1400 8 2 28 242

مدل‌سازی و شبیه‌سازی مراحل مختلف رشد و پاسخ به درمان سرطان سرویکس Modeling and Simulation of Different Stages of Growth and Response to Treatment of Cervical Cancer 1 1 مقدمه: امروزه سرطان یکی از نگرانی‌های بخش سلامت در جوامع مدرن است. سرطان سرویکس یا سرطان دهانه رحم زمانی به وجود می‌آید که سلول‌های غیر طبیعی در گردن رحم رشد کنند. سرطان سرویکس از جمله سرطان‌های کشنده در میان زنان است. مدل‌های محاسباتی برای شبیه‌سازی پدیده‌های پیچیده نظیر سرطان مناسب می‌باشند. مطالعه سرطان سرویکس از طریق مدل‌سازی و شبیه‌سازی کامپیوتری، یک راه مؤثر برای بررسی و پیش‌بینی رفتار تومور و پاسخ بیماران به روش‌های درمان است. هدف از این پژوهش ایجاد مدلی برای شبیه‌سازی نمودن رشد و درمان سرطان سرویکس و مطالعه آن و تحلیل روند شیمی‌درمانی در وضعیت‌های مختلف سرطان سرویکس بود. روش: در انجام پژوهش از مطالعه کتابخانه‌ای و ابزار نرم‌افزاری NetLogo جهت انجام مدل‌سازی و شبیه‌سازی استفاده شد. در ابتدا آناتومی رحم، دهانه رحم، لوله‌های فالوپ، واژن، غدد لنفاوی اطراف رحم، کبد و ریه طراحی و مدل‌سازی شد. سپس وضعیت‌های مختلف سرطان سرویکس طبق سیستم TNM مدل‌سازی شد و با توجه به چگونگی گسترش سلول‌های سرطانی، رشد و گسترش تومور در هر وضعیت شبیه‌سازی و بررسی شد. در پژوهش همچنین کنترل تومور با مکانیزم شیمی‌درمانی مدل‌سازی شد. نتایج: مدل توسعه یافته در این پژوهش امکان مشاهده و بررسی رشد و گسترش تومور در وضعیت‌های مختلف سرطان سرویکس را فراهم نمود؛ پیش‌بینی چگونگی رشد و رفتار تومور سرویکس از جمله قابلیت‌های مدل توسعه‌یافته است. نتیجه‌گیری: این مدل می‌تواند به عنوان ابزاری مناسب برای درک وضعیت‌های متفاوت سرطان سرویکس استفاده شود. 2 Introduction: Today, cancer is one of the health concerns in modern societies. Cervical cancer occurs when abnormal cells grow in the cervix. Cervical cancer is one of the fatal cancers in women. Computational models are suitable for simulating complex phenomena such as cancer. Studying cervical cancer through computer modeling and simulation is an effective way to investigate and predict tumor behavior and patients’ response to treatment methods. The objective of this study was to develop a model to simulate the growth and treatment of cervical cancer and study it and analyze the process of chemotherapy in different stages of cervical cancer. Method: In this research, library study and NetLogo software tool were used for modeling and simulation. First, the anatomy of the uterus, cervix, fallopian tubes, vagina, lymph nodes around the uterus, liver, and lungs was designed and modeled. Then, different stages of cervical cancer were modeled according to TNM system and based on the way the cancer cells spread, tumor growth and spread were simulated and investigated in each stage. The control of tumor by chemotherapy mechanism was also modeled. Results: The model developed in this study provided the possibility of observing and investigating the growth and spread of tumor in different stages of cervical cancer. Predicting how the cervical tumor grows and behaves is one of the capabilities of the developed model. Conclusion: This model can be used as an appropriate tool to understand different stages of cervical cancer. 140 152 2021/03/6 1399/12/16 2021/06/8 1400/3/18 نسرین اسدی Nasrin Asadi کارشناس ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران ایران na.asadi2018@gmail.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 درمنی Fereshteh ShahMohamadi Dermani 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 Cervical Cancer Cervical Cancer Modeling Cervical Cancer Simulation سرطان سرویکس مدل‌سازی سرطان سرویکس شبیه‌سازی سرطان سرویکس 1. Taherkhani N, Taherkhani R. Application of mathematical modeling in the Diagnosis and Treatment of Diseases (Case: Type 2 Diabetes and Cancer). 1st National Conference on Mathematics and Engineering Sciences with Applied Knowledge Approach; 2015 Dec 26-27; Tehran: Industrial Scientific Institute of Mobtakerane Bazare Asia; 2015. [In Persian]##2. Berek JS, Novak E. Berek & Novak's Gynecology. Philadelphia: Wolters Kluwer Health/Lippincott Williams & Wilkins; 2012.##3. Choobsaz F. Common cancers of women. 4th National congress of the Iranian Society of Gynecological Oncology (IRSGO); 2012 Jun 19-21; Tehran: Milad hospital Conference Hall; 2012. [In Persian]##4. Goldhaber-Fiebert JD, Stout NK, Ortendahl J, Kuntz KM, Goldie SJ, Salomon JA. Modeling human papillomavirus and cervical cancer in the United States for analyses of screening and vaccination. Popul Health Metr 2007;5:11. doi: 10.1186/1478-7954-5-11.##5. Kivuti-Bitok LW, McDonnell G, Abdul R, Pokhariyal, GP. System dynamics model of cervical cancer vaccination and screening interventions in Kenya. Cost Effectiveness and Resource Allocation 2014; 12(26). doi.org/10.1186/1478-7547-12-26##6. Belfatto A, Riboldi M, Ciardo D, Cattani F, Cecconi A, Lazzari R, et al. Kinetic Models for Predicting Cervical Cancer Response to Radiation Therapy on Individual Basis Using Tumor Regression Measured in Vivo with Volumetric Imaging. Technol Cancer Res Treat 2016;15(1):146-58. doi: 10.1177/1533034615573796.##7. Rosen-Zvi M, Shpigelman L, Kalton A, Weissbrod O, Akindeinde S, Benefeldt S, et al. Estimating the Impact of Prevention Action: A simulation Model of Cervical Cancer Progression. Stud Health Technol Inform 2014;205:288-92. ##8. Parkin DM. A computer simulation model for the practical planning of cervical cancer screening programmes. British Journal of Cancer 1985; 51(4): 551-68. doi: 10.1038/bjc.1985.78.##9. Kivuti-Bitok LW, Pokhariyal GP, McDonnell G, Abdul R. A Mathematical Model of Cervical Cancer in Kenya. International Journal of Science and Research 2015; 4(2): 458-65.##10. Goldie SJ, Diaz M, Kim SY, Levin CE, Van Minh H, Kim JJ. Mathematical Models of Cervical Cancer Prevention in the Asia Pacific Region. Vaccine 2008;26 Suppl 12:M17-29. doi: 10.1016/j.vaccine.2008.06.018##11. Wilensky U. NetLogo. Version 5.0.5 [software]. Center for Connected Learning and Computer-Based Modeling, Northwestern University; Evanston, IL. [cited 2020 Apr 19]. Available from: http://ccl.northwestern.edu/netlogo/##12. Bhatla N, Berek JS, Fredes MC, Denny LA, Grenman S, Karunaratne, K, et al. Revised FIGO staging for carcinoma of the cervix uteri. Int J Gynaecol Obstet 2019;145(1):129-35. doi: 10.1002/ijgo.12749.##13. Wisconsin State Laboratory of Hygiene (WSLH). Negative for Intraepithelial Lesions or Malignancy (NILM). [cited 2020 Mar 10]. Available from: http://www.slh.wisc.edu/clinical/cytology/resources-for-health-care-professionals/gynecologic-cytology-101/normal-cytology/ ##14. Bergelin I, Valentin L. Normal cervical changes in parous women during the second half of pregnancy- a prospective, longitudinal ultrasound study. Acta Obstet Gynecol Scand 2002;81(1):31-8. doi: 10.1046/j.0001-6349.2001.00311.x.##15. Lingappanoor SH, Meesala V, Manupati GR, Yaragani P, Bachu B, Anchuri SS. Cervical Cancer, an Emerging Health Burden for Womenhood. International Journal of Medical Science and Current Research 2019; 2(3): 151-60.##16. Amin MB, Edge S, Greene F, Byrd DR, Brookland RK, Washington MK, et al. AJCC Cancer Staging Manual. 8th ed. New‌York: Springer International Publishing; 2017.##17. Cosper P, Olsen JR, Siegel B, Dehdashti F, Schwarz JK, Grigsby PW. Cervical Tumor Volume Doubling Time: A Pilot Study. International Journal of Radiation Oncology, Biology, Physics 2015;93(3): 258-9. ##18. Mizan Online News Agency. What is the difference between chemotherapy and radiotherapy? [cited 2020 Feb 14]. Available from: https://www.mizanonline.com/fa/news/241393/ [In Persian]##19. Shen Y, Yang L, Wang Z. Treatment of early bulky cervical cancer with neoadjuvant paclitaxel, carboplatin and cisplatin prior to laparoscopical radical hysterectomy and pelvic lymphadenectomy. Oncol Lett 2012; 3(3): 641–5. doi: 10.3892/ol.2011.529##20. Elmajjaoui S, Ismaili N, Kacemi HE, Kebdani T, Sifat H, Benjaafar N. Epidemiology and outcome of cervical cancer in national institute of Morocco. BMC Women's Health 2016; 16(62). doi: 10.1186/s12905-016-0342-2##21. Zharinov GM, Gushchin VA. The rate of tumor growth and cell loss in cervical cancer. Vopr Onkol 1989;35(1):21-5.## ##

تأثیر اینترنت اشیاء بر ارتقاء خدمات الکترونیکی سلامت بیماران کرونایی از دیدگاه کادر درمان The Impact of the Internet of Things on Promoting Electronic Health Services for COVID-19 Patients from the Perspective of Treatment Staff 1 1 مقدمه: فناوری اینترنت اشیاء در مقابله و کنترل بیماری کرونا مزایای زیادی را ارائه می‌دهد و تا حد زیادی روند تشخیص و نظارت مداوم بیمار از راه دور را با حسگرهای بی‌سیم و دستگاه‌های هوشمند تسهیل خواهد کرد. همچنین، اینترنت اشیا اثرات مثبتی در حوزه بهداشت و درمان و ارتقای خدمات الکترونیکی سلامت از جمله کاهش هزینه‌های بهداشتی- درمانی و ارائه خدمات درمانی به شکلی سریع‌تر دارد. این مطالعه با هدف بررسی تأثیر اینترنت اشیا بر ارتقای خدمات الکترونیکی سلامت بیماران کرونایی از دیدگاه کادر درمان (پزشکان و پرستاران) بیمارستان سوانح گلستان شهر کرمانشاه انجام ‌شد. روش: این پژوهش از لحاظ نوع کمی و از نظر هدف، کاربردی است. نمونه آماری پژوهش 86 نفر از کادر درمانی بیمارستان سوانح گلستان شهر کرمانشاه شامل پرستاران و پزشکان بودند. به‌منظور گردآوری داده‌ها از پرسشنامه محقق ساخته که مورد تأیید 5 نفر از اساتید خبره در حوزه بهداشت و درمان بودند، استفاده شد. نتایج: نتایج پژوهش حاکی از این است که کلیه متغیرها با ضریب مسیر مثبت دارای رابطه مثبت میان متغیرها بوده و تأثیر اینترنت اشیا بر ارتقای خدمات الکترونیکی سلامت مورد تأیید و معنادار است. نتیجه‌گیری: برنامه‌های کاربردی و فناورانه اینترنت اشیا می‌تواند با آموزش کادر درمان و عموم مردم، مهیاسازی زیرساخت‌ها و سایر اقدامات مناسب ابزاری برای ارتقاء خدمات الکترونیکی سلامت بیماران کرونایی باشد و به حوزه خدمات سلامت الکترونیک در راستای دستیابی به اهداف خود کمک کند. 2 Introduction: IoT technology offers many benefits in dealing and controlling COVID-19 disease and will greatly facilitate the process of continuous remote patient diagnosis and monitoring with wireless sensors and smart devices. Also, Internet of Things, has positive effects in the field of health and treatment and promotion of electronic health services, including reducing health treatment care costs and delivery of treatment services in a faster manner. This article has been prepared with the aim of investigating the effect of Internet of Things on the promotion of electronic health services for COVID-19 patients from the perspective of treatment staff (physicians and nurses) of Golestan accidents hospital in Kermanshah city. Method: This research from the type, is quantitative and from the objective, is practical. The statistical sample of the present study consisted of 86 medical staff of Golestan accidents hospital in Kermanshah, which included nurses and physicians. In order to collect data, a researcher-made questionnaire was used, which was approved by 5 experts in the field of health and treatment. Results: The results indicate that all variables with a positive path coefficient have a positive relationship between the variables and the impact of the Internet of Things on the promotion of e-health services is confirmed and significant. Conclusion: IoT applications and technology can be a tool for promoting e-health services for COVID-19 patients by educating medical staff and the general public, providing infrastructure, and other appropriate measures, and assisting e-health services in achieving their goals. 153 164 2021/03/62021/03/16 1399/12/26 2021/06/82021/05/29 1400/3/8 حسین کریمی Hossein karimi کارشناسی ارشد مدیریت فناوری اطلاعات، گروه مدیریت و کارآفرینی، دانشکده علوم اجتماعی و تربیتی، دانشگاه رازی، کرمانشاه، ایران ایران hossein.karimi_iran2020@yahoo.com میلاد بخشم Milad Bakhsham کارشناسی ارشد کارآفرینی، گروه مدیریت و کارآفرینی، دانشکده علوم اجتماعی و تربیتی، دانشگاه رازی، کرمانشاه، ایران ایران Da.miladbakhsham@gmail.com مهدی حسین پور Mahdi Hosseinpour دکتری مدیریت استراتژیک، استادیار گروه مدیریت و کارآفرینی، دانشکده علوم اجتماعی و تربیتی، دانشگاه رازی، کرمانشاه، ایران ایران M.hosseinpour@razi.ac.ir Electronic Health COVID-19 Internet of Things Treatment staff. سلامت الکترونیک کرونا اینترنت اشیا کادر درمان 1. Cui L, Deng J, Liu F, Zhang Y, Xu M. Investigation of RFID investment in a single retailer two-supplier supply chain with random demand to decrease inventory inaccuracy. Journal of Cleaner Production 2017;142:2028-44. doi: 10.1016/j.jclepro.2016.11.081##2. Garg H, Gupta S, Garg B. Smart Cities and the Internet of Things. Big Data Analytics for Internet of Things 2021:187-95. doi: 10.1002/9781119740780.ch7##3. Singh RP, Javaid M, Haleem A, Suman R. Internet of things (IoT) applications to fight against COVID-19 pandemic. Diabetes Metab Syndr 2020;14(4):521-4. doi: 10.1016/j.dsx.2020.04.041.##4. Baker SB, Xiang W, Atkinson I. Internet of things for smart healthcare: Technologies, challenges, and opportunities. IEEE Access 2017;5:26521-44. doi: 10.1109/ACCESS.2017.2775180##5. Atzori L, Iera A, Morabito G. The internet of things: A survey. Computer Networks 2010;54(15):2787-805. doi: 10.1016/j.comnet.2010.05.010##6. Maksimović M, Vujović V, Periśić B. A custom Internet of Things healthcare system. 10th Iberian Conference on Information Systems and Technologies (CISTI); 2015 Jun 17-20; Aveiro, Portugal: IEEE; 2015. p. 1-6. doi: 10.1109/CISTI.2015.7170415##7. Qadri YA, Nauman A, Zikria YB, Vasilakos AV, Kim SW. The future of healthcare internet of things: a survey of emerging technologies. IEEE Communications Surveys & Tutorials 2020;22(2):1121-67. doi: 10.1109/COMST.2020.2973314##8. Dang LM, Piran M, Han D, Min K, Moon H. A survey on internet of things and cloud computing for healthcare. Electronics 2019;8(7):768. doi: 10.3390/electronics8070768##9. Chiuchisan I, Chiuchisan I, Dimian M. Internet of Things for e-Health: An approach to medical applications. International Workshop on Computational Intelligence for Multimedia Understanding (IWCIM); 2015 Oct 29-30; Prague, Czech Republic: IEEE; 2015. p. 1-5. doi: 10.1109/IWCIM.2015.7347091##10. Fernandez F, Pallis GC. Opportunities and challenges of the Internet of Things for healthcare: Systems engineering perspective. 4th International Conference on Wireless Mobile Communication and Healthcare-Transforming Healthcare Through Innovations in Mobile and Wireless Technologies (MOBIHEALTH); 2014 Nov 3-5; Athens, Greece: IEEE; 2014. p. 263-6. doi: 10.1109/MOBIHEALTH.2014.7015961##11. Ghasemi R, Mohaghar A, Safari H, Akbari Jokar MR. Prioritizing the applications of internet of things technology in the healthcare sector in Iran: a driver for sustainable development. Information Technology Management 2016; 8(26): 155-76.]In Persian [##12. Li J, Li X, Jiang J, Xu X, Wu J, Xu Y, et al. The Effect of Cognitive Behavioral Therapy on Depression, Anxiety, and Stress in Patients with COVID-19: A Randomized Controlled Trial. Front Psychiatry 2020;11:580827. doi: 10.3389/fpsyt.2020.580827.##13. World Health Organization (WHO). Protocol for assessment of potential risk factors for 2019-novel coronavirus (COVID-19) infection among health care workers in a health care setting; 2020 [cited 2021 Feb 20] Available from: https://apps.who.int/iris/handle/10665/332071##14. Jayatilleka I, Halgamuge MN. Internet of things in healthcare: Smart devices, sensors, and systems related to diseases and health conditions. Real-Time Data Analytics for Large Scale IoT or Sensor Data. Elsevier; 2020. p. 1-36. doi: 10.1016/B978-0-12-818014-3.00001-2##15. Amiri P. The Role of Electronic health during the Covid-19 crisis: a systematic review of literatures. Journal of Health and Biomedical Informatics 2020; 6(4):358-67. ]In Persian[##16. Shankar K, Ilayaraja M, Kumar KS. Technological Solutions for Health Care Protection and Services through Internet of Things (IoT). International Journal of Pure and Applied Mathematics 2018;118(7):277-83. ##17. Manogaran G, Varatharajan R, Lopez D, Kumar PM, Sundarasekar R, Thota C. A new architecture of Internet of Things and big data ecosystem for secured smart healthcare monitoring and alerting system. Future Generation Computer Systems 2018;82:375-87. doi: 10.1016/j.future.2017.10.045## ##

شناسایی ویژگی‌های برنامه‌های کاربردی مبتنی بر تلفن همراه ایرانی مرتبط با بیماری کووید 19 Identifying the Features of Iranian Mobile Applications Related to COVID 19 Disease 1 1 مقدمه: کووید-19 به یک همه‌گیری جهانی تبدیل شده است؛ با رشد بی‌سابقه فناوری، تلفن‌های هوشمند در مراحل مختلف نظیر مدیریت شیوع کووید-19 نقش دارند. این مطالعه با هدف بررسی ویژگی­ های برنامه‌های کاربردی مبتنی بر تلفن همراه ایرانی مرتبط با بیماری کووید 19 انجام شد. روش: این مطالعه توصیفی-مقطعی بر روی برنامه‌های تلفن­ همراه ایرانی مرتبط با کووید-19 توسعه یافته در سال 1399 انجام شد. جستجو در اپ استورهای ایرانی تلفن‌های همراه هوشمند با سیستم عامل اندروید و iOS انجام شد. کلیدواژه‌های جستجو شامل «کووید-19»، «کروناویروس»، «کرونا»، «Covid-19»، «Coronavirus» بود. برای هر برنامه کاربردی، اطلاعات استخراجی شامل نام برنامه، دسته، هزینه، حجم ­برنامه، آخرین نسخه، نیاز به اتصال به اینترنت، میزان دانلود، میزان رضایت کاربران، توسعه‌دهندگان و هدف از توسعه بود. نتایج: نتیجه جستجو شامل 103 برنامه (76 برنامه اندروید و 27 برنامه iOS) را نشان داد. بیشترین فراوانی برنامه ­ها در دسته پزشکی، بازی‌ها و آموزشی بودند. به ترتیب 80/6% برنامه‌ها رایگان، 15/5% دارای خرید درون‌برنامه‌ای و 3/9% نیاز به پرداخت برای نصب داشتند. اغلب برنامه‌های کاربردی توسط توسعه‌دهندگان شخصی ایجاد شده بودند. 84 برنامه‌ آنلاین و 19 برنامه آفلاین بودند. دیگر اهداف توسعه‌دهندگان اپلیکیشن‌های مرتبط با کووید19 در ایران شامل، سرگرمی‌ها، ارائه آمار روزانه، آگاهی‌بخشی به کاربران، کنترل و ردیابی، خودمراقبتی و پیشگیری بود. نتیجه‌گیری: طیف گسترده‌ای از برنامه­ های تلفن همراه مرتبط با بیماری کووید با قابلیت‌های بسیاری در دسترس هستند. با توجه به یافته‌ها و نقش مثبت این برنامه در کنترل همه‌گیری، اثربخشی برنامه‌های غربالگری و خودارزیابی نیاز به تعامل توسعه‌دهندگان خصوصی و بخش دولتی برای ادغام و یکپارچه‌سازی دارد. 2 Introduction: COVID-19 has become a pandemic in the world; with the unprecedented growth of technology, smartphones play a role in different stages including managing COVID-19 outbreak. This study aimed to investigate Iranian mobile applications related to Covid-19 disease. Method: This descriptive cross-sectional study was conducted on all Iranian mobile applications related to COVID-19 in 2020. A search was conducted on Iranian digital app markets on phones with Android and iOS operating systems using the following keywords: ‘COVID-19’, ‘coronavirus’, and ‘corona’ with their Persian translations. For each app, the extracted information included name, category, cost, size, latest version, requirement for Internet connectivity, subscriber count app download, user satisfaction rate, developers, and purpose of development. Results: The search results indicated a total of 103 apps (76 Android and 27 iOS apps). The most frequent categories were medical apps, games, and educational apps.  About 80.6% of apps were free, 15.5% of apps had in-app purchases, and 3.9% of apps required payment for installation. Most applications were developed by personal developers and 84 applications were online and 19 applications were offline. Other goals of COVID-related application developers in Iran included entertainment, providing daily statistics, raising user awareness, control and tracking, self-care, and prevention. Conclusion: A wide range of mobile applications related to COVID disease are available with many capabilities. Given the findings and the positive role of this program in epidemic control, the effectiveness of screening and self-assessment programs requires the interaction of private developers and the public sector for integration 165 173 2021/03/62021/03/162021/04/27 1400/2/7 2021/06/82021/05/292021/07/19 1400/4/28 محمد حیدری Mohammad Heydari کارشناسی ارشد فناوری اطلاعات سلامت، مربی، گروه فناوری اطلاعات سلامت، دانشکده علوم پزشکی خلخال، خلخال، ایران ایران heydari.mohammad12@yahoo.com الهام منقش Elham Monaghesh دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران ایران monaghghesh1997@gmail.com جواد عبادی Javad Ebadi دانشجوی کارشناسی پرستاری، کمیته تحقیقات دانشجویی، دانشکده علوم پزشکی خلخال، خلخال، ایران ایران j.ebadi12168@gmail.com@gmail.com نجمه حیدری Najmeh Heydari کارشناسی فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی، دانشگاه علوم پزشکی شیراز، شیراز، ایران ایران nhydry809@gmail.com صادق شرفی Sadegh Sharafi دانشجوی کارشناسی فناوری اطلاعات سلامت، کمیته تحقیقات دانشجویی، دانشکده علوم پزشکی آبادان، آبادان، ایران ایران sadeghsharaf2018@gmail.com نگین ساجدی مهر Negin Sajedimehr کارشناسی فناوری اطلاعات سلامت، گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی لرستان، خرم‌آباد، ایران ایران negin.sr1995@gmail.com زهرا رمضانپور Zahra Ramezanpour دانشجوی کارشناسی فناوری اطلاعات سلامت، کمیته تحقیقات دانشجویی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران zr.ramezanpoor75@gmail.com@gmail.com COVID-19 Application Mobile Health Android iOS Mobile App کووید-19 اپلیکیشن سلامت همراه اندروید آی او اس اپ موبایل 1. Li Q, Guan X, Wu P, Wang X, Zhou L, Tong Y, et al. Early Transmission Dynamics in Wuhan, China, of Novel Coronavirus-Infected Pneumonia. N Engl J Med 2020; 382:1199-207. doi: 10.1056/NEJMoa2001316##2. Zhu N, Zhang D, Wang W, Li X, Yang B, Song J, et al. A novel coronavirus from patients with pneumonia in China, 2019. N Engl J Med 2020 20;382(8):727-33. doi: 10.1056/NEJMoa2001017.##3. Zhu N, Zhang D, Wang W, Li X, Yang B, Song J, et al. A novel coronavirus from patients with pneumonia in China, 2019. N Engl J Med 2020;382(8):727-33. doi: 10.1056/NEJMoa2001017.##4. Rampal L, Liew BS. Coronavirus disease (COVID-19) pandemic. T Med J Malaysia 2020;75(2):95-7.##5. Jiang S, Xia S, Ying T, Lu L. A novel coronavirus (2019-nCoV) causing pneumonia-associated respiratory syndrome. Cellular & Molecular Immunology 2020;17(5):554.##6. Sifuentes-Rodríguez E, Palacios-Reyes D. COVID-19: The outbreak caused by a new coronavirus. Bol Med Hosp Infant Mex 2020;77(2):47-53. doi: 10.24875/BMHIM.20000039.##7. Cucinotta D, Vanelli M. WHO Declares COVID-19 a Pandemic. Acta Biomed 2020;91(1):157-60. doi: 10.23750/abm. v91i1.9397.##8. Jee Y. WHO International Health Regulations Emergency Committee for the COVID-19 outbreak. Epidemiol Health 2020;42: e2020013. doi: 10.4178/epih. e2020013.##9. Mehraeen E, Hayati B, Saeidi S, Heydari M, Seyedalinaghi S. Self-Care Instructions for People Not Requiring Hospitalization for Coronavirus Disease 2019 (COVID-19), Arch Clin Infect Dis (COVID-19): e102978. doi: 10.5812/archcid.102978.##10. Collado-Borrell R, Escudero-Vilaplana V, Villanueva-Bueno C, Herranz-Alonso A, Sanjurjo-Saez M. Features and Functionalities of Smartphone Apps Related to COVID-19: Systematic Search in App Stores and Content Analysis. J Med Internet Res 2020;22(8): e20334. doi: 10.2196/20334.##11. Bae YS, Kim KH, Choi SW, Ko T, Jeong CW, Cho B, Kim MS, Kang E. Information technology–based management of clinically healthy COVID-19 patients: Lessons from a living and treatment support center operated by Seoul National University Hospital. J Med Internet Res 2020; 22(6): e19938.##12. Fagherazzi G, Goetzinger C, Rashid MA, Aguayo GA, Huiart L. Digital health strategies to fight COVID-19 worldwide: challenges, recommendations, and a call for papers. J Med Internet Res 2020;22(6): e19284. doi: 10.2196/19284.##13. Kleinman RA, Merkel C. Digital contact tracing for COVID-19. Canadian Medical Association Journal 2020;192(24): 653-64. doi: https://doi.org/10.1503/cmaj.200922##14. Anderson PL, Zimand E, Hodges LF, Rothbaum BO. Cognitive behavioral therapy for public‐speaking anxiety using virtual reality for exposure. Depress Anxiety 2005;22(3):156-8. doi: 10.1002/da.20090.##15. Domnich A, Arata L, Amicizia D, Signori A, Patrick B, Stoyanov S, et al. Development and validation of the Italian version of the Mobile Application Rating Scale and its generalizability to apps targeting primary prevention. BMC Med Inform Decis Mak 2016; 16:83. doi: 10.1186/s12911-016-0323-2.##16. Bassi A, Arfin S, John O, Jha V. An overview of mobile applications (apps) to support the coronavirus disease 2019 response in India. Indian J Med Res 2020;151(5):468-73. doi: 10.4103/ijmr.IJMR_1200_20.##17. Alwashmi MF. The use of digital health in the detection and management of COVID-19. Int. J. Environ Res Public Health 2020; 17(8):2906. https://doi.org/10.3390/ijerph17082906##18. Drew DA, Nguyen LH, Steves CJ, Menni C, Freydin M, Varsavsky T, et al. Rapid implementation of mobile technology for real-time epidemiology of COVID-19. Science 2020;368(6497):1362-7. doi: 10.1126/science.abc0473.##19. Davalbhakta S, Advani S, Kumar S, Agarwal V, Bhoyar S, Fedirko E, et al. A Systematic Review of Smartphone Applications Available for Corona Virus Disease 2019 (COVID 19) and the Assessment of their Quality Using the Mobile Application Rating Scale (MARS). J Med Syst 2020; 44(9): 164. doi: 10.1007/s10916-020-01633-3##20. Banskota S, Healy M, Goldberg EM. 15 Smartphone Apps for Older Adults to Use While in Isolation during the COVID-19 Pandemic. West J Emerg Med 2020;21(3):514–25. doi: 10.5811/westjem.2020.4.47372##21. Langarizadeh M, Hakim Shooshtari M, Mehraeen E, Heydari M. Data Requirements and Technical Capabilities of Educational Mobile Application for ‎Parents with Autistic Child. Journal of Paramedical Sciences & Rehabilitation 2020;9(3):71-81. [In Persian] doi:10.22038/JPSR.2020.47186.2090##22. Langarizadeh M, Heydari M, Hakim Shooshtari M. Design and development of an educational mobile application for autism spectrum disorder. Journal of Health and Biomedical Informatics 2020; 7(3):242-51. [In Persian]##23. Research Institute of Culture, Art and Communication; 2020. Newspaper. 2021-02-03 https://donya-e-eqtesad.com/%D8%A8%D8%AE%D8%B4-%D8%A8%D8%A7%D8%B2%D8%A7%D8%B1-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-19/3737217-%D9%82%D8%AF%D8%B1%D8%AA-%D9%86%D9%81%D9%88%D8%B0-%D9%85%D9%88%D8%A8%D8%A7%DB%8C%D9%84-%D8%AA%D8%A8%D9%84%D8%AA ##24. Mehraeen E, SeyedAlinaghi S, Saeidi S, Heydari M. Identifying the self-care instructions for Patients with coronavirus not requiring hospitalization during the COVID-19 pandemic. Razi Journal of Medical Sciences 2021; 27(11). [In Persian]##25. Corona Warn-App Open Source Project Germany: Corona Warn-App Open Source Project; 2020. [cited 2020 May 3]. Available From: https://www.coronawarn.app/de/ ##26. College.tapsell.ir [homepage on the Internet]. Iran: Application of Covid-19, Corona Warn-App Open Source Project [cited 2020 Jul 13]. Available from: https://college.tapsell.ir/the-role-of-applications-in-the-covid-19-pandemic/ [In Persian]## ##

نقش یادگیری مبتنی بر شبیه‌سازی بیمار مجازی در آموزش جراحی: یک نظرسنجی در دانشگاه علوم پزشکی تهران The Role of Learning Based on Virtual Patient Simulation in Surgical Training: A Survey at Tehran University of Medical Sciences 1 1 مقدمه: شبیه‌سازی بیمار مجازی (VPS) در قالب شبیه‌سازی­ تعاملی کامپیوتری در حوزه آموزش پزشکی کاربردهای فراوانی دارند. این مطالعه با هدف بررسی دیدگاه فراگیران پزشکی، در ارتباط با نقش یادگیری مبتنی بر این نوع فناوری‌ها در آموزش جراحی انجام شد. روش: در این مطالعه توصیفی-تحلیلی، از روش نمونه‌گیری در دسترس استفاده شد که شامل 100 نفر از فراگیران دوره پزشکی عمومی و دستیاری دانشگاه علوم پزشکی تهران بودند. پرسشنامه‌ای محقق ساخته پس از تأیید روایی و پایایی برای گردآوری داده‌ها استفاده شد. داده‌ها با استفاده از آمار توصیفی و استنباطی مورد تجزیه و تحلیل قرار گرفتند. نتایج:. براساس دیدگاه پاسخگویان، بیشترین تأثیر VPS می‌تواند در ایجاد یادگیری مؤثر و تسهیل کسب دانش باشد. در میان موارد بررسی شده، بالاترین میانگین نمره مربوط به مؤثر بودن VPS در کسب تجربیات بالینی در ارتباط با جراحی‌های نادر و کمبود موقعیت‌های بالینی قابل دسترس (4/27) بود و کمترین آن نیز به تأثیر در کاهش خطای انسانی و به حداقل رساندن میزان خطا در بالین بیمار (3/48) تعلق گرفت. آموزش مبتنی بر VPS در جراحی‌های قلب و عروق و مغز و اعصاب نسبت به سایر جراحی‌ها در اولویت قرار گرفته‌اند. همچنین بر یادگیری به جای ارزشیابی با این فناوری تأکید بیشتری شد. نتیجه‌گیری: با توجه به نگرش مثبت پاسخگویان نسبت به نقش فناوری‌ها در بهبود آموزش؛ توسعه و اجرای این نوع برنامه‌های کمک آموزشی در جهت تسهیل کسب مهارت‌ها و تکنیک‌های پایه‌ای جراحی توصیه می‌گردد. 2 Introduction: Virtual patient simulation (VPS) as a computer interactive simulation has many applications in the field of medical education. This study aimed to investigate medical learners’ views regarding the role of learning based on these types of technologies in surgical training. Method: In this descriptive-analytical study, the convenience sampling method was used through which 100 interns and residents from Tehran University of Medical Sciences were selected. A researcher-made questionnaire was used to collect data after confirming its validity and reliability. The data were analyzed using descriptive and inferential statistics. Results: According to the respondents, the greatest impact of VPS can be in creating effective learning and facilitating knowledge acquisition. Among the items examined, the highest mean score was related to the effectiveness of VPS in gaining clinical experience in rare surgeries and lack of available clinical situations (4.27) and the lowest was obtained for the effect of VPS on reducing human error and minimizing it in the patient’s bedside (3.48). VPS-based training has been given priority in cardiovascular and neurological surgeries than in other surgeries. There was also more emphasis on learning rather than evaluation with this technology. Conclusion: Considering the positive attitude of the respondents towards the role of technologies in improving education, it is recommended to develop and implement these types of educational assistance programs to facilitate the acquisition of basic surgical skills and techniques.   174 183 2021/03/62021/03/162021/04/272021/03/25 1400/1/5 2021/06/82021/05/292021/07/192021/06/29 1400/4/8 طیبه بنی اسدی Tayebeh Baniasadi دکترای انفورماتیک پزشکی، استادیار، گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی هرمزگان، بندرعباس، ایران ایران t_baniasadi@yahoo.com لیلا شاهمرادی Leila Shahmoradi دکترای مدیریت اطلاعات سلامت، دانشیار، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران Lshahmoradi@tums.ac.ir فاطمه مهرآور Fatemeh Mehravar دانشجوی دکترای اپیدمیولوژی، گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران ایران mehravar10261@yahoo.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 Medical Education Surgical Training Training Simulation Technology Virtual Patient Simulation آموزش پزشکی آموزش جراحی شبیه‌سازی آموزشی فناوری شبیه‌سازی بیمار مجازی 1. Malekipour A, Rezaeian K, Khazaei L. Serious games in medical education: Why, what and how. Medical Education And Development 2017; 12 (1-2): 100-13.##2. Khoshab H, Seyed-Bagheri H, Sabzevari S, Nouhi E. Comparison of the Effect of Traditional and MannequinBased Simulation Teaching of Cardiopulmonary Resuscitation on Knowledge and Practice of Emergency Medicine Students. Strides in Development of Medical Education Journal 2016; 13 (3): 298 -306.##3. Heidarzadeh A, Kazemi M, Forouzi M, Jahani Y. Comparing the Effect of Two Methods of Cardiopulmonary Resuscitation Education Including Computer-Based Stimulation and Mannequin Stimulation on Nursing Students' Knowledge and Satisfaction. J Med Educ Dev 2015; 8(17): 12-20. [In Persian] doi:20.1001.1.22519521.1394.8.17.6.8##4. Emami H, Aghdasi M, Asousheh A. Electronic learning in medical education. Research in Medicine 2009; 33(2):102-11. [In Persian]##5. Zary N, Johnson G, Boberg J, Fors UG. Development, implementation and pilot evaluation of a Web-based Virtual Patient Case Simulation environment–Web-SP. BMC Med Educ 2006;6:10. doi: 10.1186/1472-6920-6-10.##6. Pazargadi M, Sadeghi R. Simulation in Nursing Education. Iranian Quarterly of Education Strategies 2011; 3(4): 161-7.##7. Ellaway R, Masters K. AMEE Guide 32: e-Learning in medical education Part 1: Learning, teaching and assessment. Med Teach 2008;30(5):455-73. doi: 10.1080/01421590802108331##8. Huang G, Reynolds R, Candler C. Virtual patient simulation at US and Canadian medical schools. Acad Med 2007;82(5):446-51. doi: 10.1097/ACM.0b013e31803e8a0a.##9. Kononowicz AA, Zary N, Edelbring S, Corral J, Hege I. Virtual patients-what are we talking about? A framework to classify the meanings of the term in healthcare education. BMC Med Educ 2015;15:11. doi: 10.1186/s12909-015-0296-3##10. Kyaw BM, Saxena N, Posadzki P, Vseteckova J, Nikolaou CK, George PP, et al. Virtual Reality for Health Professions Education: Systematic Review and Meta-Analysis by the Digital Health Education Collaboration. J Med Internet Res 2019;21(1):e12959. doi: 10.2196/12959. ##11. Salminen H, Zary N, Björklund K, Toth-Pal E, Leanderson C. Virtual patients in primary care: developing a reusable model that fosters reflective practice and clinical reasoning. J Med Internet Res 2014;16(1):e3. doi: 10.2196/jmir.2616.##12. Zielke M, LeFlore J, Dufour F, Hardee G, Huber M, Thomas P, et al. Game-based virtual patients–educational opportunities and design challenges. Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC); 2010; Orlando, Florida: 2010.##13. Georg C, Zary N. Web-based virtual patients in nursing education: development and validation of theory-anchored design and activity models. J Med Internet Res 2014; 16(4): e105. doi: 10.2196/jmir.2556##14. Moule P, Pollard K, Armoogum J, Messer S. Virtual patients: Development in cancer nursing education. Nurse Educ Today 2015;35(7):875-80. doi: 10.1016/j.nedt.2015.02.009.##15. Logishetty K, Gofton WT, Rudran B, Beaulé PE, Cobb JP. Fully Immersive Virtual Reality for Total Hip Arthroplasty: Objective Measurement of Skills and Transfer of Visuospatial Performance After a Competency-Based Simulation Curriculum. J Bone Joint Surg Am 2020;102(6):e27. doi: 10.2106/JBJS.19.00629##16. Owlia M, Khabbazan M, Moradi M, Khan-Mohammadi H, Ashiri M, Ansari MS, et al. Introduction of the SinaSim: A Low-Cost Laparoscopic Surgery Simulator Using Virtual Reality Environment. Frontiers Biomed Technol 2015; 2(1): 55-9.##17. Seymour NE, Gallagher AG, Roman SA, O’brien MK, Bansal VK, Andersen DK, et al. Virtual reality training improves operating room performance: results of a randomized, double-blinded study. Ann Surg 2002;236(4):458-63; discussion 463-4. doi: 10.1097/00000658-200210000-00008##18. Yang RL, Hashimoto DA, Predina JD, Bowens NM, Sonnenberg EM, Cleveland EC, et al. The virtual-patient pilot: testing a new tool for undergraduate surgical education and assessment. J Surg Educ 2013;70(3):394-401. doi: 10.1016/j.jsurg.2012.12.001.##19. Salas E, Burke C. Simulation for training is effective when. Qual Saf Health Care 2002; 11(2): 119–20. doi: 10.1136/qhc.11.2.119##20. Haghani F, Ehsani M, Jafari Mianaei S. Simulation. Strides in Development of Medical Education 2014; 11 (2): 272-9.##21. Lebdai S, Mauget M, Cousseau P, Granry JC, Martin L. Improving Academic Performance in Medical Students Using Immersive Virtual Patient Simulation: A Randomized Controlled Trial. J Surg Educ 2021;78(2):478-4. doi: 10.1016/j.jsurg.2020.08.031##22. Chon SH, Hilgers S, Timmermann F, Dratsch T, Plum PS, Berlth F, et al. Web-Based Immersive Patient Simulator as a Curricular Tool for Objective Structured Clinical Examination Preparation in Surgery: Development and Evaluation. JMIR Serious Games 2018;6(3):e10693. doi: 10.2196/10693.##23. Lawshe CH. A quantitative approach to content validity. Personnel Psychology 1975; 28 (4): 563-75. https://doi.org/10.1111/j.1744-6570.1975.tb01393.x##24. Amir-alavi S, Dadgaran I, Aghajanzadeh M, Alavi A, Dehghan A, Nemati M, et al. Comparison of the Effectiveness of Web Based Bronchoscopy Simulator Versus Traditional Education on Knowledge of Tracheobronchial Anatomy of Anesthesia Residents. Research in Medical Education 2017; 8(4):52-60. [In Persain] doi: 10.18869/acadpub.rme.8.4.52 ##25. Leigh GT. High-fidelity patient simulation and nursing students’ self-efficacy: A review of the literature. Int J Nurs Educ Scholarsh 2008;5:Article 37. doi: 10.2202/1548-923X.1613.##26. Mohajeri MR, Mohajeri AR. Simulation and virtual reality; a new way to improve the quality of medical education. Horizons of Medical Education Development 2010; 4(1): 69-74. doi: 10.22038/HMED.2010.13700##27. Jeimy S, Wang JY, Richardson L. Evaluation of virtual patient cases for teaching diagnostic and management skills in internal medicine: a mixed methods study. BMC Res Notes 2018;11(1):357. doi: 10.1186/s13104-018-3463-x##28. Keith K, Hansen DM, Johannessen MA. Perceived value of a skills laboratory with virtual reality simulator training in arthroscopy: a survey of orthopedic surgery residents. J Am Osteopath Assoc 2018;118(10):667-72. doi: 10.7556/jaoa.2018.146##29. Lam CK, Sundaraj K, Sulaiman MN. Virtual reality simulator for phacoemulsification cataract surgery education and training. Procedia Computer Science 2013;18:742-8. doi:10.1016/j.procs.2013.05.238##30. Botezatu M, Hult H, Fors UG. Virtual patient simulation: what do students make of it? A focus group study. BMC Med Educ 2010;10:91. doi: 10.1186/1472-6920-10-91## ##

ارزیابی عملکرد سامانه یکپارچه بهداشت در کیفیت ارائه مراقبت‌های بهداشتی از دیدگاه بهورزان و مراقبین سلامت در سراسر ایران سال 1399 Evaluating the Performance of the Integrated Health System in the Quality of Health Care Delivery from the Viewpoint of Health Workers and Health Care Providers throughout Iran in 2020 1 1 مقدمه: سامانه یکپارچه بهداشت (سیب) یک سامانه طراحی‌ شده درباره سوابق الکترونیک سلامت افراد می‌باشد که با هدف بهینه‌سازی اطلاعات و ارائه مراقبت‌های بهداشتی و درمانی ایجاد شده است. با توجه به شیوع بیماری کووید-19 و اهمیت یافتن پرونده الکترونیک سلامت، مطالعه حاضر با هدف بررسی عملکرد آیتم‌های سامانه سیب و شناسایی نقاط ضعف و قوت این سامانه صورت گرفت. روش: مطالعه حاضر یک مطالعه توصیفی- مقطعی است که در زمستان 1399 انجام شد. افراد مورد مطالعه 166 نفر از بهورزان و مراقبین سلامت در سراسر کشور بودند. پرسشنامه محقق ‌ساخته در مقیاس لیکرت پنج‌ گزینه‌‌ای، به‌ صورت آنلاین و در دسترس در اختیار افراد قرار گرفت. نمونه‌گیری به صورت هدفمند انجام شد و سپس داده‌ها توسط محقق وارد نرم‌افزار SPSS نسخه 26 شدند و با استفاده از آمار توصیفی و همچنین آزمون‌های کای‌اسکوئر، تی مستقل و ضریب همبستگی در جهت اقدام آزمون فرضیه مشخص در مورد توزیع یک متغیر، تجزیه و تحلیل گردید. نتایج: نتایج پژوهش حاضر نشان داد، کیفیت ثبت واکسیناسیون و گزارش آن به عنوان بهترین عملکرد سامانه سیب محسوب می‌شود. نحوه عملکرد ورود و خروج افراد تحت پوشش، ضعیف‌ترین بخش سامانه سیب بود. بین ثبت واکسیناسیون و جنسیت افراد (0/014= P)، ارتباط معنی‌دار آماری وجود داشت. نتیجه‌گیری: یافته‌های پژوهش نشان داد، عملکرد سامانه سیب در ارائه مراقبت‌های بهداشتی متوسط تا خوب بود. نتایج این مطالعه می‌تواند، طراحان سامانه سیب را نسبت به بهبود نقاط  ضعف در سامانه سیب با قابلیت‌های موجود موردتوجه قرار دهد. 2 Introduction: The Integrated Health System SIB is a system designed for electronic health records developed with the objective of information optimization and providing health care. Due to the outbreak of COVID-19 disease and the importance of the electronic health records, the present study aimed to investigate the performance of the shortcomings of SIB and identify the strengths and weaknesses of this system. Method: The present study was a descriptive cross-sectional one conducted in the Spring of 2020. A total of 166 health workers and health care providers throughout Iran participated in this study. A researcher-made questionnaire with a five-point Likert scale was made available online to individuals. Sampling was done purposively and then the data were entered into SPSS Software (version 26) by the researcher and analyzed using descriptive statistics as well as chi-square test, independent t-test, and correlation coefficient to test a specific hypothesis about the distribution of a variable. Results: The results of the present study showed that the quality of vaccination registration and its reporting is considered as the best performance of the SIB system. The performance of the entry and exit of the covered people was the weakest part of the SIB system. There was a statistically significant relationship between vaccination registration and gender (p-value = 0.014). Conclusion: The Findings of this study revealed that the performance of the SIB system in providing health care was evaluated as moderate to good. The results of this study can help system developers to improve the weaknesses of the SIB system in accordance with the existing capabilities. 184 192 2021/03/62021/03/162021/04/272021/03/252021/05/7 1400/2/17 2021/06/82021/05/292021/07/192021/06/292021/08/14 1400/5/23 محمد محمدی ابنوی Mohammad Mohammadi Abnavi دانشجوی کارشناسی ارشد اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی شیراز، شیراز، ایران ایران afshinmohammadi295@yahoo.com سجاد سعید Sajjad Saeed دانشجوی کارشناسی بهداشت عمومی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران sajadsae99@gmail.com Electronic Health Record Information Systems Health Care پرونده الکترونیک سلامت سیستم‌های اطلاعاتی مراقبت‌های بهداشتی 1. Gu D, Li T, Wang X, Yang X, Yu Z. Visualizing the intellectual structure and evolution of electronic health and telemedicine research. Int J Med Inform 2019;130:103947. doi: 10.1016/j.ijmedinf.2019.08.007. ##2. Jebraeily M, Ahmadi M, Hajavi A, Gohari M, Sedghi Jahromi M, Zareh Z. Electronic Health Records: Personnel Readiness Assessment. Journal of Health Administration 2010;13(39):17-24. [In Persian]##3. Valaitis R, Martin-Misener R, Wong ST, MacDonald M, Meagher-Stewart D, Austin P, et al. Strengthening Primary Health Care through Public Health and Primary Care Collaboration Team. Methods, strategies and technologies used to conduct a scoping literature review of collaboration between primary care and public health. Prim Health Care Res Dev 2012;13(3):219-36. doi: 10.1017/S1463423611000594. ##4. Flatow VH, Ibragimova N, Divino CM, Eshak DS, Twohig BC, Bassily-Marcus AM, Kohli-Seth R. Quality Outcomes in the Surgical Intensive Care Unit after Electronic Health Record Implementation. Appl Clin Inform 2015;6(4):611-8. doi: 10.4338/ACI-2015-04-RA-0044.##5. World Health Organization (WHO). E-Health. Retrieved from: http://www.emro.who.int/health-topics/ehealth/.##6. U.S Department of Health and Human Services. What is an electronic health record (EHR)? [cited 2021 Mar 29] Available from: https://www.healthit.gov/faq/what-electronic-health-record-ehr ##7. Wang Y, Zhao Y, Dang W, Zheng J, Dong H. The evolution of publication hotspots in electronic health records from 1957 to 2016 and differences among Six Countries. Big Data 2020;8(2):89-106. doi: 10.1089/big.2019.0024.##8. Khmernia M, Sotoudehzadeh F, Peyvand M, Amirhoseini S, Rezaee K, Kordtamini A. SIB System Technology Acceptance From Behvarz Perspective of Zahedan University of Medical Sciences. 3rd Conference on Organizational Evolution and Innovation with Approach of Islamic Iranian progress model 2019 Feb 27-28; Mashhad: Mashhad University of Medical Sciences; 2019. [In Persian]##9. Kabir MJ, Ashrafian Amiri H, Rabiee SM, Keshavarzi A, Hosseini S, Nasrollahpour Shirvani SD. Satisfaction of Urban Family Physicians and Health Care Providers in Fars and Mazandaran Provinces from Integrated Health System. Journal of Health and Biomedical Informatics 2018; 4(4):244-52. [In Persian]##10. Integrated Health System. [cited 7 Apr 2021 Available from: https://www.dapa.ir]. [In Persian]##11. Integrated Health System. Available from http://dapa.ir] Accessed at 12 June 2018]. [In Persian]##12. Health Information Technology System (HIS), registration of information and health statistics of the country, Management panel. HCSM. 2018; chapter 16 Suppl:S953-65. [cited 2021 Mar 29] http://hcsmiran.com/sources/item/477-health-plan. [In Persian]##13. WHO (World Health Organization). Group Consultation on Health Telematics. A health telematics policy in support of WHO's Health-for-all strategy for global health development: report of the WHO Group Consultation on Health Telematics, 11-16 December, Geneva, 1997 [cited 2021 Apr 15]. Available from: https://apps.who.int/iris/handle/10665/63857Description##14. Hassanzadeh SH, Gholami E. Family Physician of the Armed Forces and Creation of Electronic Health Record in Sib System. 3rd International Conference on Health, Treatment and Health Promotion; 2020 Jul 14; Georgia: International Organization of Academic Studies; 2020. [In Persian]##15. Cuckler GA, Sisko AM, Keehan SP, Smith SD, Madison AJ, Poisal JA, et al. National health expenditure projections, 2012-22: slow growth until coverage expands and economy improves. Health Aff (Millwood) 2013;32(10):1820-31.##16. Organization for Economic Cooperation and Development. OECD health data 2013: how does the United States compare. [cited 2013 Dec19]. Available from: https://www.oecd.org/els/health-systems/Health-at-a-Glance-2013.pdf ##17. Amiri P. The Role of electronic health during the covid-19 crisis: a systematic review of literatures. Journal of Health and Biomedical Informatics 2020; 6 (4):358-67. [In Persian]##18. Jafari H, Ranjbar M, Amini Rarani M, Hashemi F S, Bidoki SS. Experiences and Views of Users about Delivering Services through the Integrated Health System: a qualitative study. Tolooebehdasht 2020;19(2):57-71. doi: 10.18502/tbj.v19i2.3396. [In Persian]##19. Jabraeily M, Ahmadi M, Pirnejad H, Niazkhani Z, Salarei S, Sadegian A. Factors affecting hospital information system implementation. Journal of Qazvin University of Medical Sciences 2013;3(68):28-33. [In Persian]##20. Nasiripour A, Radfar R, NajafBeigi R, Rahmani H. Investigating the effective factors on the establishment of e-health system in Iran. Hospital 2011; 10(1): 53-62. [In Persian] ##21. Rezae P, Ahmadi M, Sadughi F. Comparative study on EHR content, structure, and terminology standards in selected organizations and design a model for Iran. Journal of Health Administration 2007;10(29):55-64. [In Persian]##22. Naqibzadeh Naeini GH, Safari Mohammadi F. Strategies to improve the integrated health system (Apple) based on the experiences of users of a qualitative study, 1st The Congress Information Technology and Health Promotion, 2018 Jul 15; Tehran: Information Technology and Health Promotion Association; 2018. [In Persian] ##23. Firooznia R, Dargahi H, Khaledian Z, Jafari-Koshki T. Strengths and weaknesses of maternal health program evaluation tools in Iranian primary health care system. Payesh 2018;17(5):521-30. [In Persian] ‎ doi: 20.1001.1.16807626.1397.17.5.1.3##24. Poor Shahrokhi N, Dastiar N, Shahriari M. Evaluation of Pregnancy Care Reminder System Based on SIB System SMS Service, 1the Student Reproductive Health Student Research Congress; 2020 Dec 16; Jiroft: Jiroft University of Medical Sciences; 2020. [In Persian] ##25. Rajković P, Aleksić D, Janković D, Milenković A, Petković I. Checking the potential shift to perceived usefulness-the analysis of users' response to the updated electronic health record core features. Int J Med Inform 2018;115:80-91.doi: 10.1016/j.ijmedinf.2018.04.011.##26. Kumar P. How to strengthen primary health care. J Family Med Prim Care 2016;5(3):543-6. doi: 10.4103/2249-4863.197263.##27. Reeve C, Humphreys J, Wakerman J, Carter M, Carroll V, Reeve D. Strengthening primary health care: achieving health gains in a remote region of Australia. Med J Aust 2015;202(9):483-7. doi: 10.5694/mja14.00894.## ##

مدل‌سازی و پیش‌بینی احتمال ابتلاء به بیماری‌ قلبی عروق کرونری با استفاده از الگوریتم‌های داده‌کاوی Modeling and Predicting the Risk of Coronary Artery Disease Using Data Mining Algorithms 1 1 مقدمه: بیماری قلبی عروق کرونری یکی از شایع‌ترین علت‌های مرگ‌ومیر در بزرگ‌سالان است، درحالی‌که، با تشخیص سریع و دقیق، درمان به‌موقع و نجات بیمار تا حد زیادی امکان‌پذیر است. از این‌رو، هدف این پژوهش شناسایی فاکتورهای مؤثر در ابتلاء به این بیماری و ارائه مدلی داده‌محور جهت کمک به پزشکان در پیش‌بینی و تشخیص آن است. روش: پژوهش حاضر از نوع تحقیق کاربردی-توسعه‌ای است که در آن 2038 رکورد گردآوری شده در مدت 5 سال در بیمارستان قلب شهید رجایی تهران، طی عملیات پیش‌پردازش و آماده‌سازی، با استفاده از نمونه‌برداری تصادفی متوازن، به 1000 رکورد، 500 بیمار و 500 فرد سالم، کاهش یافت. مرور ادبیات تحقیق، مشاوره با پزشکان متخصص، و وزن‌دهی با استفاده از روش کای‌دو، منجر به تعیین ویژگی‌ها شد. مدل‌ها با استفاده از الگوریتم‌های ماشین بردار پشتیبان، شبکه عصبی و جنگل تصادفی در محیط نرم‌افزارهای رپیدماینر و پایتون ایجاد شدند. نتایج: در میان 35 متغیر شناسایی شده، مهم‌ترین ویژگی‌ها عبارت‌اند از بیماری دریچه‌های قلبی، درد قفسه سینه، کلسترول بد، اختلال حرکت دیواره‌ای قلب، تری‌گلیسیرید، سدیم، پتاسیم، فشارخون و وزن. معیار F، دقت، صحت، و بازخوانی، به ترتیب، برای الگوریتم‌ جنگل تصادفی برابر با 82/11%، 81/40%، 79/07%، 85/40% و نرخ خطای مدل 18/6% محاسبه شد. نتیجه‌گیری: جنگل تصادفی با دقت قابل قبولی احتمال ابتلاء به بیماری قلبی عروق کرونری را پیش‌بینی نمود. در مقایسه مدل‌ها، به علت زیاد بودن تعداد گره‌های ورودی، خطای مدل شبکه عصبی، 23/6%، نسبتاً بیشتر بود. 2 Introduction: Coronary artery disease (CAD) is one of the most common causes of death in adults while accurate and early diagnosis can lead to treatment and survival of patients to a great extent. Therefore, the objective of this study was to identify the effective factors leading to this disease and develop a data-driven model to assist physicians in predicting and diagnosing it. Method: This is an applied research, considering 2038 medical records, collected from Shahid Rajaei Heart Hospital in Tehran, during 5 years. A data preprocessing was carried out and random balanced sampling reduced the dataset into 1000 records, with 500 CAD and 500 Normal. Literature review, consultation with specialist physicians, and weighting using the Chi-square method led to the determination of important features. Support Vector Machine, Neural Network and Random Forest algorithms were applied in RapidMiner and Python. Results: Among the 35 identified variables, the most important features included VHD, Chest pain, LDL, RWMA, TG, Na, K, BP, and weight. The F-measure, precision, accuracy, and recall for random forest algorithm were calculated as 82.11%, 81.40%, 79.07%, and 85.40%, respectively, and the error rate was 18.6%. Conclusion: Random Forest predicted the risk of CAD with a reasonable precision. In comparison, due to the large number of input nodes, the error rate of the Neural Network model was relatively higher (23.6%). 193 207 2021/03/62021/03/162021/04/272021/03/252021/05/72021/05/9 1400/2/19 2021/06/82021/05/292021/07/192021/06/292021/08/142021/08/23 1400/6/1 پریا سعدی Paria Saadi کارشناسی ارشد مهندسی صنایع ، گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ایران paria75.sadi@gmail.com معصومه زینال نژاد Masoomeh Zeinalnezhad دکترای مهندسی صنایع، استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران ایران m.zeinalnezhad@gmail.com فرزاد موحدی سبحانی Farzad Movahedi Sobhani دکترای مهندسی صنایع، استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ایران fmovahedi@iau.ac.ir Coronary Artery Disease Prediction Support Vector Machine Neural Network Random Forest بیماری قلبی -عروق کرونری پیش‌بینی ماشین بردار پشتیبان شبکه عصبی جنگل تصادفی 1. Zegard A, Okafor O, Bono JD, Kalla M, Lencioni M, Arshall H, et al. Myocardial fibrosis as a predictor of sudden death in patients with coronary artery disease. J Am Coll Cardiol 2021;77(1):29-41. doi: 10.1016/j.jacc.2020.10.046.##2. Tabreer TH, Manal HJ, Ivan AH. Heart disease diagnosis system. Int J Curr Eng Technol 2017; 77(55): 2277-4106.##3. Piri Z, Dehghani Sufi M, Salimzadeh Z, Ashragh B, Alizadeh G. Heart Failure Management via Mobile Phones: A Systematic Review. Journal of Health and Biomedical Informatics 2017; 4(3):232-41. [In Persian]##4. Norouzkhani N, Sepehri MM. Designing and evaluating an education-based follow-up system for cardiac patients. Journal of Health and Biomedical Informatics 2020; 7(2): 113-23. [In Persian]##5. Kamali Yousef Abad M, Tara SM, Mouhebati M, Azizi A, Kiani B, Hasibian MR. Designing and Evaluation of the Local Cardiovascular Terms Coding System Based on Concept Mapping. Journal of Health and Biomedical Informatics 2015; 1(2):83-94. [In Persian]##6. 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]##7. Srinivas K, Rani BK, Govrdhan A. Applications of data mining techniques in healthcare and prediction of heart attacks. International Journal on Computer Science and Engineering 2010;2(02):250-5.## 8. Alizadehsani R, Khosravi A, Roshanzamir M, Abdar M, Sarrafzadegan N, Shafie D, et al. Coronary artery disease detection using artificial intelligence techniques: A survey of trends, geographical differences and diagnostic features 1991–2020. Comput Biol Med 2021;128:104095. doi: 10.1016/j.compbiomed.2020.10409##9. Aggrawal RI, Pal SA. Multi-Machine Learning Binary Classification, Feature Selection and Comparison Technique for Predicting Death Events Related to Heart Disease. International Journal of Pharmaceutical Research 2021;13(1): 428-39. doi:10.31838/ijpr/2021.13.01.080##10. Fitriyani NL, Syafrudin M, Alfian G, Rhee J. HDPM: an effective heart disease prediction model for a clinical decision support system. IEEE Access 2020;8:133034-50. doi: 10.1109/ACCESS.2020.3010511##11. Shahid AF, Singh MP. A Novel Approach for Coronary Artery Disease Diagnosis using Hybrid Particle Swarm Optimization based Emotional Neural Network. Biocybernetics and Biomedical Engineering 2020; 40(4): 1568-85. https://doi.org/10.1016/j.bbe.2020.09.005##12. Ayatollahi H, Gholamhosseini L, Salehi M. Predicting coronary artery disease: a comparison between two data mining algorithms. BMC Public Health 2019;19(1):448. doi:10.1186/s12889-019-6721-5##13. Aghaienejad E, Teymourei-Yansary R, Riahi A. A hybrid model of heart anomalies detection by processing heart sounds Journal of Health and Biomedical Informatics 2019; 6(2): 101-10. [In Persian].##14. Abdar M, Ksiazek W, Acharya UA, Tan RS, Makarenkov V, Pławiak P. A new machine learning technique for an accurate diagnosis of coronary artery disease. Comput Methods Programs Biomed 2019;179:104992. doi: 10.1016/j.cmpb.2019.104992.##15. Nooshyar M, Momeni M, Gharravi S, Hourali F. Using gbc algorithm to optimize support vector machine parameters for predicting the relationship between cancer and cardiac infarction: a case study. Journal of Health and Biomedical Informatics 2018; 5(3): 361-72. [In Persian]##16. Jan M, Awan AA, Khalid MS, Nisar S. Ensemble approach for developing a smart heart disease prediction system using classification algorithms. Research Reports in Clinical Cardiology 2018; 9(1): 33-45. doi:10.2147/RRCC.S172035##17. Nashif S, Raihan MR, Islam MR, Imam MH. Heart disease detection by using machine learning algorithms and a real-time cardiovascular health monitoring system. World Journal of Engineering and Technology 2018; 6(4): 854-73. doi: 10.4236/wjet.2018.64057##18. Mousavi SR, Sepehri MM. Comparison of three decision-making models in differentiating informatics2018five types of heart disease: a case study in ghaem sub-specialty hospital. Journal of Health and Biomedical 2018;5(4): 457-68. [In Persian]##19. Mahmoodi MS. Designing a Heart Disease prediction System using Support Vector Machine. Journal of Health and Biomedical Informatics 2017; 4 (1):1-10. [In Persian]##20. Hassanzadeh M, Zabbah I, Layeghi K. Diagnosis of Coronary Heart Disease using Mixture of Experts Method. Journal of Health and Biomedical Informatics 2018; 5(2):274-85. [In Persian]##21. Sabbagh Gol H. Detection of coronary artery disease using C4.5 decision tree. Journal of Health and Biomedical Informatics 2017; 3(4): 287-99. [In Persian]##22. Tahmasbi H, Jalali M, Shakeri H. An Expert System for Heart Disease Diagnosis Based on Evidence Combination in Data Mining. Journal of Health and Biomedical Informatics 2017; 3(4):251-8. [In Persian]##23. Witten IH, Frank E, Hall MA, Pall C. Data Mining: Practical Machine Learning Tools and Techniques. 4th ed. St. Canada: Montreal; 2016.##24. Veloso R, Portela F, Santos MF, Silva A, Rua F, Abelha A, et al. A clustering approach for predicting readmissions in intensive medicine. Procedia Technology 2014;16(2):1307-16. doi:10.1016/j.protcy.2014.10.147##25. Cui S, Wang D, Wang Y, Yu PW, Jin Y. An improved support vector machine-based diabetic readmission prediction. Comput Methods Programs Biomed 2018;166:123-35. doi: 10.1016/j.cmpb.2018.10.012.##26. Srivastava S, Sharma L, Sharma V, Kumar A, Darbari H. Prediction of diabetes using aritificial neural network approach. Lecture Notes in Electrical Engineering 2019; 478(75): 679-87. https://doi.org/10.1007/978-981-13-1642-5_59## ##

ارزیابی کاربردپذیری نرم‌افزار مبتنی بر تلفن همراه ارائه خدمات سلامت در منزل با استفاده از روش ارزیابی اکتشافی Usability Evaluation of a Mobile-Based Application to Provide Home Health Services Using Heuristic Method 1 1 مقدمه: با توجه به اهمیت سلامت همراه در ارتقاء کیفیت خدمات بهداشتی- درمانی، ارزیابی عملکرد نرم‌افزارهایی که این خدمات را ارائه می‌دهند، ضروری به نظر می‌رسد. یکی از ابعاد مورد نظر برای بررسی نرم‌افزارها، بحث ارزیابی کاربردپذیری آن‌ها می‌باشد. مطالعه حاضر با هدف ارزیابی کاربردپذیری نرم‌افزار ارائه خدمات سلامت در منزل (‌سی طب) با استفاده از روش ارزیابی اکتشافی انجام شد. روش: پژوهش حاضر مطالعه ای مقطعی و کاربردی است. کاربردپذیری رابط کاربری نرم‌افزار ارائه خدمات سلامت در منزل (سی طب) که جهت ارائه خدمات پزشکی و درمانی در شهر کرمان مورد استفاده قرار می‌گیرد، با استفاده از چک لیست ارزیابی اکتشافی مورد ارزیابی قرار گرفت. در این پژوهش 3 نفر ارزیاب به طور مستقل رابط کاربری نرم‌افزار سی طب را مورد ارزیابی قرار دادند. نتایج: در مجموع 241 مشکل توسط سه ارزیاب شناسایی شد. پس از حذف موارد مشترک و سپس جمع‌بندی آن‌ها، 69 مشکل در لیست نهایی باقی ماند. بیشترین تعداد مشکلات شناسایی شده به ترتیب مربوط به مؤلفه شناسایی به جای یادآوری و مهارت‌ها و کمترین تعداد مشکلات مربوط به مؤلفه محرمانگی بود. همچنین بیشترین درجه شدت مشکلات شناسایی شده مربوط به مؤلفه آزادی عمل کاربر و تسلط بر سیستم بود. نتیجه‌گیری: با وجود این که مشکلات شناسایی شده در نرم‌افزار سی طب از درجه شدت بالایی برخوردار نبودند؛ اما توجه به آن‌ها در مراحل مختلف طراحی و پیاده‌سازی و رفع این مشکلات می‌تواند باعث تعامل بهتر کاربران و همچنین استفاده مؤثرتر از نرم‌افزار شود.   2 Introduction: Considering the importance of Mobile Health (mHealth) in improving the quality of health services, evaluating the performance of applications that provide these services seems necessary. One of the dimensions of assessing applications is usability evaluation. This study aimed to evaluate the usability of a home health services mobile application (30Teb) using the heuristic evaluation method. Method: The present study was an applied cross-sectional one. The usability of the user interface of the 30Teb home health services mobile application to provide health services in Kerman was evaluated using a heuristic evaluation checklist. In this study, three evaluators independently evaluated the user interface of the 30Teb mobile app. Results: A total of 241 problems were identified by three evaluators. After deleting duplicates and then summarizing them, 69 problems remained in the final list. The highest number of identified problems was related to the “identification instead of reminder” and “skills” components, and the lowest number was related to the “privacy” component. Moreover, the highest severity of the identified problems was related to the component of “user freedom and control of the system,” and the lowest severity was related to the “privacy” component. Conclusion: Although the problems identified in the 30Teb app were not very severe, paying attention to them in different design and implementation stages and solving these problems can lead to better user interaction and more effective use of a mobile application. 208 217 2021/03/62021/03/162021/04/272021/03/252021/05/72021/05/92021/05/18 1400/2/28 2021/06/82021/05/292021/07/192021/06/292021/08/142021/08/232021/06/30 1400/4/9 مهلا ایرانمنش Mahla Iranmanesh دانشجوی دکترای مدیریت خدمات بهداشتی- درمانی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mahlairanmanesh1991@gmail.com 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 محمدحسین مهرالحسنی Mohammadhossain Mehrolhassani دکترای مدیریت خدمات بهداشتی درمانی، دانشیار، دانشکده مدیریت و اطلاع‌رسانی پزشکی، مرکز تحقیقات مدیریت ارائه خدمات سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mhmhealth@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 Usability Heuristic Evaluation Mobile Health کاربردپذیری ارزیابی اکتشافی سلامت همراه 1. Aeenparast A, Yazdeli MR, Zandian H, Mehrizi AA. Catastrophic health expenditures in Iran: a review of the literature. Payesh 2016;15(1):7-17. [In Persian]##2. Shirazikhah M. Quarantine an effective intervention in COVID-19. Quarterly Journal of Nursing Management 2020;9(1):1-3. [In Persian]##3. Mosa AS, Yoo I, Sheets L. A systematic review of healthcare applications for smartphones. BMC Med Inform Decis Mak 2012;12:67. doi: 10.1186/1472-6947-12-67.##4. Shekelle PG, Morton SC, Keeler EB. Costs and benefits of health information technology. Evid Rep Technol Assess (Full Rep) 2006;(132):1-71. doi: 10.23970/ahrqepcerta132.##5. Whittaker R. m-Health—The Future of Health Is Mobile. Health Care and Informatics Rev Online 2010;14(2):1-2.##6. Karami S, Asadi F, Emami H. Thematic categorization of mobile health software packages and their priority from the perspective of Iranian physicians. Journal of Health and Biomedical Informatics 2017;4(3):216-21. [In Persian]##7. Raghupathi W, Tan J. Strategic IT applications in health care. Communications of the ACM 2002;45(12):56-61. doi:10.1145/585597.585602##8. Nielsen J. Usability Inspection Methods. 1st ed. NewYork, NY: John Wiley & Sons; 1994.##9. Nielsen J. Finding usability problems through heuristic evaluation. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems; 1992 May 3-7; NewYork: Association for Computing Machinery; 1992. p. 373–80. https://doi.org/10.1145/142750.142834##10. Pierotti D, Corporation X. Heuristic evaluation-a system checklist. Xerox Corporation; 1995.##11. Georgsson M, Staggers N, Weir CJC, Informatics, Nursing. A modified user-oriented heuristic evaluation of a mobile health system for diabetes self-management support. Comput Inform Nurs 2016;34(2):77-84. doi: 10.1097/CIN.0000000000000209.##12. Islam MN, Karim MM, Inan TT, Islam A. Investigating usability of mobile health applications in Bangladesh. BMC Medical Informatics and Decision Making 2020;20(1):19.##13. Zakerabbasali S, Pour R. Design and use of mobile-based remote answering consulting application using exploratory method. The Second National Congress Medical Informatics and the Seventh Iranian Conference e-Health; 2018 Jun 19-22; Tehran: Tarbiat Modares University; 2018. [In Persian] ##14. Sadeqi Jabali M, Nabovati E, Farzandipour M, Farrahi SR, Abbasi R. Evaluation of the usability of admission and medical record information system: A heuristic evaluation. Journal of Health and Biomedical Informatics 2019;6(2):80-9. [In Persian]##15. Nielsen J, Landauer TK. A mathematical model of the finding of usability problems. Proceedings of the INTERACT'93 and CHI'93 Conference on Human Factors in Computing Systems; 1993 Apr 24-25; New York: Association for Computing Machinery; 1993. p. 206–13. https://doi.org/10.1145/169059.169166##16. Nielsen J. Severity Ratings for Usability Problems. Nielsen Norman Group; 1995. ##17. Inal Y. Heuristic-based user interface evaluation of the mobile centralized doctor appointment system: A case study. The Electronic Library 2019; 37(6): 81-94. https://doi.org/10.1108/EL-06-2018-0114##18. Khajouei R, Hajesmaeel Gohari S, Mirzaee M. Comparison of two heuristic evaluation methods for evaluating the usability of health information systems. J Biomed Inform 2018;80:37-42. doi: 10.1016/j.jbi.2018.02.016.##19. Al-Khalifa HS, Al-Twaim B, AlHarbi B, editors. A heuristic checklist for usability evaluation of Saudi government mobile applications. Proceedings of the 18th International Conference on Information Integration and Web-based Applications and Services; 2016 Nov 28 - 30, 2016; NewYork: Association for Computing Machinery; 2016. p. 375–8. https://doi.org/10.1145/3011141.3011189##20. Cho H, Powell D, Pichon A, Thai J, Bruce J, Kuhns LM, et al. A Mobile Health Intervention for HIV Prevention Among Racially and Ethnically Diverse Young Men: Usability Evaluation. JMIR Mhealth Uhealth 2018; 6(9): e11450. ##21. Stonbraker S, Cho H, Hermosi G, Pichon A, Schnall R. Usability Testing of a mHealth App to Support Self-Management of HIV-Associated Non-AIDS Related Symptoms. Stud Health Technol Inform 2018;250:106-10.##22. Reolon M, Lacerda TC, Krone C, von Wangenheim CG, Xafranski J, Nunes JV, et al. Usability Heuristics for Evaluating Health-care Applications for Smartphones: A Systematic Literature Review. Telemedicina SES/SC; 2016. doi:10.13140/RG.2.2.34854.73282##23. Khowaja K, Al-Thani D. New Checklist for the Heuristic Evaluation of mHealth Apps (HE4EH): Development and Usability Study. JMIR Mhealth Uhealth 2020;8(10):e20353. doi: 10.2196/20353.## ##

تشخیص تومور مغزی گلیوما با استفاده از تصاویر تصویربرداری تشدید مغناطیسی با روش‌های یادگیری عمیق: یک مرور سیستماتیک Glioma Brain Tumor Identification Using Magnetic Resonance Imaging with Deep Learning Methods: A Systematic Review 1 1 مقدمه: گلیوما یکی از شایع‌ترین تومورهای مغزی است که تشخیص به موقع و دقیق آن منجر به درمان صحیح و افزایش عمر بیمار می‌شود. در این مطالعه به بررسی و تحلیل پژوهش‌های انجام شده در زمینه تشخیص گلیوما با استفاده از تصاویر تصویربرداری تشدید مغناطیسی با روش های یادگیری عمیق پرداخته شد. روش: این مطالعه مروری نظامند است که در آن پایگاه‌های اطلاعاتی PubMed، ScienceDirect، Springer، IEEE،Arxiv در بازه زمانی سال‌های 2010 تا 2020 به منظور بازیابی مطالعات انگلیسی زبان با استفاده از کلمات کلیدی مورد جستجو قرار گرفتند. سپس مقاله ها بر اساس معیارهای ورود و خروج و در راستای هدف پژوهش، انتخاب و اطلاعات مورد نیاز جهت بررسی استخراج گردید. نتایج: در نهایت 35 مقاله پژوهشی اصیل انتخاب گردید. بررسی مقاله‌ها نشان داد که از یک خط مشی واحد شامل جمع‌آوری تصاویر، پیش پردازش، طراحی و پیاده‌سازی مدل و ارزیابی نتایج مدل، جهت آشکارسازی، دسته‌بندی و بخش‌بندی تومور مغزی گلیوما استفاده کرده اند. اکثر مطالعه‌ها از مجموعه تصاویر عمومی و مدل‌های از پیش آموزش دیده  استفاده کرده‌ اند. در اغلب پژوهش‌ها معیار ضریب تشابه دایس در بخش‌بندی و معیار صحت در دسته‌بندی به عنوان معیار‌های ارزیابی کننده مدل استفاده شده‌اند. نتیجه‌گیری: یافته‌های این مطالعه نشان می‌دهد که در اکثر مقاله‌ها بخش‌بندی گلیوما نسبت به آشکارسازی و دسته‌بندی بیشتر مورد توجه پژوهشگران بوده است؛ بنابراین پیشنهاد می‌گردد مطالعات بیشتری در زمینه آشکارسازی و به خصوص درجه‌بندی گلیوما به منظور تعبیه در سیستم های کمک تشخیص پزشکی‌، انجام شود. 2 Introduction: Glioma is one of the most common brain tumors, the early and accurate diagnosis of which leads to proper treatment and prolongs the patient’s life. The studies conducted on glioma diagnosis using magnetic resonance imaging images with deep learning methods were reviewed and analyzed in this study. Method: This study was a systematic review in which PubMed, ScienceDirect, Springer, IEEE, and Arxiv databases were searched between 2010 and 2020 in order to retrieve English language studies using keywords. Then, the articles were selected based on the inclusion and exclusion criteria and in line with the purpose of the research and the required information was extracted for review. Results: Finally, 35 original research articles were selected. The review of the articles showed that they used a pipeline including collecting images, preprocessing, designing and implementing a model, and evaluating the results of the model for tumor detection, classification, and segmentation. The majority of the articles used public images and pre-trained models. In most articles, Dice similarity coefficient and accuracy criteria were used in segmentation and classification, respectively, as model evaluation criteria. Conclusion: The results of this study revealed that in most articles, segmentation received more attention in comparison with detection and classification. Therefore, it is suggested that more studies be carried out on detection and especially grading glioma for being utilized in medical diagnostic assistance systems. 218 233 2021/03/62021/03/162021/04/272021/03/252021/05/72021/05/92021/05/182021/02/23 1399/12/5 2021/06/82021/05/292021/07/192021/06/292021/08/142021/08/232021/06/302021/04/3 1400/1/14 زینب خزائی Zeinab Khazaei دانشجوی دکتری مدیریت فناوری اطلاعات، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ایران ze83kh@yahoo.com مصطفی لنگری زاده Mostafa Langarizadeh دکترای انفورماتیک پزشکی، دانشیار، گروه مدیریت اطلاعات بهداشتی و درمانی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران langarizadeh.m@iums.ac.ir محمد ابراهیم شیری احمدآبادی Mohammad Ebrahim Shiri Ahmad Abadi دکترای هوش مصنوعی، استادیار، گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران ایران shiri@aut.ac.ir Deep Learning Glioma Brain Tumor Magnetic Resonance Imaging یادگیری عمیق تومور مغزی گلیوما تصویربرداری تشدید مغناطیسی 1. Işın A, Direkoğlu C, Şah M. Review of MRI-based brain tumor image segmentation using deep learning methods. Procedia Computer Science 2016;102:317-24. https://doi.org/10.1016/j.procs.2016.09.407##2. Van Meir EG, Hadjipanayis CG, Norden AD, Shu HK, Wen PY, Olson JJ. Exciting new advances in neuro‐oncology: the avenue to a cure for malignant glioma. CA Cancer J Clin 2010;60(3):166-93. doi: 10.3322/caac.20069##3. Louis DN, Perry A, Reifenberger G, Von Deimling A, Figarella-Branger D, Cavenee WK, et al. The 2016 World Health Organization classification of tumors of the central nervous system: a summary. Acta Neuropathol 2016;131(6):803-20. doi: 10.1007/s00401-016-1545-1##4. Tabatabai G, Stupp R, Van Den Bent MJ, Hegi ME, Tonn JC, Wick W, et al. Molecular diagnostics of gliomas: the clinical perspective. Acta Neuropathol 2010;120(5):585-92. doi: 10.1007/s00401-010-0750-6##5. Coburger J, Merkel A, Scherer M, Schwartz F, Gessler F, Roder C, et al. Low-grade glioma surgery in intraoperative magnetic resonance imaging: results of a multicenter retrospective assessment of the German Study Group for Intraoperative Magnetic Resonance Imaging. Neurosurgery 2016;78(6):775-86. doi: 10.1227/NEU.0000000000001081##6. Yang T, Song J, Li L. A deep learning model integrating SK-TPCNN and random forests for brain tumor segmentation in MRI. Biocybernetics and Biomedical Engineering 2019;39(3):613-23.##7. Abd-Ellah MK, Awad AI, Khalaf AA, Hamed HF. A review on brain tumor diagnosis from MRI images: Practical implications, key achievements, and lessons learned. Magn Reson Imaging 2019;61:300-18. doi: 10.1016/j.mri.2019.05.028##8. Havaei M, Davy A, Warde-Farley D, Biard A, Courville A, Bengio Y, Pal C, Jodoin PM, Larochelle H. Brain tumor segmentation with deep neural networks. Med Image Anal 2017;35:18-31. doi: 10.1016/j.media.2016.05.004##9. Tandel GS, Biswas M, Kakde OG, Tiwari A, Suri HS, Turk M, et al. A review on a deep learning perspective in brain cancer classification. Cancers 2019;11(1):111. doi: 10.3390/cancers11010111##10. Razzak MI, Naz S, Zaib A. Deep learning for medical image processing: Overview, challenges and the future. Classification in BioApps 2018:323-50. doi:10.1007/978-3-319-65981-7_12##11. Shen D, Wu G, Suk HI. Deep learning in medical image analysis. Annu Rev Biomed Eng 2017;19:221-48. doi: 10.1146/annurev-bioeng-071516-044442##12. Lotan E, Jain R, Razavian N, Fatterpekar GM, Lui YW. State of the art: machine learning applications in glioma imaging. AJR Am J Roentgenol 2019;212(1):26-37. doi: 10.2214/AJR.18.20218##13. Ebrahimighahnavieh MA, Luo S, Chiong R. Deep learning to detect Alzheimer's disease from neuroimaging: A systematic literature review. Computer Methods and Programs in Biomedicine 2020;187:105242. https://doi.org/10.1016/j.cmpb.2019.105242##14. Amin J, Sharif M, Anjum MA, Raza M, Bukhari SA. Convolutional neural network with batch normalization for glioma and stroke lesion detection using MRI. Cognitive Systems Research 2020;59:304-11. https://doi.org/10.1016/j.cogsys.2019.10.002##15. Amin J, Sharif M, Gul N, Raza M, Anjum MA, Nisar MW, Bukhari SA. Brain tumor detection by using stacked autoencoders in deep learning. J Med Syst 2019;44(2):32. doi: 10.1007/s10916-019-1483-2##16. Decuyper M, Van Holen R. Fully automatic binary glioma grading based on pre-therapy MRI using 3D convolutional neural networks. arXiv preprint arXiv:1908.01506. 2019.##17. Wadhwa A, Bhardwaj A, Verma VS. A review on brain tumor segmentation of MRI images. Magn Reson Imaging 2019;61:247-59.##18. Sahiner B, Pezeshk A, Hadjiiski LM, Wang X, Drukker K, Cha KH, et al. Deep learning in medical imaging and radiation therapy. Med Phys 2019;46(1):e1-e36.##19. Ge C, Gu IY, Jakola AS, Yang J. Deep learning and multi-sensor fusion for glioma classification using multistream 2D convolutional networks. Annu Int Conf IEEE Eng Med Biol Soc 2018;2018:5894-97.##20. Srinivas B, Sasibhushana Rao G. Segmentation of Multi-Modal MRI Brain Tumor Sub-Regions Using Deep Learning. Journal of Electrical Engineering & Technology 2020;15:1899-909.##21. KV AM, Rajendran VR. Glioma tumor grade identification using artificial intelligent techniques. Journal of Medical Systems 2019;43(5):1-2.##22. Yang Y, Yan LF, Zhang X, Han Y, Nan HY, Hu YC, et al. Glioma grading on conventional MR images: a deep learning study with transfer learning. Front Neurosci. 2018; 12: 804.doi: 10.3389/fnins.2018.00804##23. Anaraki AK, Ayati M, Kazemi F. Magnetic resonance imaging-based brain tumor grades classification and grading via convolutional neural networks and genetic algorithms. Biocybernetics and Biomedical Engineering 2019;39(1):63-74.##24. Zeineldin RA, Karar ME, Coburger J, Wirtz CR, Burgert O. DeepSeg: deep neural network framework for automatic brain tumor segmentation using magnetic resonance FLAIR images. International Journal of Computer Assisted Radiology and Surgery 2020;15(6):909-20.##25. Lachinov D, Vasiliev E, Turlapov V. Glioma Segmentation with Cascaded Unet. arXiv:1810.04008; 2018.##26. Mzoughi H, Njeh I, Wali A, Slima MB, BenHamida A, Mhiri C, Mahfoudhe KB. Deep multi-scale 3D convolutional neural network (CNN) for MRI gliomas brain tumor classification. J Digit Imaging 2020;33(4):903-15. doi: 10.1007/s10278-020-00347-9##27. Kumar GA, Sridevi PV. 3D deep learning for automatic brain MR tumor segmentation with T-spline intensity inhomogeneity correction. Automatic Control and Computer Sciences 2018;52(5):439-50.##28. Wacker J, Ladeira M, Nascimento JE. Transfer Learning for Brain Tumor Segmentation. arXiv preprint arXiv:1912.12452. 2019.##29. Sun J, Chen W, Peng S, Liu B. DRRNet: Dense residual refine networks for automatic brain tumor segmentation. J Med Syst 2019;43(7):221. doi: 10.1007/s10916-019-1358-6##30. Pérez-García F, Sparks R, Ourselin S. TorchIO: a Python library for efficient loading, preprocessing, augmentation and patch-based sampling of medical images in deep learning. arXiv preprint arXiv:2003.04696. 2020.##31. Hussain Z, Gimenez F, Yi D, Rubin D. Differential Data Augmentation Techniques for Medical Imaging Classification Tasks. AMIA Annu Symp Proc 2018;2017:979-84. ##32. Perez L, Wang J. The effectiveness of data augmentation in image classification using deep learning. arXiv preprint arXiv:1712.04621. 2017.##33. Pereira S, Pinto A, Alves V, Silva CA. Brain tumor segmentation using convolutional neural networks in MRI images. IEEE Trans Med Imaging 2016;35(5):1240-51. doi: 10.1109/TMI.2016.2538465##34. Naser MA, Deen MJ. Brain tumor segmentation and grading of lower-grade glioma using deep learning in MRI images. Computers in Biology and Medicine 2020;121:103758.##35. Goodfellow I, Bengio Y, Courville A, Bengio Y. Deep learning. Cambridge: MIT Press; 2016.##36. Zhuge Y, Ning H, Mathen P, Cheng JY, Krauze AV, Camphausen K, Miller RW. Automated glioma grading on conventional MRI images using deep convolutional neural networks. Med Phys 2020;47(7):3044-53.##37. Sun L, Zhang S, Chen H, Luo L. Brain tumor segmentation and survival prediction using multimodal MRI scans with deep learning. Front Neurosci. 2019; 13: 810. doi: 10.3389/fnins.2019.00810##38. Lee JG, Jun S, Cho YW, Lee H, Kim GB, Seo JB, Kim N. Deep learning in medical imaging: general overview. Korean J Radiol 2017;18(4):570-84. doi: 10.3348/kjr.2017.18.4.570##39. Baid U, Talbar S, Rane S, et al. A Novel Approach for Fully Automatic Intra-Tumor Segmentation With 3D U-Net Architecture for Gliomas. Front Comput Neurosci. 2020;14:10. doi: 10.3389/fncom.2020.00010##40. Hasan SK, Linte CA. A modified U-Net convolutional network featuring a Nearest-neighbor Re-sampling-based Elastic-Transformation for brain tissue characterization and segmentation. Proc IEEE West N Y Image Signal Process Workshop 2018;2018:10.1109/WNYIPW.2018.8576421. doi: 10.1109/WNYIPW.2018.8576421##41. Cui S, Mao L, Jiang J, Liu C, Xiong S. Automatic semantic segmentation of brain gliomas from MRI images using a deep cascaded neural network. J Healthc Eng 2018;2018:4940593 doi: 10.1155/2018/4940593##42. Li H, Li A, Wang M. A novel end-to-end brain tumor segmentation method using improved fully convolutional networks. Comput Biol Med 2019;108:150-60. doi: 10.1016/j.compbiomed.2019.03.014##43. Feng X, Tustison NJ, Patel SH, Meyer CH. Brain tumor segmentation using an ensemble of 3d u-nets and overall survival prediction using radiomic features. Front Comput Neurosci 2020;14:25. doi: 10.3389/fncom.2020.00025##44. Wang G, Li W, Ourselin S, Vercauteren T. Automatic brain tumor segmentation using cascaded anisotropic convolutional neural networks. arXiv:1709.00382. doi: 10.1007/978-3-319-75238-9_16 ##45. Khan H, Shah PM, Shah MA, ul Islam S, Rodrigues JJ. Cascading handcrafted features and convolutional neural network for IoT-enabled brain tumor segmentation. Computer Communications 2020;153:196-207. https://doi.org/10.1016/j.comcom.2020.01.013##46. Wang F, Biswal B. Neural architecture search for gliomas segmentation on multimodal magnetic resonance imaging. arXiv preprint arXiv:2005.06338. 2020.##47. Sultan HH, Salem NM, Al-Atabany W. Multi-classification of brain tumor images using deep neural network. IEEE Access 2019;7:69215-25. doi: 10.1109/ACCESS.2019.2919122##48. Wu S, Li H, Quang D, Guan Y. Three-Plane–assembled Deep Learning Segmentation of Gliomas. Radiol Artif Intell 2020; 2(2): e190011. doi: 10.1148/ryai.2020190011##49. Guo X, Yang C, Lam PL, Woo PY, Yuan Y. Domain Knowledge Based Brain Tumor Segmentation and Overall Survival Prediction. In book: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. p. 285-95. doi:10.1007/978-3-030-46643-5_28##50. Amian M, Soltaninejad M. Multi-Resolution 3D CNN for MRI Brain Tumor Segmentation and Survival Prediction. arXiv:1911.08388v1 2019.##51. Chen H, Qin Z, Ding Y, Tian L, Qin Z. Brain tumor segmentation with deep convolutional symmetric neural network. Neurocomputing 2020;392:305-13. doi: https://doi.org/10.1016/j.neucom.2019.01.111##52. Hussain S, Anwar SM, Majid M. Segmentation of glioma tumors in brain using deep convolutional neural network. Neurocomputing 2018;282:248-61. https://doi.org/10.1016/j.neucom.2017.12.032##53. Nema S, Dudhane A, Murala S, Naidu S. RescueNet: An unpaired GAN for brain tumor segmentation. Biomedical Signal Processing and Control 2020;55:101641. https://doi.org/10.1016/j.bspc.2019.101641## ##

بررسی نقش داشبورد مدیریتی الکترونیک در بهبود کیفیت خدمات ارائه شده در اتاق‌های عمل: یک مرور نظام‌مند Investigating the Role of Electronic Management Dashboard in Quality Improvement of Services Provided in Operating Rooms: A Systematic Review 1 1 مقدمه: به حداکثر رساندن کارایی اتاق عمل در راستای ارائه خدمات درمانی از اهمیت زیادی برخوردار است. داشبوردهای الکترونیکی با ارائه اطلاعات بالینی و مدیریتی به موقع، یکی از روش‌های ارتقا‌ء کیفیت خدمات در اتاق‌های عمل محسوب می‌شوند. هدف پژوهش حاضر، بررسی نقش داشبورد مدیریتی الکترونیک در بهبود کیفیت خدمات ارائه شده در اتاق‌های عمل می‌باشد. روش: در مطالعه مرور نظام‌مند حاضر به منظور یافتن مقالات مرتبط، سه بانک اطلاعاتی PubMed، Web of Science و Scopus جستجو شدند. انتخاب مطالعات و استخراج داده‌ها توسط دو نفر از محققین انجام و موارد عدم توافق از طریق مشورت با محقق سوم بررسی شدند. نتایج: از 116 مقاله بازیابی شده، 8 مطالعه جهت بررسی نهایی انتخاب شدند. «افزایش کارایی و بهره وری اتاق عمل و بیمارستان»، «افزایش رضایت جراحان، پرسنل و بیماران نسبت به انجام فرایندهای درمان» و «جلوگیری از ایجاد تأخیر در انجام جراحی‌ها با زمان بندی صحیح» مهمترین پیامدهای مثبت استفاده از داشبوردها بودند. همچنین، چهار چالش مرتبط با داشبوردهای اتاق عمل شناسایی شد. «تجزیه تحلیل فرایندهای جراحی از زمان ورود بیمار به اتاق عمل تا خروج وی با ارائه نمودارهای تصویری و گزارشات متنی» و «تعیین دامنه زمانی لازم برای انجام هر عمل و تنظیم زمان آزاد پزشکان و پرسنل اتاق عمل» نیز مهم‌ترین قابلیت‌های داشبوردهای اتاق عمل بودند. نتیجه‌گیری: استفاده از داشبوردهای الکترونیکی مدیریتی می تواند به افزایش کیفیت خدمات درمانی-مدیریتی ارائه شده در اتاق عمل منجر شود و مدیران را برای برنامه‌ریزی و آینده نگری با چالش‌های کمتری روبه‌رو سازد. 2 Introduction: Maximizing the efficiency of operating rooms to provide medical services is of great importance. Electronic dashboards are one of the ways to provide quality services in operating rooms by making clinical and managerial information available on time. Therefore, the purpose of this study was to investigate the role of electronic management dashboard in improving the quality of services provided in operating rooms. Method: In this systematic review study, three databases including PubMed, Web of Science, and Scopus were searched for relevant articles. Selection of articles and data extraction were done by two researchers and the disagreements were resolved in consultation with the third researcher. Results: From among 116 retrieved articles, 8 studies were selected for the final review. The most important positive consequences of using dashboards were “increasing the efficiency and productivity of the operating room and hospital”, “increasing the satisfaction of surgeons, staff, and patients in performing treatment processes”, and “preventing delays in performing surgeries with the right timing”. Moreover, four challenges related to the use of dashboards in the operating room were identified. Besides, “analyzing surgical processes from the time the patient enters the operating room to his/her exit by providing visual diagrams and text reports” and “determining the time required to perform each operation and setting free time for physicians and operating room staff” were also the most important capabilities of operating room dashboards. Conclusion: The use of electronic management dashboards can increase the quality of health-management services provided in operating rooms and help managers face less challenges for planning and future foresight 234 242 2021/03/62021/03/162021/04/272021/03/252021/05/72021/05/92021/05/182021/02/232021/08/5 1400/5/14 2021/06/82021/05/292021/07/192021/06/292021/08/142021/08/232021/06/302021/04/32021/08/25 1400/6/3 سینا اعتمادی Sina Etemadi کارشناسی ارشد مدیریت خدمات بهداشتی و درمانی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران sina.etemadi007@gmail.com خدیجه مولایی Khadijeh Moulaei دانشجوی دکتری انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران Moulaei.kh91@gmail.com مرجان هدایتی پور Marjan Hedayatipour کارشناسی ارشد مدیریت خدمات بهداشتی و درمانی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران marjan.hedayati1995@gmail.com Electronic Dashboard Operating Room Management Quality Improvement داشبورد الکترونیکی اتاق عمل مدیریت بهبود کیفیت 1. Park HS, Kim SH, Bong MR, Choi DK, Kim WJ, Ku SW, et al. Optimization of the operating room scheduling process for improving efficiency in a tertiary hospital. Journal of Medical Systems. 2020;44(9):1-7.##2. Park KW, Smaltz D, McFadden D, Souba W. The operating room dashboard. J Surg Res 2010;164(2):294-300. doi: 10.1016/j.jss.2009.09.011.##3. Dowding D, Randell R, Gardner P, Fitzpatrick G, Dykes P, Favela J, et al. Dashboards for improving patient care: review of the literature. Int J Med Inform 2015;84(2):87-100. doi:10.1016/j.ijmedinf.2014.10.001.##4. Martinez DA, Kane EM, Jalalpour M, Scheulen J, Rupani H, Toteja R, et al. An electronic dashboard to monitor patient flow at the Johns Hopkins Hospital: communication of key performance indicators using the Donabedian model. J Med Syst 2018;42(8):133. doi: 10.1007/s10916-018-0988-4.##5. Weiss D, Dunn SI, Sprague AE, Fell DB, Grimshaw JM, Darling E, et al. Effect of a population-level performance dashboard intervention on maternal-newborn outcomes: an interrupted time series study. BMJ Qual Saf 2018; 27(6): 425–36. doi: 10.1136/bmjqs-2017-007361##6. Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). Transparent Reporting of Systematic Reviews and Meta-Analyses; 2020 [cited 2020 Jul 14]. Available from: http://www.prisma-statement.org/.##7. Li F, Gupta D, Potthoff S. Improving operating room schedules. Health Care Manag Sci 2016;19(3):261-78. doi: 10.1007/s10729-015-9318-2.##8. Smith CD, Spackman T, Brommer K, Stewart MW, Vizzini M, Frye J, et al. Re-engineering the operating room using variability methodology to improve health care value. J Am Coll Surg 2013;216(4):559-68; discussion 568-70. doi: 10.1016/j.jamcollsurg.2012.12.046.##9. Nagy PG, Konewko R, Warnock M, Bernstein W, Seagull J, Xiao Y, et al. Novel, web-based, information-exploration approach for improving operating room logistics and system processes. Surg Innov 2008;15(1):7-16. doi: 10.1177/1553350608316573. ##10. Agnoletti V, Buccioli M, Padovani E, Corso RM, Perger P, Piraccini E, et al. Operating room data management: improving efficiency and safety in a surgical block. BMC Surg 2013;13:7. doi: 10.1186/1471-2482-13-7.##11. Gauthier JB, Legrain A. Operating room management under uncertainty. Constraints. 2016;21(4):577-96. doi:10.1007/s10601-015-9236-4##12. Pedron S, Winter V, Oppel E-M, Bialas E. Operating room efficiency before and after entrance in a benchmarking program for surgical process data. J Med Syst 2017;41(10):151. doi: 10.1007/s10916-017-0798-0.##13. Kroch E, Vaughn T, Koepke M, Roman S, Foster D, Sinha S, et al. Hospital boards and quality dashboards. Journal of Patient Safety 2006;2(1):10-9.##14. Adams TM. Design and implementation of a clinical dashboard: The University of Texas School of Public Health; 2007.##15. Plerhoples T, Morton J. Creating a surgical dashboard for quality. The SAGES Manual of Quality, Outcomes and Patient Safety: Springer; 2012. p. 25-33.##16. Nelson GS, editor The healthcare performance dashboard: Linking strategy to metrics. SAS Global Forum in Seattle, Wash; 2010.##17. Koopman RJ, Kochendorfer KM, Moore JL, Mehr DR, Wakefield DS, Yadamsuren B, et al. A diabetes dashboard and physician efficiency and accuracy in accessing data needed for high-quality diabetes care. Ann Fam Med 2011;9(5):398-405. doi: 10.1370/afm.1286.##18. Laurent G, Moussa MD, Cirenei C, Tavernier B, Marcilly R, Lamer A. Development, implementation and preliminary evaluation of clinical dashboards in a department of anesthesia. J Clin Monit Comput 2020: 1–10.##19. Daley K, Richardson J, James I, Chambers A, Corbett D. Clinical dashboard: use in older adult mental health wards. The Psychiatrist 2013;37(3):85-8. doi: https://doi.org/10.1192/pb.bp.111.035899##20. Almasi S, Rabiei R, Moghaddasi H, Vahidi-Asl M. Emergency Department Quality Dashboard; a Systematic Review of Performance Indicators, Functionalities, and Challenges. Arch Acad Emerg Med 2021;9(1):e47. doi: 10.22037/aaem.v9i1.1230. ##21. Patterson ES, Rogers ML, Tomolo AM, Wears RL, Tsevat J. Comparison of extent of use, information accuracy, and functions for manual and electronic patient status boards. Int J Med Inform 2010;79(12):817-23. doi: 10.1016/j.ijmedinf.2010.08.002##22. Staib A, Sullivan C, Jones M, Griffin B, Bell A, Scott I. The ED‐inpatient dashboard: Uniting emergency and inpatient clinicians to improve the efficiency and quality of care for patients requiring emergency admission to hospital. Emerg Med Australas 2017;29(3):363-6. doi: 10.1111/1742-6723.12661.##23. France DJ, Levin S, Hemphill R, Chen K, Rickard D, Makowski R, et al. Emergency physicians’ behaviors and workload in the presence of an electronic whiteboard. Int J Med Inform 2005;74(10):827-37. doi: 10.1016/j.ijmedinf.2005.03.015.##24. McLeod B, Zaver F, Avery C, Martin DP, Wang D, Jessen K, et al. Matching capacity to demand: a regional dashboard reduces ambulance avoidance and improves accessibility of receiving hospitals. Acad Emerg Med 2010;17(12):1383-9. doi: 10.1111/j.1553-2712.2010.00928.x.##25. Mazor I, Heart T, Even A. Simulating the impact of an online digital dashboard in emergency departments on patients length of stay. Journal of Decision Systems 2016;25(sup1):343-53. https://doi.org/10.1080/12460125.2016.1187422##26. van Deen WK, Cho ES, Pustolski K, Wixon D, Lamb S, Valente TW, et al. Involving end-users in the design of an audit and feedback intervention in the emergency department setting–a mixed methods study. BMC Health Serv Res 2019;19(1):270. doi: 10.1186/s12913-019-4084-3.##27. Serb C. Effective dashboards. What to measure and how to show it. Hosp Health Netw 2011;85(6):8. ##28. Hansoti B. Business intelligence dashboard in decision making. 2010.##29. Morgan MB, Branstetter BF, Lionetti DM, Richardson JS, Chang PJ. The radiology digital dashboard: effects on report turnaround time. J Digit Imaging 2008; 21(1): 50–8. doi: 10.1007/s10278-007-9008-9##30. Ghazisaeidi M, Safdari R, Torabi M, Mirzaee M, Farzi J, Goodini A. Development of performance dashboards in healthcare sector: key practical issues. Acta Inform Med 2015;23(5):317-21. doi: 10.5455/aim.2015.23.317-321.##31. Presthus W, Bergum I, editors. Business Intelligence to the People. A Case Study of Dashboard Adoption in the Health Care sector. Norsk konferanse for organisasjoners bruk at IT; 2015.##32. Jebraeily M, Hasanloei MA, Rahimi B. Design of a management dashboard for the intensive care unit: Determining key performance indicators and their required capabilities. Applied Medical Informatics. 2019;41(3):111-21.##33. Rocha S, Bernardino J, Pedrosa I, Ferreira I. Dashboards and indicators for a BI healthcare system. World Conference on Information Systems and Technologies; 2017; Springer: Advances in Intelligent Systems and Computing; 2017. doi:10.1007/978-3-319-56535-4_8## ##