, Bjorn-Andersen N. Information systems solutions for environmental sustainability: How can we do more? Journal of the Association for Information Systems 2016;17(8):521-36. doi:10.17705/1jais.00435##9. Jalali R, Shahbazi SH. Designing a model for establishing green information technology projects using the foundation data theory approach. 4th International Conference Industrial Management; 2019 Apr 22-23; Yazd: Yazd University; 2019. ]In Persian [ ##10. Alziady AA, Enayah SH. Studying the effect of institutional pressures on the intentions to continue green information technology usage. Asian Journal of Sustainability and Social Responsibility 2019;4(1):1-20. doi: 10.1186/s41180-018-0023-1##11. Paschen J, Wilson M, Robson K. # BuyNothingDay: investigating consumer restraint using hybrid content analysis of Twitter data. European Journal of Marketing 2020. doi:10.1108/EJM-01-2019-0063##12. Humphrey-Murto S, de Wit M. The Delphi method—more research please. J Clin Epidemiol 2019;106:136-9. doi: 10.1016/j.jclinepi.2018.10.011##13. Rezaee N, Salsali M, Jahantigh M. Identification of women’s health dimensions: a review on qualitative studies. Iranian Journal of Nursing Research 2015; 10(38): 18-30. [In Persian]##14. Humphrey-Murto S, de Wit M. The Delphi method—more research please. J Clin Epidemiol 2019;106:136-9. doi: 10.1016/j.jclinepi.2018.10.011##15. Mishra A, Akman I. Green information technology (GIT) and gender diversity. Environmental Engineering & Management Journal 2014;13(12): 1-18. doi:10.30638/eemj.2014.338##16. Anthony J, Abdul Majid M, Romli A. Green information technology adoption towards a sustainability policy agenda for government-based institutions: An administrative perspective. Journal of Science and Technology Policy Management 2019;10(2):274-300. doi: 10.1108/JSTPM-11-2017-0056##17. Koo C, Chung N. Examining the eco-technological knowledge of Smart Green IT adoption behavior: A self-determination perspective. Technological Forecasting and Social Change 2014;88:140-55. https://doi.org/10.1016/j.techfore.2014.06.025 ##18. Molla A, Pittayachawan S, Corbitt B, Deng H. An international comparison of Green IT diffusion. International Journal of e-Business Management 2009;3(2):3-23. doi:10.3316/IJEBM0302003##19. Murugesan S, Gangadharan GR. Harnessing Green It: Principles and Practices. Green IT: an overview. New York: John Wiley & Sons, Ltd; 2012. doi: 10.1002/9781118305393.ch1##20. Nedbal D, Wetzlinger W, Auinger A, Wagner G. Sustainable IS Initialization Through Outsourcing: A Theory-Based Approach. Renaissance of Information Technology for Sustainability and Global Competitiveness. 17th Americas Conference on Information Systems; 2011 Aug 4-8; Detroit, Michigan, USA: AMCIS; 2011. p. 255.##21. Dalvi-Esfahani M, Ramayah T, Nilashi M. Modelling upper echelons’ behavioural drivers of Green IT/IS adoption using an integrated Interpretive Structural Modelling – Analytic Network Process approach. Telematics and Informatics 2017 ;34(2):583-603. https://doi.org/10.1016/j.tele.2016.10.002##22. Radu LD. Determinants of green ICT adoption in organizations: a theoretical perspective. Sustainability 2016;8(8):1-16. doi: 10.3390/su8080731##23. Nazari G, Karim H. Green IT adoption: The impact of IT on environment: A case study on Green IT adoption and underlying factors influencing it. Proceedings of 17th Conference on Electrical Power Distribution; 2012 May 2-3; Tehran: IEEE; 2012. p. 1-7. ##24. Sarkar P, Young L. Managerial attitudes towards Green IT: An explorative study of policy drivers. PACIS 2009 Proceedings. 2009 Jul 19:95. Pacific Asia Conference on Information Systems; 2009 Jul 10-12; Hyderabad, India: PACIS; 2009. ##25. Zheng DQ. The Discussion on Mechanism and Research Framework of Green Information Technology and Information Systems Adoption. Advanced Materials Research 2013; 694-697: 2286-90. https://doi.org/10.4028/www.scientific.net/AMR.694-697.2286 ##26. Thomson S, van Belle JP. Antecedents of green IT adoption in South African higher education institutions. Electronic Journal of Information Systems Evaluation 2015;18(2):172-86.##27. Deng Q, Ji S. Organizational green IT adoption: concept and evidence. Sustainability 2015;7(12):16737-55. https://doi.org/10.3390/su71215843##28. Chen AJ, Watson RT, Boudreau MC, Karahanna E. An institutional perspective on the adoption of Green IS & IT. Australasian Journal of Information Systems 2011;17(1). doi:10.3127/ajis.v17i1.572##29. Cai S, Chen X, Bose I. Exploring the role of IT for environmental sustainability in China: An empirical analysis. International Journal of Production Economics 2013;146(2):491-500. https://doi.org/10.1016/j.ijpe.2013.01.030##30. Zohrabi M, Biabangard mehrabini F. Survey acceptance of green information technology: based on process-oriented management. 1nd International E- Conference on Green Economics; 2014 May 11; Babolsar: Toroud Shomal Company; 2014.] In Persian]##32. Jamshidi MJ. Factors affecting the deployment of green information technology in business firms. International Conference on Business: Opportunities and Challenges; 2016 Jun 5; Rasht: The Faculty of Engineering Mirza Kochak Someh Sara; 2016.] In Persian[ ##33. Schmidt NH, Erek K, Kolbe LM, Zarnekow R. Predictors of Green IT Adoption: Implications from an Empirical Investigation. Sustainable IT Collaboration around the Globe. 16th Americas Conference on Information Systems. 2010 Aug 12-15; Lima, Peru: AMCIS; 2010. p. 367.##34. Lei CF, Ngai EW. Green IT Adoption: An Academic Review of Literature. PACIS; 2013. p. 95.##35. Tolaei R, Shokohyar S, Gharakhani E. Designing a model for measuring the acceptability of green information technology in the National Iranian Oil Company. Oil and Gas Exploration and Production 2015; 126: 15-24.] In Persian [##36. Mehrabian M, Zohrabi M. Exploring the benefits of green information technology. National Conference on Computer Engineering and Information Technology; Management; 2014 May 28; Tehran: Farzin Toloe Company; 2014. ]In Persian[.## ##

شناسایی هوشمند سرطان پوست آکتینیک کراتوزیس و کارسینومای سلول سنگفرشی با استفاده از ویژگی‌های خطی و غیر‌خطی بر پایه تکنیک‌های پردازش تصویر Intelligent Diagnosis of Actinic Keratosis and Squamous Cell Carcinoma of the Skin, Using Linear and Nonlinear Features Based on Image Processing Techniques 1 1 مقدمه: اکثر سرطان‌های پوست در مراحل ابتدایی قابل درمان هستند، بنابراین یک تشخیص زودهنگام و سریع می‌تواند برای نجات جان بیماران بسیار حائز اهمیت باشد. امروزه  با کمک هوش مصنوعی، تشخیص زودهنگام سرطان در مراحل ابتدایی ممکن شده است. روش: در این پژوهش توصیفی-تحلیلی، یک سیستم کامپیوتری تشخیصی بر پایه تکنیک‌های پردازش تصویر ارائه شد که برای بیمار بسیار سودمندتر است. در این روش، تصاویر درموسکوپی ثبت شده از دو نوع سرطان آکتینیک کراتوزیس و سرطان کارسینومای سلول سنگفرشی توسط تکنیک‌های پیش‌پردازش بهبود داده شدند و نویزهای احتمالی موجود در آن‌ها حذف شد، سپس توسط روش آستانه‌گذاری بخش‌بندی شدند تا محدوده ضایعه از پوست زمینه جدا شود. در ادامه از این محدوده بخش‌بندی شده اطلاعات و ویژگی‌های بافتی، شکلی و رنگی استخراج شد. در انتها به کمک روش کاهش ویژگی و ماشین بردار پشتیبان (Support Vector Machine)‌ SVM به ارزیابی کیفی و کمی روش پیشنهادی پرداخته شد. نتایج: داده‌های این مطالعه شامل 100 نمونه تصویر آکتینیک کراتوزیس و 100 نمونه کارسینومای سلول سنگفرشی بود. نتایج مطالعه حاضر نشان داد استفاده از روش الگوریتم ژنتیک به کمک روش ماشین بردار پشتیبان توانست نوع سرطان پوست را با صحت 0/4±99/7% شناسایی کند. نتیجه‌گیری: تأثیر حضور ویژگی‌های بافتی متفاوت در امر تشخیص نوع ضایعه نشان داد هرچه میزان و تنوع ویژگی‌های استخراج شده از نمونه‌ها بیشتر باشد، آموزش سیستم بهتر و آنالیز دقیق‌تری صورت می‌گیرد. 2 Introduction: Most skin cancers are treatable in the early stages; thus, an early and rapid diagnosis can be very important to save patients’ lives. Today, with artificial intelligence, early detection of cancer in the initial stages is possible. Method: In this descriptive-analytical study, a computerized diagnostic system based on image processing techniques was presented, which is much more helpful for the patient. In this method, dermoscopic images of actinic keratosis and squamous cell carcinoma were improved by preprocessing techniques and the potential noises were removed. Then, segmentation was performed using the thresholding method to separate the lesion from the underlying skin. Thereafter, from the segmented area, texture, shape, and color information and features were extracted. Finally, the feature reduction method and support vector machine (SVM) were used to evaluate the proposed method qualitatively and quantitatively. Results: The data in this study included 100 samples of actinic keratosis images and 100 samples of squamous cell carcinoma. The results of the present study showed that using the genetic algorithm method together with the support vector machine method could help identify the type of skin cancer with 99.7 ± 0.4% accuracy. Conclusion: The effect of different tissue features in diagnosing the type of lesion showed an increase in the amount and variety of features extracted from the samples would lead to better training and more accurate analysis of the system. 67 83 2020/10/52020/10/82021/01/52021/03/12021/01/112021/02/62021/04/17 1400/1/28 2021/04/212021/01/42021/04/272021/04/32021/04/212021/03/132021/04/27 1400/2/7 نازنین نقاش زرگر Naghashzargar Nazanin کارشناسی ارشد مهندسی پزشکی، گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران ایران t_tarjome@yahoo.com محمد کریمی مریدانی Mohammad Karimi Moridani دکتری مهندسی پزشکی، استادیار، گروه مهندسی پزشکی، دانشکده بهداشت و مهندسی پزشکی، دانشگاه علوم پزشکی آزاد اسلامی تهران، تهران، ایران ایران mkarimi.bme@gmail.com حمیدرضا محمودی Hamidreza Mahmoudi دکتری پزشکی، دانشیار، گروه پوست، دانشگاه علوم پزشکی تهران، تهران، ایران ایران mprofessionalmaster@yahoo.com Skin Cancer Actinic Keratosis Squamous Cell Carcinoma Image Processing Intelligent Diagnosis سرطان پوست آکتینیک کراتوزیس کارسینومای سلول سنگ فرشی پردازش تصویر شناسایی هوشمند 1. Habif TP, Campbell JL, Dinulos JG, Chapman MS, Zug KA. Skin Disease: Diagnosis and Treatment (Skin Disease: Diagnosis and Treatment. 3rd ed. London: Saunders; 2011.##2. Stulberg DL, Crandell B, Fawcett RS. Diagnosis and treatment of basal cell and squamous cell carcinomas. Am Fam Physician 2004; 70(8):1481-8. ##3. Chuh AA, Zawar V. Demonstration of residual perifollicular pigmentation in localized vitiligo—a reverse and novel application of digital epiluminescence dermoscopy. Comput Med Imaging Graph. 2004;28(4):213-7. doi: 10.1016/j.compmedimag.2004.03.001##4. Paoli J, Smedh M, Wennberg AM, Ericson MB. Multiphoton laser scanning microscopy on non-melanoma skin cancer: morphologic features for future non-invasive diagnostics. Journal of Investigative Dermatology 2008; 128(5):1248-55.##5. Kleinpenning MM, Wolberink EW, Smits T, Blokx WA, Van De Kerkhof PC, Van Erp PE, et al. Fluorescence diagnosis in actinic keratosis and squamous cell carcinoma. Photodermatology, Photoimmunology & Photomedicine 2010;26(6):297-302. https://doi.org/10.1111/j.1600-0781.2010.00546.x##6. Abbas Q, Fondón I, Rashid M. Unsupervised skin lesions border detection via two-dimensional image analysis. Comput Methods Programs Biomed 2011; 104(3):e1-15. doi: 10.1016/j.cmpb.2010.06.016##7. Ballerini L, Fisher RB, Aldridge B, Rees J. Non-melanoma skin lesion classification using colour image data in a hierarchical K-NN classifier. 9th International Symposium on Biomedical Imaging (ISBI). New Delhi, India: IEEE; 2012.##8. Maurya R, Singh SK, Maurya AK, Kumar A. GLCM and Multi Class Support vector machine based automated skin cancer classification. In2014 International Conference on Computing for Sustainable Global Development (INDIACom); 2014 Mar 5-7; IEEE; 2014. p. 444-7. doi: 10.1109/IndiaCom.2014.6828177##9. Buch K, Fujita A, Li B, Kawashima Y, Qureshi MM, Sakai O. Using texture analysis to determine human papillomavirus status of oropharyngeal squamous cell carcinomas on CT. American Journal of Neuroradiology 2015;36(7):1343-8.##10. Kawahara J, BenTaieb A, Hamarneh G. Deep features to classify skin lesions. 13th International Symposium on Biomedical Imaging (ISBI); 2016 Apr 13-16; IEEE; 2016. p. 1397-400. doi: 10.1109/ISBI.2016.7493528##11. Dorj UO, Lee KK, Choi JY, Lee M. The skin cancer classification using deep convolutional neural network. Multimedia Tools and Applications 2018;77(8):9909-24. https://doi.org/10.1007/s11042-018-5714-1##12. Herment A, Kachenoura N, Lefort M, Bensalah M, Dogui A, Frouin F, et al. Automated segmentation of the aorta from phase contrast MR images: validation against expert tracing in healthy volunteers and in patients with a dilated aorta. J Magn Reson Imaging 2010;31(4):881-8. doi: 10.1002/jmri.22124##13. Unay D, Ekin A, Cetin M, Jasinschi R, Ercil A. Robustness of local binary patterns in brain MR image analysis. Annu Int Conf IEEE Eng Med Biol Soc 2007;2007:2098-101. doi: 10.1109/IEMBS.2007.4352735##14. Rao M, Joshua Fernandez C, Sreekumar K. Accuracy Assessment & Classification of Keratosis Skin Lesion Images using Feature Extraction & Classification Algorithms-LBP, LDP& HOG. International Journal of Innovative Technology and Exploring Engineering 2020; 9(6): 397-403. doi: 10.35940/ijitee.F3737.049620##15. Too J, Abdullah AR, Mohd Saad N. Binary competitive swarm optimizer approaches for feature selection. Computation 2019;7(2):31. https://doi.org/10.3390/computation7020031##16. Gutzmer R, Wiegand S, Kölbl O, Wermker K, Heppt M, Berking C. Actinic Keratosis and Cutaneous Squamous Cell Carcinoma: Treatment Options. Dtsch Arztebl Int 2019; 116(37): 616–26. doi: 10.3238/arztebl.2019.0616##17. Casari A, Chester J, Pellacani G. Actinic keratosis and non-invasive diagnostic techniques: an update. Biomedicines 2018;6(1):8. doi: 10.3390/biomedicines6010008##18. Khan S, Hussain M, Aboalsamh H, Bebis G. A comparison of different Gabor feature extraction approaches for mass classification in mammography. Multimedia Tools and Applications 2017; 76(1):33-57.##19. Wu J, Jin X, Mi S, Tang J. An effective method to compute the box-counting dimension based on the mathematical definition and intervals. Results in Engineering 2020; 6:100106. https://doi.org/10.1016/j.rineng.2020.100106##20. Ramola A, Shakya AK, Van Pham D. Study of statistical methods for texture analysis and their modern evolutions. Engineering Reports 2020;2(4):e12149. https://doi.org/10.1002/eng2.12149##21. Dalal N, Triggs B. Histograms of oriented gradients for human detection. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05); 2005 Jun 20-25; San Diego, CA, USA: IEEE; 2005. p. 886-93. doi: 10.1109/CVPR.2005.177##22. Sujji GE, Lakshmi YV, Jiji GW. MRI brain image segmentation based on thresholding. International Journal of Advanced Computer Research 2013;3(1):97-101.##23. Losson O, Macaire L, Yang Y. Comparison of color demosaicing methods. Advances in Imaging and Electron Physics, Elsevier 2010; 162:173-265. doi: 10.1016/S1076-5670(10)62005-8##24. Cao XH, Stojkovic I, Obradovic Z. A robust data scaling algorithm to improve classification accuracies in biomedical data. BMC Bioinformatics 2016;17(1):359. doi: 10.1186/s12859-016-1236-x##25. Moridani MK, Setarehdan SK, Nasrabadi AM, Hajinasrollah E. A novel approach to mortality prediction of ICU cardiovascular patient based on fuzzy logic method. Biomedical Signal Processing and Control 2018;45:160-73. https://doi.org/10.1016/j.bspc.2018.05.019##26. Mehboob U, Qadir J, Ali S, Vasilakos A. Genetic algorithms in wireless networking: techniques, applications, and issues. Soft Computing 2016;20(6):2467-501.##27. Moridani MK, Zadeh MA, Mazraeh ZS. An efficient automated algorithm for distinguishing normal and abnormal ECG signal. IRBM 2019;40(6):332-40. https://doi.org/10.1016/j.irbm.2019.09.002##28. Chaturvedi SS, Gupta K, Prasad PS. Skin lesion analyser: an efficient seven-way multi-class skin cancer classification using MobileNet. Skin Cancer Classification using Deep Learning; 2011. p. 1-11. doi: 10.1007/978-981-15-3383-9_15##29. Hekler A, Utikal JS, Enk AH, Hauschild A, Weichenthal M, Maron RC, et al. Superior skin cancer classification by the combination of human and artificial intelligence. Eur J Cancer 2019;120:114-21. doi: 10.1016/j.ejca.2019.07.019##30. Rao M, Calvin Joshua Fernandez CJ, Sreekumar K. Accuracy Assessment & Classification of Keratosis Skin Lesion Images using Feature Extraction & Classification Algorithms-LBP, LDP& HOG. International Journal of Innovative Technology and Exploring Engineering 2020; 9(6): 397-403. doi:10.35940/ijitee.f3737.049620##31. Pacheco AG, Krohling RA. The impact of patient clinical information on automated skin cancer detection. Comput Biol Med 2020;116:103545. doi: 10.1016/j.compbiomed.2019.103545##32. Hasan MK, Dahal L, Samarakoon PN, Tushar FI, Martí R. DSNet: Automatic dermoscopic skin lesion segmentation. Computers in Biology and Medicine 2020;120:103738. https://doi.org/10.1016/j.compbiomed.2020.103738##33. Zafar K, Gilani SO, Waris A, Ahmed A, Jamil M, Khan MN, Sohail Kashif A. Skin lesion segmentation from dermoscopic images using convolutional neural network. Sensors 2020;20(6):1601. doi: 10.3390/s20061601##34. Nanni L, Paci M, Maguolo G, Ghidoni S. Deep learning for actinic keratosis classification. AIMS Electronics and Electrical Engineering. 2020;4(1):47-56. doi:10.3934/ElectrEng.2020.1.47##35. Song T, Li H, Meng F, Wu Q, Cai J. LETRIST: Locally encoded transform feature histogram for rotation-invariant texture classification. IEEE Transactions on Circuits and Systems for Video Technology 2017;28(7):1565-79. doi: 10.1109/TCSVT.2017.2671899## ##

بررسی تأثیر عوامل مؤثر در استفاده از رسانه‌های اجتماعی بر ارتقای سطح سواد سلامت الکترونیک شهروندان در بحران‌ها Investigating the Influence of Factors Effective in Using Social Media on Improving E-Health Literacy of Citizens in Crisis 1 1 مقدمه: با توجه به شیوع و همه‌گیری ویروس کرونا نقش رسانه‌ها و به ویژه رسانه‌های اجتماعی جهت اطلاع‌رسانی و افزایش سواد سلامت بسیار حائز اهمیت می‌باشد. هدف پژوهش حاضر بررسی تأثیر عوامل مؤثر در استفاده از رسانه‌های اجتماعی بر ارتقای سطح سواد سلامت الکترونیک شهروندان در بحران‌ها مورد مطالعه قرار گرفت. روش: در این مطالعه تحلیلی- توصیفی 384 نفر از بیماران استان کرمانشاه با استفاده از روش نمونه‌گیری جدول مورگان انتخاب شدند. به همین منظور از پرسشنامه محقق ساخته دو بخشی شامل بخش دموگرافیک (جمعیت‌شناختی) و بخش اختصاصی (با استفاده از 5 متغیر) با 40 پرسش مورد بررسی قرار گرفت. نحوه نمره‌دهی در پرسشنامه مورد استفاده با طیف 5 تایی لیکرت از نمره 1 (کاملاً مخالف) تا نمره 5 (کاملاً موافق) نمره‌گذاری شد. نتایج: یافته‌های پژوهش نشان داد که 43/1 درصد از شرکت‌کنندگان بیان داشتند که کرونا تأثیر زیادی بر شغل آن‌ها دارد و بیش از 40 درصد از شرکت‌کنندگان نیز بیان نمودند که اطلاعات مربوط به بهداشت را از طریق فضای اینترنت کسب می‌کنند. همچنین نتایج نشان می‌دهد که ارتباط بین متغیرها با یکدیگر معنی‌دار می‌باشند (0/05P<). نتیجه‌گیری: بالاترین همبستگی بین متغیر دسترسی و محبوبیت مشاهده شد. این امر به این معنی است که افزایش دسترسی به رسانه‌های اجتماعی منجر به افزایش محبوبیت این رسانه‌ها می‌شود. اطلاعات به دست آمده در این پژوهش نشان می‌دهد که به روز بودن رسانه‌ها، دسترسی، اعتماد به رسانه‌های اجتماعی، ارزش درک شده و محبوبیت از جمله عوامل مؤثر جهت تأثیر رسانه‌های اجتماعی بر سواد سلامت الکترونیک می‌باشند. 2 Introduction: Due to the prevalence of coronavirus, the role of media, especially social media, to inform about and increase health literacy is very important. The objective of this study was to investigate the influence of factors effective in the use of social media on the level of e-health literacy of citizens in crisis. Method: In this descriptive-analytical study, 384 patients in Kermanshah province were selected using Morgan table. For this purpose, a two-part researcher-made questionnaire was used which included a demographic section and a specific section (using 5 variables) with 40 questions. The items in this questionnaire were scored using a 5-point Likert scale ranging from 1 (strongly disagree) to 5 (strongly agree). Results: The findings revealed that 43.1% of the participants believed Corona had a great impact on their job and more than 40% of the participants also stated they obtained health information through the Internet. The results also showed that the relationship between the variables was significant (P <0.05). Conclusion: The highest correlation was observed between accessibility and popularity variables. This suggests that increasing access to social media will enhance the popularity of these media. The information obtained in this study demonstrated that up-to-dateness of media, accessibility, trust in social media, perceived value, and popularity are among the factors effective in the impact of social media on e-health literacy.   84 93 2020/10/52020/10/82021/01/52021/03/12021/01/112021/02/62021/04/172020/11/23 1399/9/3 2021/04/212021/01/42021/04/272021/04/32021/04/212021/03/132021/04/272021/04/27 1400/2/7 معصومه آینه Masoumeh Ayeneh کارشناسی ارشد مدیریت بازرگانی، گرایش بازاریابی، دانشگاه پیام نور، کرمانشاه، ایران ایران masomehayneh@gmail.com مهدی حسین پور Mahdi Hosseinpour دکترای مدیریت استراتژیک، استادیار گروه مدیریت و کارآفرینی، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران ایران m.hosseinpour@razi.ac.ir Social Media E-Health Literacy Corona Crisis Kermanshah رسانه‌های اجتماعی سواد سلامت الکترونیک بحران کرونا کرمانشاه 1. World Health Organization. Protocol for assessment of potential risk factors for coronavirus disease 2019 (‎COVID-19)‎ among health workers in a health care setting, 23 March 2020, version 2.2. [cited 2020 Jun 20]. Available from: https://apps.who.int/iris/handle/10665/332071##2. The National Committee on COVID-19 Epidemiology in Ministry of Health and Medical Education [cited 2020 Mar 29]. Available from: http://corona.behdasht.gov.ir.##3. Barnes MD, Hanson CL, Novilla LM, Meacham AT, McIntyre E, Erickson BC. Analysis of media agenda setting during and after Hurricane Katrina: Implications for emergency preparedness, disaster response, and disaster policy. Am J Public Health. 2008 98(4): 604–10. doi: 10.2105/AJPH.2007.112235##4. Moe TL, Pathranarakul P. An integrated approach to natural disaster management. Disaster Prevention and Management 2006; 15(3):396-413. doi:10.1108/09653560610669882##5. Pennycook G, McPhetres J, Zhang Y, Lu JG, Rand DG. Fighting COVID-19 misinformation on social media: Experimental evidence for a scalable accuracy-nudge intervention. Psychol Sci 2020; 31(7): 770–80. doi: 10.1177/0956797620939054##6. DMG Media and its partners process, store and/or access information on a device. Available from: www.dailymail.co.uk/sciencetech/article-8146529##7. Spence PR, Lachlan KA, Rainear AM. Social media and crisis research: Data collection and directions. Computers in Human Behavior 2016;54:667-72. https://doi.org/10.1016/j.chb.2015.08.045##8. McKinnon S, Gorman-Murray A, Dominey-Howes D. Disasters, queer narratives, and the news: how are LGBTI disaster experiences reported by the mainstream and LGBTI media? Journal of Homosexuality 2017;64(1):122-44. https://doi.org/10.1080/00918369.2016.1172901##9. Murthy D, Gross AJ. Social media processes in disasters: Implications of emergent technology use. Soc Sci Res 2017;63:356-70. doi: 10.1016/j.ssresearch.2016.09.015##10. Reuter C, Hughes AL, Kaufhold MA. Social media in crisis management: An evaluation and analysis of crisis informatics research. International Journal of Human–Computer Interaction 2018;34(4):280-94. doi:10.1080/10447318.2018.1427832##11. Palen L, Hughes AL. Social Media in Disaster Communication. Handbook of disaster research. Berlin: Springer; 2018. doi:10.1007/978-3-319-63254-4_24##12. Hughes AL, Palen L, Sutton J, Liu SB, Vieweg S. Site-seeing in disaster: An examination of on-line social convergence. In Proceedings of the 5th International ISCRAM Conference; 2008 May 4; p. 44-54. Washington, DC: 2008.##13. Palen L, Liu SB. Citizen communications in crisis: anticipating a future of ICT-supported public participation. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems; 2007 Apr 29 p. 727-36. https://doi.org/10.1145/1240624.1240736##14. Murthy D, Longwell SA. Twitter and disasters: The uses of Twitter during the 2010 Pakistan floods. Information, Communication & Society 2013;16(6):837-55. https://doi.org/10.1080/1369118X.2012.696123##15. Sutton JN, Palen L, Shklovski I. Backchannels on the front lines: Emergency uses of social media in the 2007 Southern California Wildfires. Proceedings of the 5th International ISCRAM Conference; 2008 May; Washington, DC, USA: 2008. ##16. Denef S, Bayerl PS, Kaptein NA. Social media and the police: Tweeting practices of British police forces during the August 2011 riots. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems; 2013 Apr 27; Paris, France, NewYork: ACM; 2013. p. 3471-80. doi: 10.1145/2470654.2466477##17. Hughes AL, Palen L. The evolving role of the public information officer: An examination of social media in emergency management. Journal of Homeland Security and Emergency Management 2012 21;9(1). doi:10.1515/1547-7355.1976##18. Shojaee M, Amirpour M. A survey of media literacy among students in the information society in north khorasan. Sociological Studies of Youth 2012;3(7):43-56. [In Persian]##19. Arthur J, Davison J, Stow W. Social literacy, citizenship education, and the national curriculum. 1st ed. Routledge: Psychology Press; 2000.##20. Buckingham D. Media education goes digital: an introduction. Learning, Media and Technology 2007;32(2):111-9. doi:10.1080/17439880701343006##21. Hobbs R, Jensen A. The past, present, and future of media literacy education. Journal of Media Literacy Education 2009;1(1):1.##22. Zanchetta MS, Poureslami IM. Health literacy within the reality of immigrants' culture and language. Can J Public Health 2006;97 Suppl 2:S26-30.##23. Bodie GD, Dutta MJ. Understanding health literacy for strategic health marketing: eHealth literacy, health disparities, and the digital divide. Health Mark Q 2008;25(1-2):175-203. doi: 10.1080/07359680802126301##24. Meppelink CS, van Weert JC, Haven CJ, Smit EG. The effectiveness of health animations in audiences with different health literacy levels: an experimental study. J Med Internet Res 2015;17(1):e11. doi: 10.2196/jmir.3979##25. van den Bosch FC, Ogiya G, Hahn O, Burkert A. Disruption of dark matter substructure: fact or fiction? Monthly Notices of the Royal Astronomical Society. 2018;474(3):3043-66. doi: 10.1093/mnras/stx2956##26. Choi NG, DiNitto DM. The digital divide among low-income homebound older adults: Internet use patterns, eHealth literacy, and attitudes toward computer/Internet use. J Med Internet Res 2013;15(5):e93. doi: 10.2196/jmir.2645##27. Richtering SS, Morris R, Soh SE, Barker A, Bampi F, Neubeck L, et al. Examination of an eHealth literacy scale and a health literacy scale in a population with moderate to high cardiovascular risk: Rasch analyses. PLoS One 2017;12(4):e0175372. doi: 10.1371/journal.pone.0175372##28. Guendelman S, Broderick A, Mlo H, Gemmill A, Lindeman D. Listening to communities: mixed-method study of the engagement of disadvantaged mothers and pregnant women with digital health technologies. J Med Internet Res 2017;19(7):e240. doi: 10.2196/jmir.7736##29. Neter E, Brainin E. eHealth literacy: extending the digital divide to the realm of health information. J Med Internet Res 2012;14(1):e19. doi: 10.2196/jmir.1619##30. Gross M. The impact of low-level skills on information-seeking behavior: Implications of competency theory for research and practice. Reference & User Services Quarterly 2005:155-62.##31. Zibrik L, Khan S, Bangar N, Stacy E, Lauscher HN, Ho K. Patient and community centered eHealth: exploring eHealth barriers and facilitators for chronic disease self-management within British Columbia’s immigrant Chinese and Punjabi seniors. Health Policy and Technology 2015;4(4):348-56. https://doi.org/10.1016/j.hlpt.2015.08.002##32. Chen X, Hay JL, Waters EA, Kiviniemi MT, Biddle C, Schofield E, et al. Health literacy and use and trust in health information. J Health Commun 2018;23(8):724-34. doi: 10.1080/10810730.2018.1511658##33. Niu Z, Qin Z, Hu P, Wang T. Health Beliefs, Trust in Media Sources, Health Literacy, and Preventive Behaviors among High-Risk Chinese for COVID-19. Health Commun 2021;1-9. doi: 10.1080/10410236.2021.1880684## ##

طراحی و پیاده‌سازی محیط بازی-ورزش با استفاده از الگوریتم‌های پردازش تصویر برای توان‌بخشی از راه دور بیماران مبتلا به ناتوانی حرکتی Design and Implementation of an Exergame Using Image Processing Techniques for Telerehabilitation of Patients with Physical Disabilities 1 1 مقدمه: در سال‌های اخیر، با توجه به معضلات حرکتی بیماران یا محدودیت‌های مراودات اجتماعی که در شرایط همه‌گیری کرونا پیش آمده است، توانبخشی از راه دور  با استفاده از واقعیت مجازی مورد توجه محققین بسیاری قرار گرفته است. روش: در این پژوهش کاربردی، با استفاده از یک حسگر کینکت و نرم‌افزار پردازش تصویر، شبیه‌ساز حرکتی جهت توان‌بخشی افراد مبتلا به ناتوانی شناختی-حرکتی در اندام بالاتنه یا پایین‌تنه بسته به مورد، طراحی و پیاده‌سازی شد. این سامانه، با استفاده از مفهوم آواتار و مقوله بازی-ورزش ایجاد شد. بدین منظور، بیمار باید در بازی طراحی‌ شده اجسام متحرک مانند زنبور را لمس کرده یا بگیرد. حرکت اجسام متحرک می‌تواند بسته به نظر پزشک انجام گیرد و ضمن مقایسه حرکت انجام ‌شده بیمار با حرکت استاندارد در نرم‌افزارِ طراحی شده، بیمار به اصلاح حرکات اشتباه ترغیب می‌شود، تا در نهایت حرکت را به شکل مطلوب انجام دهد. در سامانه طراحی ‌شده، امکان نظارت و ارزیابی نحوه حرکت بیمار در خارج از محیط بالینی و به صورت توانبخشی از راه دور فراهم ‌شد. نتایج: کارایی سامانه طراحی ‌شده بر روی بیماران مبتلا به ناتوانی شناختی- حرکتی، از طریق تحلیل کمّی (از طریق نمودارهای حرکت) و تحلیل کیفی (از طریق پرسشنامه) مورد بررسی قرار گرفت. نتیجه‌گیری: نتایج، نشان‌دهنده کارایی بالای این سامانه در تحلیلِ کمّی حرکت بیمار (از طریق امکان مقایسه آن با حرکات مرجع) و همچنین امکان استفاده عملی از آن در مراکز درمانی توان‌بخشی به‌ویژه در شرایط کنونی ناشی از بیماری کرونا با توجه به نتایج پرسشنامه را دارد. 2 Introduction: In recent years, due to physical problems of patients or restrictions on social interactions in COVID-19 pandemic, telerehabilitation based on virtual reality (VR) attracted the attention of many researchers.   Method: In this applied research, a Kinect sensor and an image processing software were used to design and implement a motion simulator for rehabilitation of patients with physical problems in upper or lower limb. To do this, the patient was supposed to touch or catch moving objects such as a bee. The movement of objects was based on physician’s decision and while comparing patients’ movements with reference ones in the designed system, the patient was encouraged to correct his/her movements to finally be able to do them in the desired manner. In the designed system, it is possible to monitor the patient’ movements outside the clinical environment and based on telerehabilitation.  Results: The efficiency of the designed system in patients with physical disabilities was investigated based on quantitative analysis (via motion charts) and qualitative analysis (through questionnaire). Conclusion: The results showed the high efficiency of this system in analysis of patients’ movements (through comparing it with reference ones), and the possibility to practically use it in rehabilitation centers especially in recent situation of covid-19 pandemic 94 104 2020/10/52020/10/82021/01/52021/03/12021/01/112021/02/62021/04/172020/11/232021/03/2 1399/12/12 2021/04/212021/01/42021/04/272021/04/32021/04/212021/03/132021/04/272021/04/272021/05/25 1400/3/4 علیرضا پروین Alireza Parvin کارشناس ارشد گروه مهندسی برق، دانشگاه آزاد اسلامی واحد سیرجان، سیرجان، ایران ایران arp2022pra@yahoo.com مهدی نصری Mehdi Nasri استادیار، گروه مهندسی پزشکی، واحد خمینی شهر، دانشگاه آزاد اسلامی، اصفهان، ایران ایران nasri_me@iaukhsh.ac.ir مجید اسلامی Majid Eslami دکتری مهندسی مکانیک، گروه مهندسی پزشکی، واحد خمینی شهر، دانشگاه آزاد اسلامی، اصفهان، ایران ایران majid.eslami@iaukhsh.ac.ir Virtual Reality Telerehabilitation Image Processing Exergame واقعیت مجازی توانبخشی از راه دور پردازش تصویر بازی-ورزش 1. Sarsak H. Telerehabilitation services: A successful paradigm for occupational therapy clinical services. International Physical Medicine & Rehabilitation Journal 2020;5(2):93-8. doi:10.15406/ipmrj.2020.05.00237##2. Wen D, Fan Y, Hsu SH, Xu J, Zhou Y, Tao J, et al. Combining brain–computer interface and virtual reality for rehabilitation in neurological diseases: A narrative review. Annals of Physical and Rehabilitation Medicine 2020; 64(1): 101404. https://doi.org/10.1016/j.rehab.2020.03.015##3. World Health Organization (WHO). World report on disability 2011 [cited 2021 Jun 3]. Available from: https://www.who.int/disabilities/world_report/2011/report.pdf##4. Domingo MC. An overview of the Internet of Things for people with disabilities. Journal of Network and Computer Applications 2012;35(2):584-96. https://doi.org/10.1016/j.jnca.2011.10.015##5. Caro K, Tentori M, Martinez-Garcia AI, Zavala-Ibarra I. FroggyBobby: An exergame to support children with motor problems practicing motor coordination exercises during therapeutic interventions. Computers in Human Behavior 2015; 71: 479-98. https://doi.org/10.1016/j.chb.2015.05.055##6. Gabriele W, Renate S. Work loss following stroke. Disability and Rehabilitation. 2009;31(18):1487-93. https://doi.org/10.1080/09638280802621432##7. Kleim JA, Jones TA, Schallert T. Motor enrichment and the induction of plasticity before or after brain injury. Neurochem Res 2003;28(11):1757-69. doi: 10.1023/a:1026025408742##8. Yim J, Graham TN. Using games to increase exercise motivation. Proceedings of the 2007 Conference On Future Play; 2007 Nov 14; New York: Association for Computing Machinery; 2007. p. 166-73. https://doi.org/10.1145/1328202.1328232##9. Prvu Bettger J, Resnik LJ. Telerehabilitation in the age of COVID-19: an opportunity for learning health system research. Phys Ther 2020;100(11):1913-6. doi: 10.1093/ptj/pzaa151##10. Eslami M, Mokhtarian A, Pirmoradian M, Seifzadeh SA, Rafiaei SM. Designing and Creating a Virtual Reality Environment and a Wearable Glove with Control and Evaluation Capability to Rehabilitate Patients. Journal of Health and Biomedical Informatics 2020;7(2):161-70. [In Persian]##11. Altanis G, Boloudakis M, Retalis S, Nikou N. Children with motor impairments play a kinect learning game: first findings from a pilot case in an authentic classroom environment. Interaction Design and Architecture(s) Journal 2013;19:91-104.##12. Kitsunezaki N, Adachi E, Masuda T, Mizusawa JI. KINECT applications for the physical rehabilitation. International Symposium on Medical Measurements and Applications (MeMeA); 2013 May 4-5; Gatineau, QC, Canada: IEEE; 2013. p. 294-9. doi: 10.1109/MeMeA.2013.6549755##13. Pedraza-Hueso M, Martín-Calzón S, Díaz-Pernas FJ, Martínez-Zarzuela M. Rehabilitation using kinect-based games and virtual reality. Procedia Computer Science 2015;75:161-8. https://doi.org/10.1016/j.procs.2015.12.233##14. Zhang Z. Microsoft kinect sensor and its effect. IEEE MultiMedia 2012;19(2):4-10. doi: 10.1109/MMUL.2012.24##15. Wang P, Kreutzer IA, Bjärnemo R, Davies RC. A Web-based cost-effective training tool with possible application to brain injury rehabilitation. Comput Methods Programs Biomed 2004;74(3):235-43. doi: 10.1016/j.cmpb.2003.08.001##16. Chang YJ, Han WY, Tsai YC. A Kinect-based upper limb rehabilitation system to assist people with cerebral palsy. Res Dev Disabil 2013;34(11):3654-9. doi: 10.1016/j.ridd.2013.08.021##17. Mubin O, Alnajjar F, Al Mahmud A, Jishtu N, Alsinglawi B. Exploring serious games for stroke rehabilitation: A scoping review. Disability and Rehabilitation: Assistive Technology 2020:1 https://doi.org/10.1080/17483107.2020.1768309##18. Shahmoradi L, Almasi S, Ahmadi H, Bashiri A, Azadi T, Mirbagherie A, et al. Virtual reality games for rehabilitation of upper extremities in stroke patients. Journal of Bodywork and Movement Therapies 2021;26:113-22. https://doi.org/10.1016/j.jbmt.2020.10.006##19. Chang Q, Xiong Z. Vision-aware target recognition toward autonomous robot by Kinect sensors. Signal Processing: Image Communication. 2020;84:115810. https://doi.org/10.1016/j.image.2020.115810##20. Oudah M, Al-Naji A, Chahl J. Elderly Care Based on Hand Gestures Using Kinect Sensor. Computers 2021;10(1):5. https://doi.org/10.3390/computers10010005##21. Gonzalez RC, Woods RE. Digital Image Processing. 3rd ed. United States: Prentice-Hall, Inc.; 2002.##22. Chang YJ, Chen SF, Huang JD. A Kinect-based system for physical rehabilitation: A pilot study for young adults with motor disabilities. Res Dev Disabil 2011;32(6):2566-70. doi: 10.1016/j.ridd.2011.07.002##23. Tannous H, Istrate D, Tho MH, Dao TT. Feasibility study of a serious game based on Kinect system for functional rehabilitation of the lower limbs. European Research in Telemedicine/La Recherche Européenne en Télémédecine. 2016;5(3):97-104. https://doi.org/10.1016/j.eurtel.2016.05.004##24. Su CJ, Chiang CY, Huang JY. Kinect-enabled home-based rehabilitation system using Dynamic Time Warping and fuzzy logic. Applied Soft Computing 2014;22:652-66. https://doi.org/10.1016/j.asoc.2014.04.020##25. Zhou H, Hu H. Human motion tracking for rehabilitation—A survey. Biomedical Signal Processing and Control 2008;3(1):1-18. https://doi.org/10.1016/j.bspc.2007.09.001##26. Helten T, Muller M, Seidel HP, Theobalt C. Real-time body tracking with one depth camera and inertial sensors. IEEE International Conference on Computer Vision; 2013 1-8 Dec; Sydney, NSW, Australia: IEEE; 2013. p. 1105-12. doi: 10.1109/ICCV.2013.141## ##

بررسی مقایسه‌ای جهش R213G در دومین اتصالی به DNA پروتئین P53 با استفاده از شبیه‌سازی دینامیک مولکولی Comparative Investigation of R213G Mutation in DNA-Binding Domain of P53 Protein via Molecular Dynamics Simulation 1 1 مقدمه: P53 یک پروتئین سرکوبگر تومور است و جهش‌های missense زیادی در ژن این پروتئین شناسایی شده است. این جهش‌ها در تعداد زیادی از سرطان‌ها مشاهده می‌شوند. R213G یکی از این موارد است که در ایجاد سرطان‌های متاستاتیک ریوی نقش دارد. در این پژوهش R213G در مقایسه با گونه وحشی با استفاده از شبیه‌سازی دینامیک مولکولی مورد مطالعه قرار گرفت. روش: برای ساختار سه بعدی پروتئین P53 گونه وحشی، زنجیره A از ساختار کریستالوگرافی با pdb ایدی 1TSR استفاده شد. برای جهش R213G، باقیمانده 213 این ساختار به گلایسین تغییر داده شد. شبیه‌سازی دینامیک مولکولی با استفاده از بسته نرم‌افزاری گرومکس 5-1-2، میدان نیروی AMBER99SB و مدل آب TIP3P به مدت 15 نانوثانیه و به صورت دو بار تکرار انجام شد. آنالیزهای RMSD، RMSF، شعاع ژیراسیون و انرژی پتانسیل بر روی تراژکتوری‌های حاصل انجام شد. نتایج: آنالیز RMSF نشان داد جهش R213G باعث تغییر انعطاف‌پذیری در یازده باقیمانده از جمله R-248 می‌شود. جالب است که این باقیمانده‌ها نزدیک محل جهش نیستند؛ اما همه آن‌ها در قطعه 220-250 از این دومین واقع شده‌اند و یا باقیمانده‌های همسایه این قطعه هستند. نتایج شعاع ژیراسیون و انرژی پتانسیل کاهش پایداری پروتئین در اثر این جهش را تأیید می‌کند. نتیجه‌گیری: آنالیز RMSF جهش R213G به همراه تغییرات پایداری و شعاع بیان می‌کند که این جهش می‌تواند بر روی برهمکنش P53 با دیگر درشت مولکول ها تأثیر گسترده‌ای بگذارد. 2 Introduction: P53 is a tumor suppressor protein with numerous missense mutations identified in its gene. These mutations are observed in a vast number of cancers. R213G is one of them which has a role in metastatic lung cancers. In this research, R213G was studied in comparison with the wild type via molecular dynamics simulation. Method: For the three-dimensional structure of the wild-type P53 protein, chain A was used from crystallographic structure with PDB ID: 1TSR.  For R213G mutation, residue 213 of this structure was changed to glycine. Molecular dynamics simulation was repeated twice for 15 ns using Gromacs 5.1.2 software package, AMBER99SB force field, and TIP3P as water model. RMSD, RMSF, radius of gyration, and potential energy analyses were performed on resulted trajectories. Results: RMSF analysis showed that the R213G mutation changes the flexibility of 11 residues including R-248. These residues are not near the mutated position, but all of them are located on 220-250 fragment of this domain or are residues in the neighbor of this fragment. The radius of gyration and potential energy results confirmed a reduction in stability of this protein as a result of this mutation. Conclusion: RMSF analysis of R213G mutation beside the changes in stability and radius indicated that this mutation could greatly affect the P53 interactions with other macromolecules. 105 116 2020/10/52020/10/82021/01/52021/03/12021/01/112021/02/62021/04/172020/11/232021/03/22020/09/13 1399/6/23 2021/04/212021/01/42021/04/272021/04/32021/04/212021/03/132021/04/272021/04/272021/05/252021/01/4 1399/10/15 الهام اکبری Elham Akbari کارشناسی ارشد زیست‌فناوری میکروبی، گروه زیست‌فناوری، دانشکده علوم و فناوری‌های نوین، علوم پزشکی تهران، دانشگاه آزاد اسلامی، تهران، ایران ایران Elham_Akbari89@yahoo.com محمد تقی زاده Mohammad Taghizadeh دکتری بیوانفورماتیک، استاد مدعو گروه زیست‌فناوری، دانشکده علوم و فناوری‌های نوین، علوم پزشکی تهران، دانشگاه آزاد اسلامی، تهران، ایران ایران mtaghizadeh@alumni.ut.ac.ir فهیمه نعمتی Fahimeh Nemati استادیار، گروه زیست‌فناوری، دانشکده علوم و فناوری‌های نوین، علوم پزشکی تهران، دانشگاه آزاد اسلامی، تهران، ایران ایران f_nemati82@yahoo.com Root Mean Square Fluctuation (RMSF) Protein Flexibility P53 Protein Missense Mutation Molecular dynamics simulation ریشه میانگین مربعات نوسان (RMSF) انعطاف‌پذیری پروتئین پروتئین P53 جهش missense‌ شبیه‌سازی دینامیک مولکولی 1. Nooridaluiie MR, Abdollah Zadeh R. Role of p53 in Apoptosis and Cancer Therapy. Horizon Med Sci. 2014; 20(3): 191-201. [In Persian]##2. Turnpenny PD, Ellard S, Cleaver R, Mbchb BS. Principles of medical genetics Emery’s elements of medical genetics. Translated by: Noori Daloii MR. 14th ed. Tehran: Jame-e-Negar; 2012. [In Persian]##3. Hines J, Lartigue S, Dong H, Qian Y, Crews CM. MDM2-Recruiting PROTAC Offers Superior, Synergistic Antiproliferative Activity via Simultaneous Degradation of BRD4 and Stabilization of p53. Cancer Res 2019;79(1):251-62. doi: 10.1158/0008-5472.CAN-18-2918##4. Bouchet BP, de Fromentel CC, Puisieux A, Galmarini CM. p53 as a target for anti-cancer drug development. Crit Rev Oncol Hematol 2006;58(3):190-207. doi: 10.1016/j.critrevonc.2005.10.005##5. Cao X, Hou J, An Q, Assaraf YG, Wang X. Towards the overcoming of anticancer drug resistance mediated by p53 mutations. Drug Resist Updat 2020;49:100671. doi: 10.1016/j.drup.2019.100671##6. Zhang C, Liu J, Xu D, Zhang T, Hu W, Feng Z. Gain-of-function mutant p53 in cancer progression and therapy. J Mol Cell Biol 2020;12(9):674-87. doi: 10.1093/jmcb/mjaa040##7. Lu C, El-Deiry WS. Targeting p53 for enhanced radio-and chemo-sensitivity. Apoptosis. 2009;14(4):597-606. doi: 10.1007/s10495-009-0330-1##8. Sabapathy K, Lane DP. Therapeutic targeting of p53: all mutants are equal, but some mutants are more equal than others. Nat Rev Clin Oncol 2018;15(1):13-30. doi: 10.1038/nrclinonc.2017.151##9. Malkin D. Li-Fraumeni Syndrome and p53 in 2015: Celebrating their Silver Anniversary. Clin Invest Med 2016;39(1):E37-47. doi: 10.25011/cim.v39i1.26328##10. Muller PA, Vousden KH. Mutant p53 in Cancer: New Functions and Therapeutic Opportunities. Cancer Cell 2014; 25(3): 304–17. doi: 10.1016/j.ccr.2014.01.021##11. Bromley D, Bauer MR, Fersht AR, Daggett V. An in silico algorithm for identifying stabilizing pockets in proteins: test case, the Y220C mutant of the p53 tumor suppressor protein. Protein Eng Des Sel 2016;29(9):377-90. doi: 10.1093/protein/gzw035##12. Rohani L, Morton DJ, Wang XQ, Chaudhary J. Relative stability of wild-type and mutant p53 core domain: A molecular dynamic study. J Comput Biol 2016;23(2):80-9. doi: 10.1089/cmb.2015.0163##13. Liu X, Tian W, Cheng J, Li D, Liu T, Zhang L. Microsecond molecular dynamics simulations reveal the allosteric regulatory mechanism of p53 R249S mutation in p53-associated liver cancer. Comput Biol Chem 2020;84:107194. doi: 10.1016/j.compbiolchem.2019.107194##14. Lu Q, Tan YH, Luo R. Molecular dynamics simulations of p53 DNA-binding domain. J Phys Chem B. 2007;111(39):11538-45. doi: 10.1021/jp0742261##15. Burley SK, Berman HM, Bhikadiya C, Bi C, Chen L, Di Costanzo L, et al. RCSB Protein Data Bank: biological macromolecular structures enabling research and education in fundamental biology, biomedicine, biotechnology and energy. Nucleic Acids Res 2019;47(D1):D464-D74. doi: 10.1093/nar/gky1004##16. Van Der Spoel D, Lindahl E, Hess B, Groenhof G, Mark AE, Berendsen HJ. GROMACS: fast, flexible, and free. J Comput Chem 2005;26(16):1701-18. doi: 10.1002/jcc.20291##17. Kutzner C, Páll S, Fechner M, Esztermann A, de Groot BL, Grubmüller H. More bang for your buck: Improved use of GPU nodes for GROMACS 2018. Journal of Computational Chemistry 2019; 15;40(27): 2418-31. https://doi.org/10.1002/jcc.26011##18. Lobanov MY, Bogatyreva NS, Galzitskaya OV. Radius of gyration is indicator of compactness of protein structure. Mol Biol (Mosk) 2008;42(4):701-6. [In Russian]##19. Kholmurodov K, Dushanov E, Yasuoka K. MD Simulations of the P53 oncoprotein structure: the effect of the Arg273→His mutation on the DNA binding domain. Advances in Bioscience and Biotechnology 2011; 13;2(05): 330-5. doi:10.4236/abb.2011.25048##20. Lepre M, Omar S, Grasso G, Morbiducci U, Deriu M, Tuszynski J. Insights into the Effect of the G245S Single Point Mutation on the Structure of p53 and the Binding of the Protein to DNA. Molecules 2017;22(8):1358. doi: 10.3390/molecules22081358##21. Demir Ö, Baronio R, Salehi F, Wassman CD, Hall L, Hatfield GW, et al. Ensemble-based computational approach discriminates functional activity of p53 cancer and rescue mutants. PLoS Comput Biol 2011;7(10):e1002238. doi: 10.1371/journal.pcbi.1002238##22. Lukman S, Lane DP, Verma CS. Mapping the structural and dynamical features of multiple p53 DNA binding domains: insights into loop 1 intrinsic dynamics. PLoS One 2013;8(11):e80221. doi: 10.1371/journal.pone.0080221##23. Derbyshire DJ, Basu BP, Serpell LC, Joo WS, Date T, Iwabuchi K, et al. Crystal structure of human 53BP1 BRCT domains bound to p53 tumour suppressor. EMBO J 2002;21(14):3863-72. doi: 10.1093/emboj/cdf383##24. Popowicz GM, Dömling A, Holak TA. The structure‐based design of MDM2/MDMX–p53 inhibitors gets serious. Angew Chem Int Ed Engl 2011;50(12):2680-8. doi: 10.1002/anie.201003863##25. Natarajan U, Venkatesan T, Dhandayuthapani S, Dondapatti P, Rathinavelu A. Differential mechanisms involved in RG-7388 and Nutlin-3 induced cell death in SJSA-1 osteosarcoma cells. Cell Signal 2020;75:109742. doi: 10.1016/j.cellsig.2020.109742##26. Demir Ö, Ieong PU, Amaro RE. Full-length p53 tetramer bound to DNA and its quaternary dynamics. Oncogene 2017;36(10): 1451-60.##27. Taghizadeh M, Goliaei B, Madadkar-Sobhani A. Variability of the Cyclin-Dependent Kinase 2 Flexibility without Significant Change in the Initial Conformation of the Protein or Its Environment; a Computational Study. Iran J Biotechnol 2016;14(2):1-12. doi: 10.15171/ijb.1419##28. Lindorff‐Larsen K, Piana S, Palmo K, Maragakis P, Klepeis JL, Dror RO et al. Improved side‐chain torsion potentials for the Amber ff99SB protein force field. Proteins 2010; 78(8): 1950-8. doi: 10.1002/prot.22711## ##

مروری بر فرآیند رویکرد برنامه کاربرد معنی‌دار و چالش‌های آن در نقشه راه پرونده الکترونیک سلامت A Review of the Process of Meaningful Use Program and its Challenges in the Electronic Health Record Roadmap 1 1 مقدمه: برنامه کاربرد معنی‌دار (Meaningful Use) اشاره بر این دارد که سازمان‌های متولی سلامت به صورت معنی‌دار از سیستم پرونده الکترونیک سلامت اعتبارسنجی شده، استفاده کنند. هدف از این مطالعه بررسی فرآیند رویکرد برنامه «کاربرد معنی‌دار» و چالش‌های مرتبط با آن جهت توسعه پرونده الکترونیک سلامت می‌باشد. روش: این مطالعه از نوع مروری می‌باشد که در سال 1399 انجام شد. جهت دستیابی به مطالعات مرتبط پایگاه‌های اطلاعاتی PubMed، Scopus، Science Direct وGoogle scholar  از سال 2010 تا اکتبر 2019 با کلیدواژه‌های "Meaningful Use Program" و "Electronic Health Record" مورد جستجو قرار گرفت. پس از اعمال معیارهای ورود از کل تعداد مقالات بازیابی شده، در نهایت 20 مقاله مورد بررسی قرار گرفت. نتایج: بر اساس بررسی‌های انجام شده اقدامات مربوط به برنامه «کاربرد معنی‌دار» شامل 15 اقدام اصلی، 5 اقدام فرعی انتخابی و 6  اقدام کیفی بالینی می‌باشد. این برنامه شامل سه مرحله ثبت داده‌ها و اشتراک‌گذاری، فرآیندهای بالینی پیشرفته و بهبود پیامدهای سلامت می‌باشد. معیارهای اساسی برای دریافت مبلغ تشویقی برنامه «کاربرد معنی‌دار» شامل کاربرد ورود کامپیوتری دستورات پزشکی، بررسی تداخلات دارویی، ایجاد نسخه‌های الکترونیک و ثبت مشخصات دموگرافیک می‌باشد. از چالش‌های این برنامه می‌توان به زمان‌بر بودن برنامه، عدم کنترل بر توسعه زیرساخت‌ها، فناوری‌های غیر‌قابل استفاده پرونده الکترونیک سلامت و رویکرد همه یا هیچ برای اعطای گواهی اشاره کرد. نتیجه‌گیری: استفاده از برنامه‌ها و راه‌حل‌های جدید مانند برنامه «کاربرد معنی‌دار» منجر به توسعه بهینه پرونده الکترونیک می‌شود و تبادل اطلاعات به شکل مطمئن‌تر را امکان‌پذیر می‌سازد. 2 Introduction: Meaningful use program indicates that health care organizations make meaningful use of an accredited electronic health record system. The objective of this study was to investigate the process of “meaningful use” program and the related challenges for the development of electronic health record. Method: This review study was conducted in 2020. The PubMed, Scopus, Science Direct, and Google scholar databases were searched from 2010 to October 2019 using “Meaningful Use Program” and “Electronic Health Record” as keywords. After applying the inclusion criteria, 20 articles were reviewed. Results: Based on the studies, the measures related to “Meaningful Use” program included 15 main measures, 5 selected sub-measures, and 6 qualitative clinical measures. The program includes three steps: data recording and sharing, advanced clinical processes, and improving health outcomes. The primary criteria for receiving the incentive amount of “Meaningful Use” program included computerized physician order entry, investigation of drug interactions, creation of electronic prescriptions, and registration of demographic characteristics. The challenges of this program included the time-consuming nature of the program, the lack of control over infrastructure development, unusable technologies of electronic health records, and the all-or-nothing approach to certification. Conclusion: The use of new programs and solutions like “Meaningful Use” program can lead to the development of electronic health record and enables more secure exchange of information. 117 127 2020/10/52020/10/82021/01/52021/03/12021/01/112021/02/62021/04/172020/11/232021/03/22020/09/132020/10/27 1399/8/6 2021/04/212021/01/42021/04/272021/04/32021/04/212021/03/132021/04/272021/04/272021/05/252021/01/42021/03/14 1399/12/24 نیلوفر محمدزاده Niloofar Mohammadzadeh دکترای مدیریت اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران nmohammadzadeh@sina.tums.ac.ir سهیلا سعیدی Soheila Saeedi دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت و انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران saeedi_s@razi.tums.ac.ir ثریا رضایی Sorayya Rezayi دانشجوی دکترای انفورماتیک پزشکی، گروه مدیریت اطلاعات سلامت و انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران s_rezayi@razi.tums.ac.ir Electronic Health Record Promoting Interoperability Program Meaningful Use Program Information Sharing پرونده الکترونیک سلامت برنامه بهبود تبادل پذیری برنامه کاربرد معنی‌دار اشتراک اطلاعات 1. Rathert C, Porter TH, Mittler JN, Fleig-Palmer M. Seven years after Meaningful Use: Physicians’ and nurses’ experiences with electronic health records. Health Care Manage Rev 2019;44(1):30-40. doi: 10.1097/HMR.0000000000000168##2. Brooks K, Sarzynski E, Houdeshell-Putt L, Polverento M, Given C, Oberst K. Meaningful Use: Does Physician Participation Move the Needle on Quality Metrics? J Healthc Qual 2019;41(6):e70-6. doi: 10.1097/JHQ.0000000000000210##3. O'Neill T. Primer: EHR Stage 3 Meaningful Use Requirements. American Action Forum; 2015.##4. Hsiao CJ. Electronic health record systems and intent to apply for meaningful use incentives among office-based physician practices: United States, 2001-2011. NCHS Data Brief 2011;(79):1-8.##5. Weeks DL, Keeney BJ, Evans PC, Moore QD, Conrad DA. Provider perceptions of the electronic health record incentive programs: a survey of eligible professionals who have and have not attested to meaningful use. J Gen Intern Med 2015;30(1):123-30. doi: 10.1007/s11606-014-3008-5##6. Phipps MS, Fahner J, Sager D, Coffing J, Maryfield B, Williams LS. Validation of stroke meaningful use measures in a national electronic health record system. J Gen Intern Med 2016; 31(Suppl 1): 46–52. doi: 10.1007/s11606-015-3562-5##7. Harle CA, Huerta TR, Ford EW, Diana ML, Menachemi N. Overcoming challenges to achieving meaningful use: insights from hospitals that successfully received Centers for Medicare and Medicaid Services payments in 2011. J Am Med Inform Assoc 2013; 20(2): 233–7. doi: 10.1136/amiajnl-2012-001142##8. Bowes III WA, Impacts of EHR Certification and Meaningful Use Implementation on an Integrated Delivery Network. AMIA Annu Symp Proc 2014; 2014: 325–32.##9. Emani S, Ting D, Healey M, Lipsitz S, Karson A, Einbinder J, et al. Physician beliefs about the impact of meaningful use of the EHR. Appl Clin Inform. 2014; 5(3): 789–801. doi: 10.4338/ACI-2014-05-RA-0050##10. Yeung T. Local health department adoption of electronic health records and health information exchanges and its impact on population health. Int J Med Inform 2019;128:1-6. doi: 10.1016/j.ijmedinf.2019.04.011##11. Goveia J, Van Stiphout F, Cheung Z, Kamta B, Keijsers C, Valk G, et al. Educational interventions to improve the meaningful use of electronic health records: a review of the literature: BEME Guide No. 29. Med Teach 2013;35(11):e1551-60. doi: 10.3109/0142159X.2013.806984##12. Kaye SP. Nurses’ attitudes toward meaningful use technologies: an integrative review. Comput Inform Nurs 2017;35(5):237-47. doi: 10.1097/CIN.0000000000000310##13. Walsh C, Siegler EL, Cheston E, O'Donnell H, Collins S, Stein D, et al. Provider‐to‐provider electronic communication in the era of meaningful use: A review of the evidence. J Hosp Med 2013; 8(10): 589–97. doi: 10.1002/jhm.2082##14. Reddy R. Attaining Meaningful Use of Health Information Technology in a Residency Program: Challenges and Rewards. Hawaii J Med Public Health 2012; 71(10): 287–93.##15. Centers for Medicare & Medicaid Services. (CMS). EHR Incentive Program and stage 1 [cited 2020 Jun 17]. Available from: https://www.cms.gov/search/cms?keys=EHR+INCENTIVE+PROGRAM+and+stage+1&domain=cms&domain_url=https%3A%2F%2Fwww.innovation.cms.gov%2Fsearch%2Finnovation%3Fkeys%3DEHR+INCENTIVE+PROGRAM+and+stage+1&op=Search&form_build_id=form-7Bc1wO-6YflALCZvxCKyDC_CDjh_voChf4ubsieLd3c&form_id=google_cse_search_box_form ##16. Yu PP. Why meaningful use matters. J Oncol Pract 2011;7(4):206-9. doi: 10.1200/JOP.2011.000328##17. Rothman B, Leonard JC, Vigoda MM. Future of electronic health records: implications for decision support. Mt Sinai J Med 2012;79(6):757-68. doi: 10.1002/msj.21351##18. Gold M, McLAUGHLIN C. Assessing HITECH implementation and lessons: 5 years later. Milbank Q 2016;94(3):654-87. doi: 10.1111/1468-0009.12214##19. McGee NM, Reeder G, Regan TS, Kleinke JD, Arnold S. Private health plans perspectives: electronic personal health records and electronic prescribing. Am Health Drug Benefits 2009;2(6):252-9.##20. Centers for Medicare & Medicaid Services. An Introduction to: Medicare HER Incentive Program For Eligible Professionals. [cited 2020 Jun 17] Available from:https://www.cms.gov/regulations-and-guidance/legislation/ehrincentiveprograms/downloads/ehr_medicare_stg1_begguide.pdf##21. Matney SA, Heale B, Hasley S, Decker E, Frederiksen B, Davis N, et al. Lessons learned in creating interoperable Fast Healthcare Interoperability Resources profiles for large-scale public health programs. Appl Clin Inform 2019;10(1):87-95. doi: 10.1055/s-0038-1677527##22. Emani S, Ting D, Healey M, Lipsitz S, Karson A, Einbinder J, et al. Physician beliefs about the impact of meaningful use of the EHR: a cross-sectional study. Appl Clin Inform 2014;5(3):789-801. doi: 10.4338/ACI-2014-05-RA-0050##23. Aurora Denial O, Daniel Bastian O, Gary Chu O, Amy Moy O. Faculty Perceptions of the Impact of Electronic Medical and Health Records in Optometric Education in the United States and Puerto Rico. Optometric Education 2020;45(2):1-10.##24. Shenoy A, Appel JM. Safeguarding Confidentiality in Electronic Health Records. Camb Q Healthc Ethics 2017;26(2):337-41. doi: 10.1017/S0963180116000931##25. Mandel JC, Kreda DA, Mandl KD, Kohane IS, Ramoni RB. SMART on FHIR: a standards-based, interoperable apps platform for electronic health records. J Am Med Inform Assoc 2016;23(5):899-908. doi: 10.1093/jamia/ocv189##26. Ohno-Machado L. Sharing data from electronic health records within, across, and beyond healthcare institutions: Current trends and perspectives. JAMIA 2018;25(9):1113.##27. Otte-Trojel T, de Bont A, van de Klundert J, Rundall TG. Characteristics of patient portals developed in the context of health information exchanges: early policy effects of incentives in the meaningful use program in the United States. J Med Internet Res 2014;16(11):e258. doi: 10.2196/jmir.3698##28. Walker D, Mora A, Demosthenidy MM, Menachemi N, Diana ML. Meaningful use of EHRs among hospitals ineligible for incentives lags behind that of other hospitals, 2009–13. Health Aff (Millwood) 2016;35(3):495-501. doi: 10.1377/hlthaff.2015.0924##29. Kaplan L. The Medicaid electronic health record incentive program. Nurse Pract 2013;38(4):7-8. doi: 10.1097/01.NPR.0000427600.71325.28##30. Hsiao CJ, Decker SL, Hing E, Sisk JE. Most physicians were eligible for federal incentives in 2011, but few had EHR systems that met meaningful-use criteria. Health Aff (Millwood) 2012;31(5):1100-7. doi: 10.1377/hlthaff.2011.1315##31. Shea CM, Reiter KL, Weaver MA, Thornhill J, Malone R. Associations between Ambulatory Practice-Setting Characteristics and Demonstration of Stage 1 Meaningful Use Objectives for the EHR Incentive Program: A Descriptive Study at an Integrated Delivery System. N C Med J 2015; 76(5): 280–5.##32. Lippincott C, Foronda C, Zdanowicz M, McCabe BE, Ambrosia T. The relationship between magnet designation, electronic health record adoption, and medicare meaningful use payments. Comput Inform Nurs 2017;35(8):385-91. doi: 10.1097/CIN.0000000000000336##33. Ancker JS, Brenner S, Richardson JE, Silver M, Kaushal R. Trends in public perceptions of electronic health records during early years of meaningful use. Am J Manag Care 2015;21(8):e487-93.##34. Nakamura MM, Harper MB, Castro AV, Yu FB, Jha AK. Impact of the meaningful use incentive program on electronic health record adoption by US children's hospitals. J Am Med Inform Assoc 2015;22(2):390-8. doi: 10.1093/jamia/ocu045##35. Evans RS. Electronic Health Records: Then, Now, and in the Future. Yearb Med Inform 2016; (Suppl 1): S48–S61. doi: 10.15265/IYS-2016-s006##36. Ohno-Machado L. Electronic health records: usability and utilization by health care providers and patients. J Am Med Inform Assoc 2017;24(e1):e1. doi: 10.1093/jamia/ocx013##37. Miller H, Johns L. Interoperability of Electronic Health Records: A Physician-Driven Redesign. Manag Care 2018;27(1):37-40.## ##

طراحی و ارزیابی نرم‌افزار مبتنی بر تلفن همراه پشتیبان تصمیم بیهوشی Design and Evaluation of an Anesthesia Decision Support Mobile Application 1 1 مقدمه: بیهوشی یکی از فرآیندهایی است که خطای دارویی در آن رایج است. یکی از پرتکرارترین خطاهای دارویی در بیهوشی، خطا در محاسبه دوز داروها می‌باشد. سیستم‌های پشتیبان تصمیم یکی از راه‌حل‌های کاهش این خطاها می‌باشند. هدف این مطالعه طراحی و ارزیابی یک نرم‌افزار تلفن همراه پشتیبان تصمیم بیهوشی جهت کمک به متخصصان بیهوشی برای تجویز صحیح و به موقع داروها می‌باشد. روش: این مطالعه مقطعی-کاربردی در سه مرحله نیازسنجی، طراحی و ارزیابی صورت گرفت. نیازسنجی این نرم‌افزار با استفاده از مصاحبه نیمه ساختاریافته با پزشکان انجام شد. بعد از رسم طرح اولیه، نرم‌افزار تلفن همراه برای سیستم عامل اندروید طراحی شد و در انتها در دو شاخص دقت و سرعت محاسبه، ارزیابی شد. نتایج: خروجی مصاحبه در سه دسته دیدگاه پزشکان در مورد ضرورت ساخت نرم‌افزار، امکانات و قابلیت‌های مورد انتظار برای نرم‌افزار  و محتوای اطلاعاتی نرم‌افزار طبقه‌بندی شد. نتایج ارزیابی این نرم‌افزار نشان داد در تمامی گروه‌ها به جزء گروه متخصص، زمان محاسبه توسط پزشکان بیشتر از نرم‌افزار بود. همچنین بیشترین پاسخ صحیح توسط گروه کاربر نرم‌افزار و سپس گروه دستیار سال چهارم بود. نتیجه‌گیری: وجود یک نرم‌افزار پشتیبان تصمیم بیهوشی برای پزشکان به طور قابل‌توجهی در افزایش دقت و سرعت محاسبات دارویی پزشکان تأثیرگذار می‌باشد. تا‌کنون در ایران هیچ نرم‌افزار بیهوشی بر اساس دستورالعمل‌های معتبر جهانی ساخته نشده است. بنابراین نتایج این مطالعه می‌تواند مورد توجه ارائه‌دهندگان خدمات سلامت قرار گیرد 2 Introduction: Anesthesia is one of the processes in which medication error is common. One of the most frequent medication errors in anesthesia is the error in calculating the dose of drugs. Decision support systems are one of the available solutions to reduce these errors. The purpose of this study was to design and evaluate an anesthesia decision support mobile application to assist anesthesiologists to choose the right and timely prescription of drugs. Method: This practical cross-sectional study was conducted in three stages including needs assessment, design, and evaluation. The needs assessment of this mobile app was performed using semi-structured interviews with physicians. After drawing the initial design, the mobile app was developed for the Android operating system, and in the end, it was evaluated based on accuracy and speed of calculation indicators. Results: The output of the interviews was classified into three categories including physicians’ views on the need to develop the app, the expected facilities and capabilities of the app, and the information content of the app. The evaluation results of this app showed that in all groups, except the expert group, the calculation time required by physicians was longer than the one by the mobile app. Moreover, the highest number of correct answers was given by the app user group and then the fourth-year resident group. Conclusion: An anesthesia decision support mobile app for physicians can significantly increase the accuracy and speed of physicians’ medication calculations. So far, no anesthesia mobile app has been developed in Iran according to valid international guidelines. Therefore, the results of this study can be taken into consideration by health service providers.   128 139 2020/10/52020/10/82021/01/52021/03/12021/01/112021/02/62021/04/172020/11/232021/03/22020/09/132020/10/272021/04/6 1400/1/17 2021/04/212021/01/42021/04/272021/04/32021/04/212021/03/132021/04/272021/04/272021/05/252021/01/42021/03/142021/05/31 1400/3/10 الهه شفیعی Elaheh Shafiei کارشناس ارشد انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران e.shafiei.sh@gmail.com صدریه حاج اسمعیل گوهری Sadrieh Hajesmaeel-Gohari دکترای مدیریت اطلاعات سلامت، استادیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران sadriehhajesmaili@yahoo.com محمدعلی حق بین Mohammad Ali Haghbin متخصص بیهوشی، استادیار، گروه بیهوشی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mhaghbin@kmu.ac.ir مقدمه میرزایی Moghaddameh Mirzaee دکترای آمار زیستی، دانشیار، گروه آمار زیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران moghadameh_mirzai@yahoo.com کامبیز بهاءالدین بیگی Kambiz Bahaadinbeigy دکترای انفورماتیک پزشکی، دانشیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران kambizb321@gmail.com Anesthesia Mobile Application Decision Support System Evaluation بیهوشی نرم‌افزار تلفن همراه سیستم پشتیبان تصمیم ارزیابی 1. Committee on Quality Management and Departmental Administration. Continuum of Depth of Sedation: Definition of General Anesthesia and Levels of Sedation/Analgesia [cited 2021 Jul 31]. Available from: https://www.asahq.org/standards-and-guidelines/continuum-of-depth-of-sedation-definition-of-general-anesthesia-and-levels-of-sedationanalgesia##2. Kohn LT, Corrigan JM, Donaldson MS. To Err Is Human. Washington (DC): National Academies Press (US); 2000.##3. Leape LL. Preventing adverse drug events. Am J Health Syst Pharm 1995;52(4):379-82. doi: 10.1093/ajhp/52.4.379.##4. World Health Organization (WHO); 2016. Medication errors. Available from: https://apps.who.int/iris/handle/10665/252274.##5. Merry AF, Peck DJ. Anaesthetists, errors in drug administration and the law. N Z Med J 1995;108(1000):185-7.##6. Currie M, Mackay P, Morgan C, Runciman WB, Russell WJ, Sellen A, Webb RK, Williamson JA. The ‘'Wrong Drug” Problem in Anaesthesia: An Analysis of 2000 Incident Reports. Anaesth Intensive Care 1993;21(5):596-601. doi: 10.1177/0310057X9302100517.##7. Webster CS, Merry AF, Larsson L, McGrath KA, Weller J. The frequency and nature of drug administration error during anaesthesia. Anaesth Intensive Care 2001;29(5):494-500. doi: 10.1177/0310057X0102900508##8. Zhang Y, Dong YJ, Webster CS, Ding XD, Liu XY, Chen WM, Meng LX, Wu XY, Wang DN. The frequency and nature of drug administration error during anaesthesia in a C hinese hospital. Acta Anaesthesiol Scand 2013;57(2):158-64. doi: 10.1111/j.1399-6576.2012.02762.x.##9. Abeysekera A, Bergman IJ, Kluger MT, Short TG. Drug error in anaesthetic practice: a review of 896 reports from the Australian Incident Monitoring Study database. Anaesthesia 2005;60(3):220-7. doi: 10.1111/j.1365-2044.2005.04123.x.##10. Camiré E, Moyen E, Stelfox HT. Medication errors in critical care: risk factors, prevention and disclosure. CMAJ 2009;180(9):936-43. doi: 10.1503/cmaj.080869.##11. Finlay PN. Introducing Decision Support Systems 2nd ed. Cambridge, Mass., USA: Blackwell Pub; 1994. ##12. IQVA. The Growing Value of Digital Health; 2017 [cited 2021 Jul 31]. Available from: https://www.iqvia.com/insights/the-iqvia-institute/reports/the-growing-value-of-digital-health##13. Mickan S, Tilson JK, Atherton H, Roberts NW, Heneghan C. Evidence of effectiveness of health care professionals using handheld computers: a scoping review of systematic reviews. J Med Internet Res 2013 28;15(10):e212. doi: 10.2196/jmir.2530.##14. Murfin M. Know your apps: an evidence-based approach to evaluation of mobile clinical applications. J Physician Assist Educ 2013;24(3):38-40. doi: 10.1097/01367895-201324030-00008..##15. Gaglani MS, Topol EJ. iMedEd: the role of mobile health technologies in medical education. Acad Med 2014; 89(9): 1207–9. doi: 10.1097/ACM.0000000000000361##16. Ahmadizad A,Varmaghani M, Varmaghani S. Mobile health services: past, present, future. Educ Strategy Med Sci 2017;10(3):233-46. [In Persian]##17. Green MS, Mathew JJ, Gundigi Venkatesh A, Green P, Tariq R. Utilization of smartphone applications by anesthesia providers. Anesthesiol Res Pract 2018;2018:8694357. doi: 10.1155/2018/8694357.##18. Ozdalga E, Ozdalga A, Ahuja N. The smartphone in medicine: a review of current and potential use among physicians and students. J Med Internet Res 2012;14(5):e128. doi: 10.2196/jmir.1994.##19. Yoo JH. The meaning of information technology (IT) mobile devices to me, the infectious disease physician. Infect Chemother 2013;45(2):244-51. doi: 10.3947/ic.2013.45.2.244.##20. Angadi SP, Frerk C. Videolaryngoscopy and Cormack and Lehane grading. Anaesthesia 2011;66(7):628-9. doi: 10.1111/j.1365-2044.2011.06777.x.##21. What is Wireframing?. [cited 2021 Apr 21]. Available from: https://www.interaction-design.org/literature/topics/wireframing/##22. Aungst TD, Clauson KA, Misra S, Lewis TL, Husain I. How to identify, assess and utilise mobile medical applications in clinical practice. Int J Clin Pract 2014;68(2):155-62. doi: 10.1111/ijcp.12375.##23. Hamilton AD, BRADY RW. Medical professional involvement in smartphone'apps' in dermatology. Br J Dermatol 2012;167(1):220-1. doi: 10.1111/j.1365-2133.2012.10844.x.##24. American Society of Anesthesiologists (ASA). [cited 2021 Jul 31]. Available from: https://www.asahq.org/##25. Han KR, Kim HL, Pantuck AJ, Dorey FJ, Figlin RA, Belldegrun AS. Use of American Society of Anesthesiologists physical status classification to assess perioperative risk in patients undergoing radical nephrectomy for renal cell carcinoma. Urology 2004;63(5):841–6. doi: 10.1016/j.urology.2003.12.048##26. Davenport DL, Bowe EA, Henderson WG, Khuri SF, Mentzer Jr RM. National Surgical Quality Improvement Program (NSQIP) risk factors can be used to validate American Society of Anesthesiologists Physical Status classification (ASA PS) levels. Ann Surg 2006;243(5):636-41; discussion 641-4. doi: 10.1097/01.sla.0000216508.95556.cc. ##27. Bjorgul K, Novicoff WM, Saleh KJ. American Society of Anesthesiologist Physical Status score may be used as a comorbidity index in hip fracture surgery. J Arthroplasty 2010;25(6 Suppl):134-7. doi: 10.1016/j.arth.2010.04.010.##28. Aplin S, Baines D, De Lima J. Use of the ASA Physical Status Grading System in pediatric practice. Paediatr Anaesth 2007;17(3):216-22. doi: 10.1111/j.1460-9592.2006.02094.x.##29. Hoffman GM, Nowakowski R, Troshynski TJ, Berens RJ, Weisman SJ. Risk reduction in pediatric procedural sedation by application of an American Academy of Pediatrics/American Society of Anesthesiologists process model. Pediatrics 2002;109(2):236-43. doi: 10.1542/peds.109.2.236.##30. Chou R, Gordon DB, de Leon-Casasola OA, Rosenberg JM, Bickler S, Brennan T, Carter T, Cassidy CL, Chittenden EH, Degenhardt E, Griffith S. Management of Postoperative Pain: a clinical practice guideline from the American pain society, the American Society of Regional Anesthesia and Pain Medicine, and the American Society of Anesthesiologists' committee on regional anesthesia, executive committee, and administrative council. J Pain 2016;17(2):131-57. doi: 10.1016/j.jpain.2015.12.008.##31. Sankar A, Johnson SR, Beattie WS, Tait G, Wijeysundera DN. Reliability of the American Society of Anesthesiologists physical status scale in clinical practice. Br J Anaesth 2014;113(3):424-32. doi: 10.1093/bja/aeu100.##32. Statcounter Globa State. Mobile Operating System Market Share Islamic Republic of Iran. [cited 2021 Jul 31]. Available from: https://gs.statcounter.com/os-market-share/mobile/iran##33. Holyoak KJ, Morrison RG. The Oxford Handbook of Thinking and Reasoning. Oxford, UK: Oxford University Press; 2012.##34. Wheeler SJ, Wheeler DW. Medication errors in anaesthesia and critical care. Anaesthesia 2005;60(3):257-73. doi: 10.1111/j.1365-2044.2004.04062.x.## ##