1400 8 3 29 337

مکان گزینی مراکز فوریتهای پزشکی ( EMCs ) با رویکرد مدیریت مخاطرات محیطی مطالعه موردی شهر اردبیل Site Selection of Emergency Medical Centers (EMCs) Using Environmental Hazard Management Approach: A Case Study of Ardabil 1 1 مقدمه: روزانه افراد زیادی به دلیل وقوع تصادفات یا بروز بیماری های مختلف با مراکز فوریت های پزشکی تماس می گیرند و نیازمند دریافت کمکهای اولیه اند. برای ارایه کمک های اولیه پزشکی، اعزام نیرو و خودروهای امداد و نجات از مراکز خدمات فوریت های پزشکی به محل وقوع حادثه، ضروری است. ازاین رو، دسترس پذیر بودن محل استقرار مراکز فوریت های پزشکی و قرارگیری در محل مناسب، اهمیت زیادی دارد. هدف این پژوهش تحلیل الگوی فضایی توزیع مراکز فوریت های پزشکی موجود و معرفی پهنه های مناسب برای استقرار مراکز جدید است. روش: تحقیق حاضر، از نوع روشهای توصیفی- تحلیلی است. این مطالعه شهر اردبیل را برای تجزیه و تحلیل انتخاب کرده است. از 22 معیار برای مکان یابی استفاده شده است. از فرآیند تحلیل شبکهای (ANP) برای تعیین وزن معیارها و از مدل VIKOR در سامانه اطلاعات جغرافیایی (GIS) برای تهیه نقشه پهنه بندی شهری جهت احداث مراکز جدید، استفاده شده است. نتایج: مراکز موجود فوریت های پزشکی، تنها بخشی از شهر اردبیل را پوشش می دهند و بخش های زیادی از شهر از جمله در حواشی شهر، نمیتوانند خدمات مناسبی دریافت کنند. نقشه تهیه شده، مکان های جدیدی را برای افزایش میزان دسترس پذیری پیشنهاد کرده است. نتیجه گیری: باز توزیع فضایی و تخصیص مجدد مراکز فوریت های پزشکی، دسترس پذیری به این مراکز را بهبود می بخشد. سامانه های اطلاعات جغرافیایی پلتفورم مناسبی را برای توزیع مجدد خدمات فراهم می کنند. سیاستگذاران و برنامه ریزان بخش بهداشت و درمان ممکن است از نتایج این مطالعه برای تخصیص بهینه منابع استفاده کنند. 2 Introduction: Many people call emergency medical centers (EMCs) during a day due to accidents or various diseases and they need to receive first aid. In order to provide first aid, it is necessary to send emergency workers and vehicles from the emergency medical services centers to the location of the accidents. Therefore, the accessibility of the EMCs and their being located in an appropriate place are of great importance. The objective of this study was to analyze the spatial distribution pattern of the existing EMCs and to introduce suitable areas for the establishment of new centers. Method: The present study was a descriptive-analytical one. Ardabil, a city in Iran, was selected as the study area for analysis. A total of 22 criteria were used for site selection. The Analytic Network Process (ANP) was used to determine the weights of the criteria and the VIKOR model was utilized in Geographic Information System (GIS) to prepare an urban zoning map for the site selection of new centers. Results: The existing EMCs cover only a limited part of Ardabil and many parts of the city, including the outskirts, cannot receive proper emergency medical services (EMS). The created map suggested new locations to increase accessibility. Conclusion: Spatial redistribution and allocation of EMCs can improve accessibility of these centers. The GIS can provide a good platform for the redistribution of EMS. Health policymakers and planners may use the results of this study to optimally allocate resources. 243 259 2021/05/5 1400/2/15 2021/08/25 1400/6/3 علیرضا محمدی Alireza Mohammadi دانشیار گروه جغرافیا و برنامه ریزی شهری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران ایران a.mohammadi@uma.ac.ir سپیده نوری Sepideh Nouri دانشجوی دکتری جغرافیا و برنامه ریزی شهری، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران ایران SEPIDEH.NOORI71@GMAIL.COM Accidents Emergency Medical Centers Site selection Geographic Information Systems حوادث مراکز فوریت های پزشکی مکان گزینی سیستم های اطلاعات جغرافیایی 1. Dadashzadeh A, Dehghannejhad J, Shams S, Sadegi H, Hassanzadeh F, Soheili A et al. Situation of response and transport time in pre-hospital traumatic patients from scene to hospital In Tabriz – Iran. Nurs Midwifery J 2016; 14(8):728-37. [In Persian]##2. Pap R, Lockwood C, Stephenson M, Simpson P. Indicators to measure prehospital care quality: a scoping review. JBI Database System Rev Implement Rep 2018;16(11):2192-223. doi: 10.11124/JBISRIR-2017-003742.##3. Akgün İ, Gümüşbuğa F, Tansel B. Risk based facility location by using fault tree analysis in disaster management. Omega 2015;52:168-79.##4. Alipour MR, Nasiripour AA. Time indicators of pre-hospital emergency care services to patients transported by emergency helicopter to Imam Khomeini hospital of Tehran in 2014. Journal of Police Medicine 2015;3(4):269-76. [In Persian] doi: 10.30505/3.4.269##5. Puvanachandra P, Hoe C, Özkan T, Lajunen T. Burden of road traffic injuries in Turkey. Traffic Inj Prev 2012;13 Suppl 1:64-75. doi: 10.1080/15389588.2011.633135.##6. Paul JA, Wang XJ. Robust location-allocation network design for earthquake preparedness. Transportation Research Part B: Methodological 2019;119:139-55.##7. Azimi A, Bagheri N, Mostafavi SM, Furst MA, Hashtarkhani S, Amin FH, et al. Spatial-time analysis of cardiovascular emergency medical requests: enlightening policy and practice. BMC Public Health 2021;21(1):1-2.##8. Foo CP, Ahghari M, MacDonald RD. Use of geographic information systems to determine new helipad locations and improve timely response while mitigating risk of helicopter emergency medical services operations. Prehosp Emerg Care 2010;14(4):461-8. doi: 10.3109/10903127.2010.493983.##9. Haghparast-Bidgoli H, Hasselberg M, Khankeh H, Khorasani-Zavareh D, Johansson E. Barriers and facilitators to provide effective pre-hospital trauma care for road traffic injury victims in Iran: a grounded theory approach. BMC Emerg Med 2010;10:20. doi: 10.1186/1471-227X-10-20.##10. Hashtarkhani S, Kiani B, Bergquist R, Bagheri N, VafaeiNejad R, Tara M. An age‐integrated approach to improve measurement of potential spatial accessibility to emergency medical services for urban areas. The International Journal of Health Planning and Management 2020;35(3):788-98.##11. Ragazzoni L, Caviglia M, Rosi P, Buson R, Pini S, Merlo F, Della Corte F, Vandy MJ, Jambai A, Putoto G. Designing, Implementing, and Managing a National Emergency Medical Service in Sierra Leone. Prehosp Disaster Med 2021;36(1):115-20. doi: 10.1017/S1049023X20001442.##12. Hemmat H, Farhadi A, Khademdaghigh AH. The Role of Decision Making Systems (GIS) in Managing future crises. Defensive Future Study Researches Journal 2019;4(12):143-64.[In Persian]##13. Yang YP, Shieh HM, Tzeng GH. A VIKOR technique based on DEMATEL and ANP for information security risk control assessment. Information Sciences 2013;232:482-500. https://doi.org/10.1016/j.ins.2011.09.012##14. Tansley G, Stewart B, Zakariah A, Boateng E, Achena C, Lewis D, et al. Population-level spatial access to prehospital care by the national ambulance service in Ghana. Prehosp Emerg Care 2016;20(6):768-75. doi: 10.3109/10903127.2016.1164775.##15. Loloee Jahromi S, Sadeghieh A, Hosseininasab H. Using AHP Approach to Rank the Effective Factors in the Emergency Center Locations. Industrial Management Journal 2014; 9(29):55-68. [In Persian]##16. Hasanpoor E, Nazari M, Zahmatkesh E, Abbasi Z, Imani Z, Mahmodi H, Arab Zozani M. Hospital emergency response of Iran against disasters: A case study in Karaj. Hospital 2016;14(4):67-74. [In Persian]##17. Ebrahimi M, Mirzaei Modam M. Ranking Zones of Tehran to Add New Emergency Services Using Fuzzy AHP. Advances in Industrial Engineering 2015;49(2):149-63. [In Persian]##18. Kamali A, Sajjadi SM, Jolai F. The Placement of Emergency Medical Bases Using Hybrid Methods of Optimization and Simulation (Case Study: Isfahan Urban Emergency Medical Bases, Iran). Health Information Management 2018;15(2):61-7. [In Persian]##19. Firouzi Jahantigh F, Ghaderi M. Location of the aerial ambulances using combination of fuzzy ANP and fuzzy dematel in the environment of ArcGIS: A case study in Sistan and Baluchestan Province. Journal of Hospital 2018;17(2):33-47. [In Persian]##20. Statistics Center of Iran. General Census of Population and Housing in Ardabil [cited 2021 Oct 10]. Available from: https://www.amar.org.ir/english/Population-and-Housing-Censuses.##21. Ardabil University of Medical Sciences and Health Services; 2016 [cited 2021 Oct 2]. Available from: https://emergency.arums.ac.ir/fa/page/2531.##22. Abdollahi G, Nastaran M, Mokhtarzadeh S, Jamshidi M. Zoning of Tehran city in order to establish hospitals in normal and crisis circumstances (earthquake). Quarterly Scientific Journal of Rescue and Relief 2012;4(2):1-15. [In Persian]##23. Rezavian MT. Urban Landuse Planning. Tehran: Monshi; 2002. [In Persian]##24. Rezaee MR, Kamaeezadeh Y, Saraee MH. Bibliographic Information :Prioritizing the appropriateness of location of Mehr housing projects in Yazd city using AHP-VIKOR combined approach .Quarterly Geographical Planing of Space 2014;4(11):105-23. [In Persian]##25. Mohammadi A, DehDeh zadeh Silabi P, Zahmatkesh E. Patial Analysis and Determination of Suitable Location Zones of Shiraz Metropolitan Hospitals Using ANP Method In GIS Environment. Journal of Geography and Urban Planning Zagros Vision 2017; 9(31);9: 203-22.##26. Shahbandar Zadeh H, Jamali GR, Mansouri M. Hierarchical location-allocation for emergency medical services. Journal of Emergency Management 2015;4(94):57-86. [In Persian]##27. Ahadnejad M, Ghaderi H, Hadian M, Haghighatfard P, Darvishi B, Haghighatfard E, Zegordi B, Bordbar A. Location allocation of health care centers using geographical information system: region 11 of Tehran. Journal of Fasa University of Medical Sciences 2015;4(4):463-74. [In Persian]##28. Çelikbilek Y. Group decision making for hospital location selection using VIKOR under fuzzy environment. İstanbul Gelişim Üniversitesi Sağlık Bilimleri Dergisi 2018 (5):435-50.##29. Chen YS, Chuang HM, Sangaiah AK, Lin CK, Huang WB. A study for project risk management using an advanced MCDM-based DEMATEL-ANP approach.Journal of Ambient Intelligence and Humanized Computing 2019;10(7):2669-81.##30. Atayi M. Fuzzy multi-criteria decision making. 2th ed. Shahroud: Shahroud University of Technology; 2016. [In Persian]##31. Asadi M, PourHossein K. Wind and Solar Farms Site Selection Using Geographical Information System (GIS), Based on Multi Criteria Decision Making (MCDM) Methods: A Case-Study for East-Azerbaijan. Iranian Conference on Renewable Energy & Distributed Generation (ICREDG); 2019 Jun 11 IEEE; 2019. p. 1-6. doi:10.1109/ICREDG47187.2019.190216##32. Ebrahimzadeh E, Hosseini A, Kashefidoost D. Analysis of the location of Urban Fire Stations Case Study: Piranshahr City. Geography and Planning 2017;20(58):1-21.##33. Esfandiary DF, Geddi S, Mahbub R. Studying the Human and Natural Obstacles for Skeletal-Physical Development of the Cities by Using GIS, Case Study: Germitown Ship. Geography and Territorial Spatial Arrangement 2013;3(6):85-95. [In Persian]## ##

بررسی تأثیر ارسال پیامک‌های آموزشی بر خود مراقبتی در بیماران فشارخون بالای کلینیک فشارخون شهر کرمان Investigating the Effect of Educational Text Messages on Self-Care in Hypertensive Patients in a Hypertension Clinic in Kerman 1 1 مقدمه: مراقبت از خود در بیماری‌های مزمن، بر روی بررسی و کنترل علائم بیماری، حفظ شیوه زندگی سالم و عملکرد روزانه دلالت می‌کند. این مطالعه با هدف بررسی تأثیر ارسال پیامک‌های آموزشی بر خود مراقبتی در بیماران فشارخون بالای یکی از کلینیک‌های فشارخون شهر کرمان در سال 1399 انجام شد. روش: در این مطالعه نیمه‌تجربی، جامعه آماری شامل 316 بیمار با سابقه فشارخون بالا بودند که تعداد 64 نفر به عنوان نمونه انتخاب شدند. سپس نمونه‌ها به صورت تصادفی در دو گروه 32 نفری مداخله و کنترل قرار گرفتند. برای گردآوری داده‌ها از پرسشنامه رفتارهای خودمراقبتی بیماران فشارخون بالا استفاده شد. قبل از اجرای مداخله، پرسشنامه‌ها توسط نمونه‌ها تکمیل گردید. سپس پیامک‌های آموزشی برای افراد گروه مداخله طی مدت یک ماه ارسال گردید و برای گروه کنترل مداخله‌ای صورت نگرفت. پس از اتمام آموزش، تمامی بیماران مجدداً پرسشنامه‌ها را تکمیل کردند. تجزیه‌وتحلیل داده‌ها با استفاده از نرم‌افزار SPSS نسخه 26 انجام شد. نتایج: نتایج نشان داد میانگین نمره خودمراقبتی بعد از مداخله (با کنترل نمره قبل) در گروه مداخله به اندازه 6/92 بیشتر از گروه کنترل بود که این اختلاف از نظر آماری معنی‌دار بود (0/01>P-value)؛ لذا استفاده از سلامت همراه، نسبت به روش معمول خودمراقبتی، تأثیر بیشتری بر افزایش خودمراقبتی بیماران دارای فشارخون بالا داشت. نتیجه‌گیری: نتایج این مطالعه سودمندی پیامک‌های آموزشی را در خودمراقبتی بیماران مبتلا به فشار‌خون بالا نشان داد؛ بنابراین استفاده از فناوری‌های سلامت همراه در ارائه مراقبت‌های بهداشتی گزینه مناسبی می‌باشد. 2 Introduction: Self-care in chronic diseases implies the study and control of disease symptoms, maintaining a healthy lifestyle, and daily functioning. The objective of this study was to investigate the effect of educational text messages on self-care in hypertensive patients in one of the hypertension clinics in Kerman in 2020. Method: The statistical population of this quasi-experimental study included 316 patients with a history of hypertension, of whom 64 were selected as the sample of the study. Then, the selected participants were randomly assigned to two intervention and control groups each with 32 members. The self-care behavior questionnaire for hypertensive patients was used to collect data. Before the intervention, the questionnaires were completed by the participants. Then, educational text messages were sent to the intervention group for one month while the control group received no intervention. At the end of the training, all patients completed the questionnaires again. Data were analyzed using SPSS software (version 26). Results: The results showed that the mean score of self-care in the intervention group after the intervention (previous score being controlled) was 6.92 more than that of the control group, which was statistically significant (P-value <0.01). Thus, using mobile health (mHealth) had a greater impact on increasing self-care in patients with hypertension compared with the conventional self-care methods. Conclusion: The results of this study indicated the efficiency of educational text messages in self-care of patients with hypertension. Therefore, it is a good choice to use mHealth technologies for providing health care. 260 269 2021/05/52021/07/31 1400/5/9 2021/08/252021/11/30 1400/9/9 الناز موحدی Elnaz Movahedi دانشجوی کارشناسی ارشد فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران elnaz.movahedi@yahoo.com عباس اطمینان Abbas Etminan استادیار، مرکز تحقیقات غدد درون‌ریز و متابولیسم، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران abbas_etminan@yahoo.com مقدمه میرزایی Moghadameh Mirzaei دانشیار، مرکز تحقیقات مدل‌سازی در سلامت، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران moghadameh_mirzai@yahoo.com رقیه ارشادسرابی Roghayeh Ershad Sarabi استادیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران a.ershadsarabi@gmail.com mHealth SMS Self-Care Hypertension سلامت همراه پیامک خودمراقبتی فشارخون 1. Mills KT, Bundy JD, Kelly TN, Reed JE, Kearney PM, Reynolds K, et al. Global Disparities of Hypertension Prevalence and Control: A Systematic Analysis of Population-Based Studies from 90 Countries. Circulation 2016;134(6):441-50. doi: 10.1161/CIRCULATIONAHA.115.018912##2. Lee KS, Lennie TA, Yoon JY, Wu JR, Moser DK. Living Arrangements Modify the Relationship between Depressive Symptoms and Self-care in Patients with Heart Failure. J Cardiovasc Nurs 2017;32(2):171-9. doi: 10.1097/JCN.0000000000000327.##3. Liu MH, Wang CH, Huang YY, Cherng WJ, Wang KW. A correlational study of illness knowledge, self-care behaviors, and quality of life in elderly patients with heart failure. J Nurs Res 2014;22(2):136-45. doi: 10.1097/JNR.0000000000000024.##4. Cao X, Wang XH, Wong EM, Chow CK, Chair SY. Type D personality negatively associated with self-care in Chinese heart failure patients. J Geriatr Cardiol 2016; 13(5): 401–7. doi: 10.11909/j.issn.1671-5411.2016.05.011##5. Tung HH, Chen SC, Yin WH, Cheng CH, Wang TJ, Wu SF. Self care behavior in patients with heart failure in Taiwan. Eur J Cardiovasc Nurs 2012;11(2):175-82. doi: 10.1016/j.ejcnurse.2011.02.002. ##6. Balduino Ade F, Mantovani Mde F, Lacerda MR, Meier MJ. Conceptual self-management analysis of hypertensive individuals. Rev Gaucha Enferm 2013;34(4):37-44. doi: 10.1590/s1983-14472013000400005. [In Portuguese]##7. Beck J, Greenwood DA, Blanton L, Bollinger ST, Butcher MK, Condon JE, et al. 2017 National Standards for Diabetes Self-Management Education and Support. Diabetes Educ 2017;43(5):449-64. doi: 10.1177/0145721717722968.##8. Ahmadizad, Varmaghani M, Varmaghani S. Mobile Health Services: Past, Present, Future. Educ Strategy Med Sci 2017; 10(3):233-46. [In Persian].##9. Pawar P, Jones V, Vanbeijnum B, Hermens H. A framework for the comparison of mobile patient monitoring systems. J Biomed Inform 2012;45(3):544-56. doi: 10.1016/j.jbi.2012.02.007. ##10. Center PR. Mobile fact sheet. Pew Research Center. 2018. Available from: https://www.pewresearch.org/internet/fact-sheet/mobile/##11. Center PR. Internet/broadband fact sheet. Internet, Science & Tech; 2020. Available from: https://www.pewresearch.org/internet/fact-sheet/internet-broadband/##12. Zapata BC, Fernández-Alemán JL, Idri A, Toval A. Empirical studies on usability of mHealth apps: a systematic literature review. J Med Syst 2015;39(2):1. doi: 10.1007/s10916-014-0182-2.##13. Wheeler TS, Michael Vallis T, Giacomantonio NB, Abidi SR. Feasibility and usability of an ontology-based mobile intervention for patients with hypertension. Int J Med Inform 2018;119:8-16. doi: 10.1016/j.ijmedinf.2018.08.002.##14. Estaji Z, Hejazi S, Tabarraie Y, Saedi M. The Effects of training through text messaging via cell phones on the compliance of patients undergoing hemodialysis. Journal of North Khorasan University of Medical Sciences 2016;8(2):203-13. [In Persian]. doi:10.18869/acadpub.jnkums.8.2.203##15. Varleta P, Acevedo M, Akel C, Salinas C, Navarrete C, García A, et al. Mobile phone text messaging improves antihypertensive drug adherence in the community. J Clin Hypertens (Greenwich) 2017;19(12):1276-84. doi: 10.1111/jch.13098. ##16. Haramiova Z, Stasko M, Hulin M, Tesar T, Kuzelova M, Morisky DM. The effectiveness of daily SMS reminders in pharmaceutical care of older adults on improving patients' adherence to antihypertensive medication (SPPA): study protocol for a randomized controlled trial. Trials 2017;18(1):334. doi: 10.1186/s13063-017-2063-8##17. Kassavou A, Mirzaei V, Brimicombe J, Edwards S, Massou E, Prevost AT, et al. A Highly Tailored Text and Voice Messaging Intervention to Improve Medication Adherence in Patients With Either or both Hypertension and Type 2 Diabetes in a UK Primary Care Setting: Feasibility Randomized Controlled Trial of Clinical Effectiveness. Journal of Medical Internet Research 2020;22(5):e16629. doi:10.2196/16629##18. Golshahi J, Ahmadzadeh H, Sadeghi M, Mohammadifard N, Pourmoghaddas A. Effect of self-care education on lifestyle modification, medication adherence and blood pressure in hypertensive adults: Randomized controlled clinical trial. Adv Biomed Res 2015;4:204. doi: 10.4103/2277-9175.166140. ##19. Movahedi M, Khadivi R, Rouzbahani R, Tavakoli-Fard N. Effect of Training through Short Message Service on Compliance and Mean Blood Pressure of Hypertensive Patients. Int J Prev Med 2019;10:200. doi: 10.4103/ijpvm.IJPVM_507_17. ##20. Eghbali T, Salehi S. The Effect of Nursing Intervention Education on Self-care Behaviors in Patients with High Blood Pressure Referred to Healthcare Centers in Kermanshah Province. Iranian Journal of Rehabilitation Research in Nursing 2017;4(1):32-7. [In Persian]##21. Han HR, Lee H, Commodore-Mensah Y, Kim M. Development and validation of the hypertension self-care profile: a practical tool to measure hypertension self-care. J Cardiovasc Nurs 2014; 29(3): E11–E20. doi: 10.1097/JCN.0b013e3182a3fd46##22. Ghanei Gheshlagh R, Parizad N, Ghalenoee M, Dalvand S, Farajzadeh M, Ebadi A. Psychometric properties of Persian version of Hypertension Self-Care Profile in patients with high blood pressure. Koomesh 2019; 21 (1):25-32. [In Persian]##23. Barati F, Sadeghmoghadam L, Sajjadi M, Nazari S, Bahri N. Validation of the Persian version of self-care tools for hypertension among older adults. Med Glas (Zenica) 2019;16(2). doi: 10.17392/1026-19.##24. Chapman N, Breslin M, Lay-Flurrie S, Zhou Z, Sharman J, Nelson M, et al. YI 2.6 Comparison of Cardiovascular Disease Primary Prevention Guidelines between Australia, England and the United States. Artery Research 2020;26(Supplement 1):S19. https://doi.org/10.2991/artres.k.201209.014##25. Arad SMS Panel. [cited 21 Oct 2020]. Available from: https://www.aradsmspanel.ir/.##26. Yari A, Khiali Z, Hassani L. The effect of face-to-face and SMS-based education in cyberspace on self-care and blood sugar indices of patients with diabetes in Fasa. The 1th Research Congress of Hormozgan Medical Sciences Students; 2019 Nov 14; Hormozgan: Hormozgan University of Medical Sciences; 2019. [In Persian].##27. Rahnavard S, Elahi N, Rokhafroz D, Hagighi MH, Zakerkish M. Comparison of the effect of group based and mobile based education on self-care behaviors in type II diabetic patients. Iranian Journal of Diabetes and Lipid Disorders 2019;18(2):55-63. [In Persian].##28. Rico TM, dos Santos Machado K, Fernandes VP, Madruga SW, Santin MM, Petrarca CR, et al. Use of Text Messaging (SMS) for the Management of Side Effects in Cancer Patients Undergoing Chemotherapy Treatment: a Randomized Controlled Trial. J Med Syst 2020; 44(11): 193. doi: 10.1007/s10916-020-01663-x##29. Abaza H, Marschollek M, Schulze M. SMS Education for the Promotion of Diabetes Self-Management in Low & Middle Income Countries: A Randomized Controlled Trial in Egypt. BMC Public Health 2017;17(1):962. doi: 10.1186/s12889-017-4973-5.##30. Suffoletto B, Wagner AK, Arenth PM, Calabria J, Kingsley E, Kristan J, et al. Mobile phone text messaging to assess symptoms after mild traumatic brain injury and provide self-care support: a pilot study. J Head Trauma Rehabil 2013;28(4):302-12. doi: 10.1097/HTR.0b013e3182847468.##31. Haricharan HJ, Heap M, Hacking D, Lau YK. Health promotion via SMS improves hypertension knowledge for deaf South Africans. BMC Public Health 2017;17(1):663. doi: 10.1186/s12889-017-4619-7.##32. 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 Prevent Med 2016; 3(2):58-72. [In Persian].##33. Peimani M, Rambod C, Ghodssi Ghassemabadi R, Nasli Esfahani E. Effectiveness of short message service-based intervention (SMS) on self-care in type 2 diabetes: A feasibility study. Prim Care Diabetes 2016;10(4):251-8. doi: 10.1016/j.pcd.2015.11.001.## ##

استخراج ویژگی چندمتغیره برای پیش‌بینی ماتریس بیان ژنی آینده Multivariate Feature Extraction for Prediction of Future Gene Expression Profile 1 1 مقدمه: ویژگی‌های یک سلول را می‌توان با بررسی ماتریس بیان ژنی مربوط به آن سلول تعیین کرد. اگر بتوان ماتریس‌های بیان ژنی مربوط به سلول‌های فرزند آینده را پیش‌بینی کرد، در حقیقت ویژگی‌های سلول‌های آینده پیش‌بینی شده‌اند. هدف مطالعه حاضر، طراحی یک شبکه عصبی مصنوعی برای پیش‌بینی ماتریس‌های بیان ژنی برای سلول‌های فرزندی است که از تقسیم/تمایز سلول‌های بنیادی هماتوپویتیک در آینده به دست خواهند آمد. روش: شبکه عصبی طراحی‌‌شده ماتریس بیان ژنی یک سلول بنیادی هماتوپویتیک والد را به عنوان ورودی می‌گیرد و ماتریس‌های بیان ژنی مربوط به سلول‌های فرزند آینده آن را تولید می‌کند. یک کدگذار زمانی برای کدگذاری سری زمانی اصلی و یک کدگذار مکانی برای کدگذاری سری‌های زمانی ثانویه پیشنهاد می‌شود. نتایج: برای آن که پیش‌بینی قابل پذیرشی انجام شود، باید ماتریس­های بیان ژنی مربوط به دست­کم چهار مرحله اولیه از تقسیم/تمایز مشخص باشند. شبکه عصبی طراحی­شده از نظر خطای پیش‌بینی و تعداد مراحل تقسیم/تمایز که به درستی پیش‌بینی شده باشند، نسبت به شبکه­های عصبی موجود بهتر عمل می‌کند. طرح پیشنهادی این مطالعه می­تواند پیش‌بینی را برای صدها مرحله از تقسیم/تمایز سلولی انجام دهد. خطای طرح پیشنهادی برای پیش­بینی 1، 4، 16، 64 و 128 مرحله از تقسیم/تمایز به ترتیب برابر با 3/04، 3/76، 5/5، 7/83، و 11/06 درصد بوده است. نتیجه‌گیری: با داشتن ماتریس بیان ژنی مربوط به یک سلول هما‌توپویتیک والد می‌توان ماتریس‌های بیان ژنی مربوط به فرزندان آن را تا صدها مرحله از تقسیم/تمایز پیش‌بینی کرده و در صورت لزوم، به موقع چاره‌ای برای روبه‌رو شدن با مشکلات ژنتیکی آینده اندیشید. 2 Introduction: The features of a cell can be extracted from its gene expression profile. If the gene expression profiles of future descendant cells are predicted, the features of the future cells are also predicted. The objective of this study was to design an artificial neural network to predict gene expression profiles of descendant cells that will be generated by division/differentiation of hematopoietic stem cells. Method: The developed neural network takes the parent hematopoietic stem cell’s gene expression profile as input and generates the gene expression profiles of its future descendant cells. A temporal attention was proposed to encode the main time series and a spatial attention was also provided to encode the secondary time series. Results: To make an acceptable prediction, the gene expression profiles of at least four initial division/differentiation steps must be known. The designed neural network surpasses the existing neural networks in terms of prediction accuracy and number of correctly predicted division/differentiation steps. The proposed scheme can predict hundreds of division/differentiation steps. The proposed scheme’ error in prediction of 1, 4, 16, 64, and 128 division/differentiation steps was 3.04, 3.76, 5.5, 7.83, and 11.06 percent, respectively. Conclusion: Based on the gene expression profile of a parent hematopoietic stem cell, the gene expression profiles of its descendants can be predicted for hundreds of division/differentiation steps and if necessary, solutions must be sought to encounter future genetic disorders. 270 281 2021/05/52021/07/312021/07/6 1400/4/15 2021/08/252021/11/302021/12/15 1400/9/24 پریناز اسکندریان Parinaz Eskandarian دانشجوی دکتری مهندسی کامپیوتر، گروه کامپیوتر، واحد ارومیه، ‌دانشگاه آزاد اسلامی، ارومیه، ایران ایران p_eskandarian@yahoo.com جمشید باقرزاده محاسفی Jamshid Bagherzadeh Mohasefi دکتری مهندسی نرم‌افزار، دانشیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه ارومیه، ارومیه، ایران ایران j.bagherzadeh@urmia.ac.ir حبیب اله پیرنژاد Habibollah Pirnejad دکتری تخصصی انفورماتیک پزشکی، دانشیار، مرکز تحقیقات ایمنی بیمار، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران pirnejad.h@umsu.ac.ir زهرا نیازخانی Zahra Niazkhani دکتری تخصصی انفورماتیک پزشکی، دانشیار، مرکز تحقیقات نفرولوژی و پیوند کلیه، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران niazkhani.z@umsu.ac.ir Hematopoietic Stem Cell Neural Network Multivariate Time Series Gene Expression Profile Prediction سلول بنیادی هماتوپویتیک شبکه عصبی سری زمانی چندمتغیره ماتریس بیان ژنی پیش‌بینی 1. Scala S, Aiuti A. In vivo dynamics of human hematopoietic stem cells: novel concepts and future directions. Blood Adv 2019;3(12):1916-24. doi: 10.1182/bloodadvances.2019000039. ##2. Barbosa CM, Fock RA, Hastreiter AA, Reutelingsperger C, Perretti M, Paredes-Gamero EJ, Farsky SH. Extracellular annexin-A1 promotes myeloid/granulocytic differentiation of hematopoietic stem/progenitor cells via the Ca 2+/MAPK signalling transduction pathway. Cell Death Discovery 2019;5(1):1.##3. Eskandarian P, Mohasefi JB, Pirnejad H, Niazkhani Z. Prediction of future gene expression profile by analyzing its past variation pattern. Gene Expr Patterns 2021;39:119166. doi: 10.1016/j.gep.2021.119166. ##4. Kjartansdóttir KR, Reda A, Panula S, Day K, Hultenby K, Söder O, et al. A combination of culture conditions and gene expression analysis can be used to investigate and predict hES cell differentiation potential towards male gonadal cells. PloS one 2015;10(12):e0144029. https://doi.org/10.1371/journal.pone.0144029##5. Yanagihara K, Liu Y, Kanie K, Takayama K, Kokunugi M, Hirata M, et al. Prediction of differentiation tendency toward hepatocytes from gene expression in undifferentiated human pluripotent stem cells. Stem Cells Dev 2016; 25(24): 1884–97. doi: 10.1089/scd.2016.0099##6. Bhattacharjee A, Vishwakarma GK. Time-course data prediction for repeatedly measured gene expression. International Journal of Biomathematics 2019;12(04):1950033. ##7. Chakraborty K, Mehrotra K, Mohan CK, Ranka S. Forecasting the behavior of multivariate time series using neural networks. Neural Networks 1992;5(6):961-70. https://doi.org/10.1142/S1793524519500335##8. Voyant C, Muselli M, Paoli C, Nivet ML. Optimization of an artificial neural network dedicated to the multivariate forecasting of daily global radiation. Energy 2011;36(1):348-59.##9. Bollen J, Mao H, Zeng X. Twitter mood predicts the stock market. Journal of Computational Science 2011;2(1):1-8. https://doi.org/10.1016/j.jocs.2010.12.007##10. Rao T, Srivastava S. Modeling movements in oil, gold, forex and market indices using search volume index and twitter sentiments. InProceedings of the 5th annual ACM Web Science Conference; 2013 May 2; New York NY, United States: Association for Computing Machinery; 2013. p. 336-45. https://doi.org/10.1145/2464464.2464521##11. Qin Y, Song D, Chen H, Cheng W, Jiang G, Cottrell G. A dual-stage attention-based recurrent neural network for time series prediction. International Joint Conference on Artificial Intelligence 2017.##12. Li Y, Zhu Z, Kong D, Han H, Zhao Y. EA-LSTM: Evolutionary attention-based LSTM for time series prediction. Knowledge-Based Systems 2019;181:104785. https://doi.org/10.1016/j.energy.2020.119692##13. Bu SJ, Cho SB. Time series forecasting with multi-headed attention-based deep learning for residential energy consumption. Energies 2020;13(18):4722. https://doi.org/10.3390/en13184722##14. Yuan Y, Xun G, Ma F, Wang Y, Du N, Jia K, et al. Muvan: A multi-view attention network for multivariate temporal data. 18th IEEE International Conference on Data Mining, ICDM; 2018 Nov 17; Singapore, Singapore: IEEE; 2018. p. 717-26.##15. Hu J, Zheng W. Multistage attention network for multivariate time series prediction. Neurocomputing 2020;383:122-37. ##16. Pantiskas L, Verstoep K, Bal H. Interpretable Multivariate Time Series Forecasting with Temporal Attention Convolutional Neural Networks. EEE Symposium Series on Computational Intelligence; 2020 Dec 1; Canberra, Australia: IEEE; 2020. p. 1687-94. ##17. Graves A, Mohamed AR, Hinton G. Speech recognition with deep recurrent neural networks. International Conference on Acoustics, Speech, and Signal Processing (ICASSP); 2013 May 26-31; Vancouver, BC, Canada: IEEE; 2013. p. 6645-49. doi: 10.1109/ICASSP.2013.6638947##18. Li J, Liu C, Gong Y. Layer trajectory LSTM. arXiv preprint arXiv:1808.09522. 2018 Aug 28.## ##

اولویت‌بندی مراقبت‌های پرستاری از راه دور در حوادث و بلایا از دیدگاه پرستاران Prioritizing the telenursing care during incidents and disaster from the view of nurses 1 1 مقدمه: عدم قطعیت و وقوع ناگهانی بلایا نیازمند توجه ویژه می‌باشد و پرستاران به عنوان بزرگ‌ترین منبع انسانی در حفظ و ارتقاء سلامت مصدومان نقش خطیری را عهده‌دار هستند. در زمان رخداد حوادث، بهره‌گیری از مراقبت‌های پرستاری از راه دور به عنوان یک شیوه‌ عالی به منظور ارائه خدمات مراقبتی می‌تواند مطرح شود؛ لذا این مطالعه با هدف اولویت‌بندی مراقبت‌های پرستاری از راه دور در حوادث و بلایا از دیدگاه پرستاران انجام شد. روش: این مطالعه توصیفی- پیمایشی بخشی از یک پژوهش ترکیبی است که برای نخستین مرتبه در ایران به منظور اولویت‌بندی و ارزیابی خدمات پرستاری از راه دور در حوادث و بلایا در سال 1398 انجام شد. ابزار گردآوری اطلاعات پرسشنامه محقق ساخته بود. کلیه پرستاران بخش اورژانس بیمارستان‌های باهنر و افضلی‌پور وابسته به دانشگاه علوم پزشکی کرمان به روش نمونه‌گیری سرشماری وارد مطالعه شدند. تجزیه و تحلیل داده‌ها با استفاده از نرم‌افزار SPSS نسخه 21 صورت گرفت. نتایج: بررسی نتایج نشان داد که اولویت مراقبت‌های پرستاری از راه دور در حوادث شامل: اقدامات نجات دهنده حیات، مراقبت و تصمیم‌گیری در شرایط پر تنش (تریاژ)، اداره مصدومان ترومایی، مهارت‌های تکنیکی، اداره بیماران با نیازهای ویژه و حمایت‌های روانی و عاطفی است. نتیجه‌گیری: با توجه به این که در زمان رخداد حوادث و بلایا شاهد شرایط غیر عادی هستیم و کمبود کادر پرستاری در مراقبت از مصدومان به چشم می‌خورد، بنابراین استفاده از فناوری پرستاری از راه دور روزنه‌ امیدی برای مدیریت بلایا، کاهش میزان صدمات و کمک به بازتوانی قربانیان می‌باشد. 2 Introduction: Uncertainty and sudden occurrence of disasters require special attention and nurses, as the largest human resource, have a critical role in maintaining and promoting the health. The use of telenursing care during disaster is an applicable way to provide care. The aim of this was to prioritizing telenursing care in disasters from the view of nurses. Method: This descriptive-analytical study was part of a larger mixed methods on prioritizing telenursing care in disasters from the view of nurses. Samples were selected using census. The data were analyzed using SPSS software. Results: The prioritizing extracted care included:(1) Management of trauma, (2) Technical skills, (3) Care and decision-making in stressful situations (triage), (4) Management of patients with special needs, (5) Life-saving intervention, and (6) Psychological and emotional supports. Conclusion: According to the shortage of specialized nurses in disastrous areas, a telenursing program will provide a new window and provide help to victims of disasters. 282 291 2021/05/52021/07/312021/07/62021/07/21 1400/4/30 2021/08/252021/11/302021/12/152021/11/10 1400/8/19 مهدیه نژادشفیعی Mahdiye Nejadshafiee دکترای سلامت در حوادث و بلایا، بیمارستان سیدالشهداء (ع) ناجا، مرکز تحقیقات سلامت در بلایا و فوریت‌ها، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران nejadshafiee.mahdiye@gmail.com کامبیز بهاءالدین بیگی Kambiz Bahaadinbeigy دکترای انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران kambizb321@gmail.com مجید کاظمی Majid Kazemi دکترای آموزش پرستاری، دانشیار گروه داخلی و جراحی، دانشکده پرستاری و مامایی، مرکز تحقیقات بیماری‌های غیرواگیر، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران ایران maj_kaz@yahoo.com محمود نکویی مقدم Mahmood Nekoei-Moghadam دکترای مدیریت خدمات بهداشتی- درمانی، مرکز تحقیقات سلامت در بلایا و فوریت‌ها، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mahmood.nekoeimoghadam@gmail.com Telenursing Incidents Disasters Nurse پرستاری از راه دور حوادث بلایا پرستار 1. Nysi A K, Veyseh SM, Tardast H. Investigation the factors affecting the effectiveness of rescue & relief teams to respond to the crisis in Ilam province. Journal of Rescue & Relief 2014;6(2):70-83. [In Persian]##2. Guha Sapir D, Hoyois P, Wallemarc P, Below R. Annual Disaster Statistical Review 2016, the numbers and trends. Brussels, Belgium: Center for Research on the Epidemiology of Disasters, Université catholique de Louvain; 2017.##3. Global Humanitarian Assistance Report; 2018. Development Initiatives [cited 2020 Jun 13]. Available from: https://gdc.unicef.org/resource/global-humanitarian-assistance-report-2018##4. The International Disaster Database, EM-DAT: OFDA/CRED. Brussels, Belgium: Université catholique de Louvain; 2018. [cited 2020 Jan 31]. Available from: http://www.cred.be. ##5. Guha-Sapir D, Hoyois P, Below R. Annual Disaster Statistical Review 2015: The Numbers and Trends. CRED, Brussels; 2016.##6. A group of authors, Set of management guidelines on the care crisis. 1st ed. Tehran: Crescent Institute of Higher Education; 2006.##7. Hojat M, Sirati‐ Nir M, Khaghanizade M, Karimizarchi M. Survey of hospital disaster management in medical science universities. Daneshvar: scientific‐ research Daneshvar Medicine: Basic and Clinical Research Journal 2008; 15(74): 1-10. [In Persian]##8. Khankeh H, Khorasani D. National Tools for Assessing Health in Emergency and Disaster. Tehran: University of Social Welfar and Rehabilitation Sciences, 2016. [In Persian]##9. World Health Organization (WHO). The contribution of nursing and midwifery in emergencies; 2007 [cited 2020 Nov 22]. Available from: https://www.who.int/hac/events/2006/nursing_consultation_report_sept07. pdf. ##10. World Health Organization WHO). Emergency response framework (ERF); 2018 [cited 2020 Jun 13]. Available from: https://www.who.int/hac/about/definitions/en/##11. Loke AY, Fung OW. Nurses' competencies in disaster nursing: implications for curriculum development and public health. Int J Environ Res Public Health 2014;11(3):3289-303. doi: 10.3390/ijerph110303289.##12. World Health Organization (WHO). eHealth at [cited 2020 Jan 31]. Available from: http://www.who.int/ehealth/about/en/. ##13. Sood S, Mbarika V, Jugoo S, et al. What is telemedicine? A collection of 104 peer reviewed perspectives and theoretical underpinnings. Telemed J E Health 2007;13(5):573-90. doi: 10.1089/tmj.2006.0073.##14. Mehdizadeh H, Esmaeili N. The Use of Telemedicine in the Diagnosis of Skin Diseases: Review of Clinical Outcomes. Journal of Health and Biomedical Informatics 2014;1(1):63-73. [In Persian]##15. Burke RV, Berg BM, Vee P, Morton I, Nager A, Neches R, et al. Using robotic telecommunications to triage pediatric disaster victims. J Pediatr Surg 2012;47(1):221-4. doi: 10.1016/j.jpedsurg.2011.10.046. ##16. Taheri M, Heidarzade A, Heidari H. Survey of Views of Medical Students on Telemedicine Methods Developed in the Gillan University of Medical Sciences. 1st Congress of Information Technology in Health; 2011 Oct 20; Sari: Mazandaran University of Medical Sciences; 2011. [In Persian]##17. Schlachta L, Sparks S. Definitions of telenursing, telemedicine. In: Fitzpatrick J, editor. Encyclopedia of Nursing Research. NewYork: Springer Publishing Inc; 1998. p. 558–9.##18. Alizadeh A, Mohammadi A, Khademloo M, Hosaini H. Survey of Views of Medical Students on Telemedicine Methods Developed in the Mazandaran University of Medical Sciences, Iran. Strides in Development of Medical Education 2013;10(2):247-59.##19. Glinkowski W PK, Kozłowska L. Telehealth and telenursing perception and knowledge among university students of nursing in Poland. Telemed J E Health 2013;19(7):523-9. doi: 10.1089/tmj.2012.0217.##20. Kawaguchi T, Azuma M, Ohta K. Development of a telenursing system for patients with chronic conditions. J Telemed Telecare 2004;10(4):239-44. doi: 10.1258/1357633041424395.##21. Nejadshafiee M, Bahaadinbeigy K, Kazemi M, Nekoei-Moghadam M. Telenursing in Incidents and Disasters: A Systematic Review of the Literature. J Emerg Nurs 2020;46(5):611-22. doi: 10.1016/j.jen.2020.03.005.##22. Nejadshafiee M, Bahaadinbeigy K, Kazemi M, Nekoei-Moghadam M. Telenursing: A step for care management in disaster and emergencies. J Educ Health Promot 2020; 9: 204. doi: 10.4103/jehp.jehp_8_20##23. Schultz CH, Koenig KL, Noji EK. A medical disaster response to reduce immediate mortality after an earthquake. N Engl J Med 1996;334(7):438-44. doi: 10.1056/NEJM199602153340706.##24. Xiong W, Bair A, Sandrock C, Wang S, Siddiqui J, Hupert N. Implementing telemedicine in medical emergency response: concept of operation for a regional telemedicine hub. J Med Syst 2012; 36(3): 1651–60. doi: 10.1007/s10916-010-9626-5##25. Ohannessian R, Duong TA, Odone A. Global Telemedicine Implementation and Integration Within Health Systems to Fight the COVID-19 Pandemic: A Call to Action. JMIR Public Health Surveill 2020;6(2):e18810. doi: 10.2196/18810.##26. Bahrami M, Aliakbari F, Aein F. Iranian nurses’ perception of essential competences in disaster response: A qualitative study. J Educ Health Promot 2014;3:81. doi: 10.4103/2277-9531.139247.##27. Nekoei-Moghadam M, Saeed S, Khanjani N, Arab M. Nurses’ Requirements for Relief and Casualty Support in Disasters: A Qualitative Study. Nurs Midwifery Stud 2014; 3(1): e9939.##28. Moughrabieh A, Weinert C. Rapid Deployment of International Tele-Intensive Care Unit Services in War-Torn Syria. Ann Am Thorac Soc 2016;13(2):165-72. doi: 10.1513/AnnalsATS.201509-589OT. ##29. Sakles JC, Mosier J, Hadeed G, Hudson M, Valenzuela T, Latifi R. Telemedicine and telepresence for prehospital and remote hospital tracheal intubation using a GlideScope™ videolaryngoscope: a model for tele-intubation. Telemed J E Health 2011;17(3):185-8. doi: 10.1089/tmj.2010.0119.##30. Cicero MX, Walsh B, Solad Y, Whitfill T, Paesano G, Kim K, et al. Do You See What i See? Insights from Using Google Glass for Disaster Telemedicine Triage. Prehosp Disaster Med 2015;30(1):4-8. doi: 10.1017/S1049023X1400140X.##31. Jamal A, Hussain S, Zafar A, Malik AZ, editors. Role of Telemedicine during disaster: A Case Study. 9th International Conference on e-Health Networking, Application and Services; 2007 Jun 19-22; Taipei, Taiwan: IEEE; 2007. doi: 10.1109/HEALTH.2007.381645##32. Doarn CR, Latifi R, Poropatich RK, Sokolovich N, Kosiak D, Hostiuc F, et al. Development and Validation of Telemedicine for Disaster Response: The North Atlantic Treaty Organization Multinational System. Telemed J E Health 2018;24(9):657-68. doi: 10.1089/tmj.2017.0237.##33. Ajami S, Arzani-Birgani A. Fast resuscitation and care of the burn patients by telemedicine: A review. J Res Med Sci 2014;19(6):562-6.##34. Kleinpell R, Barden C, Rincon T, McCarthy M , Zapatochny Rufo R. Assessing the Impact of Telemedicine on Nursing Care in Intensive Care Units. Am J Crit Care 2016;25(1):e14-20. doi: 10.4037/ajcc2016808.##35. Meade K, Lam DM. A deployable telemedicine capability in support of humanitarian operations. Telemed J E Health 2007;13(3):331-40. doi: 10.1089/tmj.2006.0040.##36. Shah MN, Morris D, Jones CM, Gillespie SM, Nelson DL, McConnochie KM, et al. A qualitative evaluation of a telemedicine-enhanced emergency care program for older adults. J Am Geriatr Soc 2013;61(4):571-6. doi: 10.1111/jgs.12157.##37. Kim TJ, Arrieta MI, Eastburn SL, Icenogle ML, Slagle M, Nuriddin AH, et al. Post-disaster gulf coast recovery using telehealth. Telemed J E Health 2013; 19(3): 200–10. doi: 10.1089/tmj.2012.0100##38. Donahue SA, Jackson CT, Shear KM, Felton CJ, Essock SM. Outcomes of enhanced counseling services provided to adults through Project Liberty. Psychiatr Serv 2006;57(9):1298-303. doi: 10.1176/ps.2006.57.9.1298##39. Rabuñal R, Suarez-Gil R, Golpe R, Martínez-García M, Gómez-Méndez R, Romay-Lema E, et al. Usefulness of a telemedicine tool TELEA in the management of the COVID-19 pandemic. Telemed J E Health 2020;26(11):1332-5. doi: 10.1089/tmj.2020.0144. doi: 10.1089/tmj.2020.0144## ##

استفاده از سیستم خبره در توان‌بخشی بیماران پس از جراحی آرتروسکوپیک لیگامان صلیبی قدامی: یک کارآزمایی بالینی تصادفی The Use of Expert System in the Rehabilitation of Patients after Anterior Cruciate Ligament Arthroscopic Surgery: A Randomized Clinical Trial 1 1 مقدمه لیگامان صلیبی قدامی(Anterior Cruciate Ligament; ACL) نقش مهمی در پایدارسازی زانو دارد، ضایعاتACL  سبب بروز ناپایداری مفصلی و اختلالات شدیدی در عملکرد فیزیکی و تعادل فرد می‌گردد. پس از جراحی بازسازی ACL، توانایی بیماران برای انجام فعالیت‌های روزمره به طور قابل ملاحظه‌ای کاهش می‌یابد و انجام برنامه‌‌های توان‌بخشی ضروری است. هدف از مطالعه حاضر، استفاده از سیستم خبره جهت کاربرد واقعیت مجازی با سیستم Wii Fit برای اجرای برنامه توان‌بخشی در بیماران پس از بازسازی ACL است. روش این پژوهش پایلوت به صورت کارآزمایی بالینی تصادفی روی بیست بیمار واجد‌شرایط در دو ‏گروه درمانی طی چهار هفته انجام گردید؛ یک گروه با برنامه مبتنی بر سیستم خبره با Wii Fit(گروه WF) و گروه دیگر با برنامه متداول توانبخشی(گروه CT). در فاز نخست تحقیق جهت تدوین سیستم خبره با کمک متخصصین انجام شد، سپس در فاز بالینی کلیه بیماران مورد ارزیابی و بازتوانی قرار گرفتند. در آنالیز آماری از آزمون t-زوجی و آزمون t-مستقل استفاده گردید. نتایج یافته‌های حاصل از آنالیز‌‌های آماری بیانگر تفاوت‌های معناداری قبل و بعد از بازتوانی بین دو گروه WF و CT در میزان درد(P<0.001)، تورم مفصلی(P<0.001)،محیط ران(P<0.001)،دامنه حرکتی زانو (P=0.002)،و وضعیت عملکردی بیماران با تست پرش طول یک‌پا(P<0.001)،وتست پرش یک‌پا در زمان(P=0.014)،نشان داد. نتایج حاکی از بهبودی چشمگیر بیماران در گروه WF نسبت به گروه CT بود. نتیجه گیری  رویکرد توان‌بخشی با استفاده از سیستم خبره برای تمرینات Wii Fit اثرات قابل‌ملاحظه‌ای را در مقایسه با روش معمول توانبخشی بر درد، تورم، دامنه حرکتی و عملکرد بیماران داشته است. 2 Introduction: The Anterior Cruciate Ligament (ACL) plays a vital role in stabilizing the knee. ACL lesions cause joint instability and severe disturbances in physical function and balance. After ACL reconstruction surgery, patients' ability to perform daily activities is significantly reduced and rehabilitation programs are necessary. The objective of the present study was to use an expert system for virtual reality application with the Wii Fit system to run a rehabilitation program in patients after ACL reconstruction. Method: This pilot study was performed as a randomized clinical trial on 20 eligible patients in two treatment groups over four weeks; one group with an expert system-based program with Wii Fit (WF group) and the other group with a standard rehabilitation program (CT group). In the first phase of the study, an expert system was developed with the help of specialists, then in the clinical phase, all patients were evaluated and rehabilitated. In statistical analysis, paired t-test and independent t-test were used. Results: Findings from statistical analysis showed significant differences before and after rehabilitation between the two groups in pain (P<0.001), joint swelling (P<0.001), thigh girth (P<0.001), Knee range of motion (P=0.002), and functional status of patients with Single-leg hop for distance (P<0.001), and Single-leg hop for time (P=0.014). The results revealed a significant improvement in patients in the WF group compared to the CT group. Conclusion: The rehabilitation approach using the expert system for Wii Fit exercises has had significant effects on pain, swelling, range of motion, and patient performance compared to the usual rehabilitation method.   292 303 2021/05/52021/07/312021/07/62021/07/212021/07/14 1400/4/23 2021/08/252021/11/302021/12/152021/11/102021/11/3 1400/8/12 آرزو عباسی Arezoo Abasi دانشجوی کارشناسی ارشد انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران arezoo_abasi@modares.ac.ir انوشیروان کاظم نژاد Anoshirvan Kazemnejad دکترای تخصصی آمار زیستی، استاد، گروه آمار زیستی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران kazem_an@modares.ac.ir آذر معزی Azar Moezy دکترای تخصصی فیزیوتراپی، دانشیار، گروه پزشکی ورزشی، دانشکده پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران moezy.a@iums.ac.ir عباس آسوشه Abbas Asosheh دﮐﺘﺮای ﻣﻬﻨﺪﺳﯽ ﺑﺮق و اﻟﮑﺘﺮوﻧﯿﮏ، استادیار، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران asosheh@modares.ac.ir Expert System Anterior Cruciate Ligament Function Virtual Reality سیستم خبره لیگامان صلیبی قدامی عملکرد واقعیت مجازی 1. Kruse LM, Gray B, Wright RW. Rehabilitation after anterior cruciate ligament reconstruction: a systematic review. The Journal of bone and joint surgery. J Bone Joint Surg Am 2012;94(19):1737-48. doi: 10.2106/JBJS.K.01246.##2. Moezy A, Olyaei G, Hadian M, Razi M, Faghihzadeh S. A comparative study of whole body vibration training and conventional training on knee proprioception and postural stability after anterior cruciate ligament reconstruction. Br J Sports Med 2008;42(5):373-8. doi: 10.1136/bjsm.2007.038554. ##2. Van Grinsven S, Van Cingel RE, Holla CJ, Van Loon CJ. Evidence-based rehabilitation following anterior cruciate ligament reconstruction. Knee Surg Sports Traumatol Arthrosc 2010;18(8):1128-44. doi: 10.1007/s00167-009-1027-2. ##4. Simoneau GG, Wilk KE. The challenge of return to sports for patients post-ACL reconstruction. J Orthop Sports Phys Ther 2012;42(4):300-1. doi: 10.2519/jospt.2012.0106.##5. Gokeler A, Benjaminse A, Hewett TE, Paterno MV, Ford KR, Otten E, Myer GD. Feedback techniques to target functional deficits following anterior cruciate ligament reconstruction: implications for motor control and reduction of second injury risk. Sports Med 2013;43(11):1065-74. doi: 10.1007/s40279-013-0095-0.##6. Costa MT, Vieira LP, de Oliveira Barbosa E, Oliveira LM, Maillot P, Vaghetti CA, Carta MG, Machado S, Gatica-Rojas V, Monteiro-Junior RS. Virtual reality-based exercise with exergames as medicine in different contexts: A short review. Clin Pract Epidemiol Ment Health. 2019; 15: 15–20. doi: 10.2174/1745017901915010015##7. Dias P, Silva R, Amorim P, Lains J, Roque E, Serôdio I, Pereira F, Santos BS. Using virtual reality to increase motivation in poststroke rehabilitation. IEEE Comput Graph Appl 2019;39(1):64-70. doi: 10.1109/MCG.2018.2875630.##8. Karakoc ZB, Colak TK, Zubeyir SA, Polat MG. The Effect of Virtual Rehabilitation Added to an Accelerated Rehabilitation Program After Anterior Cruciate Ligament Reconstruction: A Randomized Controlled Trial. Clinical and Experimental Health Sciences 2019;9(2):124-9. doi: 10.33808/clinexphealthsci.564273##9. Laver K, George S, Thomas S, Deutsch JE, Crotty M. Virtual reality for stroke rehabilitation: an abridged version of a Cochrane review. Eur J Phys Rehabil Med 2015;51(4):497-506. ##10. Adamovich SV, Fluet GG, Tunik E, Merians AS. Sensorimotor training in virtual reality: a review. NeuroRehabilitation 2009;25(1):29-44. doi: 10.3233/NRE-2009-0497.##11. Pan YT, Lamb Z, Macievich J, Strausser KA. A Vibrotactile Feedback Device for Balance Rehabilitation in the EksoGT™ Robotic Exoskeleton. 7th IEEE International Conference on Biomedical Robotics and Biomechatronics (Biorob); 2018. Aug 26; Enschede, Netherlands: IEEE; 2018. p. 569-76. doi: 10.1109/BIOROB.2018.8487677##12. Pachoulakis I, Xilourgos N, Papadopoulos N, Analyti A. A Kinect-based physiotherapy and assessment platform for Parkinson’s disease patients. Journal of Medical Engineering 2016;2016. https://doi.org/10.1155/2016/9413642##13. Tanaka K, Parker JR, Baradoy G, Sheehan D, Holash JR, Katz L. A comparison of exergaming interfaces for use in rehabilitation programs and research. Loading: The Journal of the Canadian Game Studies Association 2012;6(9): 69-81.##14. Baltaci G, Harput G, Haksever B, Ulusoy B, Ozer H. Comparison between Nintendo Wii Fit and conventional rehabilitation on functional performance outcomes after hamstring anterior cruciate ligament reconstruction: prospective, randomized, controlled, double-blind clinical trial. Knee Surg Sports Traumatol Arthrosc 2013;21(4):880-7. doi: 10.1007/s00167-012-2034-2.##15. Fung V, So K, Park E, Ho A, Shaffer J, Chan E, Gomez M. The utility of a video game system in rehabilitation of burn and nonburn patients: a survey among occupational therapy and physiotherapy practitioners. J Burn Care Res 2010;31(5):768-75. doi: 10.1097/BCR.0b013e3181eed23c.##16. Tripathi KP. A review on knowledge-based expert system: concept and architecture. IJCA Special Issue on Artificial Intelligence Techniques-Novel Approaches & Practical Applications 2011;4:19-23.##17. Buchanan BG, Smith RG. Fundamentals of expert systems. Ann Rev Comput Sci 1988;3(1):23-58.##18. Moustafa Ahmed M, Amin W, Amin A, Zaino M, Tohary S, al. Influence of virtual reality games on Knee Proprioception after Anterior Cruciate Ligament Reconstruction (ACLR). Jokull 2020; 69(11):15-35.##19. Bennell K, Dobson F, Hinman R. Measures of physical performance assessments: Self‐Paced walk test (SPWT), stair climb test (SCT), Six‐Minute walk test (6MWT), chair stand test (CST), timed up & go (TUG), sock test, lift and carry test (LCT), and car task. Arthritis Care Res (Hoboken) 2011;63 Suppl 11:S350-70. doi: 10.1002/acr.20538.##20. Nurdiyanto H, Kuncoro PH. Expert System for Measuring the Sugar-Content in Sugarcane Using Forward Chaining Method. 4th Asian Academic Society International Conference (AASIC); 2016 May 12. p. 522-33.##21. Bacchus F, Ady M. Planning with resources and concurrency: A forward chaining approach. Proceedings of the Seventeenth International Joint Conference on Artificial Intelligence; 2001 Aug 4-10; Seattle, Washington, USA: DBLP; 2001.p. 417-24.## ##

ارائه مدل بهینه تهیه دارو با استفاده از داده‌کاوی An Optimal Model for Medicine Preparation Using Data Mining 1 1 مقدمه: کمبود منابع مالی و نقدینگی معضل اصلی بیمارستان‌ها می‌باشد. داروخانه‌ها از بخش‌های تأثیرگذار بر گردش مالی بیمارستان‌ها هستند که به دلیل عدم پیش‌بینی مصرف و تهیه دارو، در انتهای سال با اضافه موجودی، حجم زیاد داروهای تاریخ مصرف گذشته و گاهی کمبود دارو مواجه می‌شوند؛ لذا پیش‌بینی مصرف دارو با استفاده از داده‌های گذشته‌نگر موجود، منجر به بهبود مدیریت منابع در بیمارستان‌ها می‌شود. به دلیل توانمندی بالای داده‌کاوی در مدل‌سازی مسائل پزشکی، از الگوریتم‌های منتخب برای تعیین مدل بهینه تهیه دارو استفاده گردید. روش: در این مطالعه مقطعی، برای بررسی انواع الگوریتم‌های داده‌کاوی، فرم اطلاعاتی بر اساس اهداف طراحی، سپس در قالب گزارش در سیستم اطلاعات بیمارستانی تعریف گردید و با کمک نرم‌افزار Crystal Report داده‌ها استخراج گردید. برای ارائه مدل، دقت الگوریتم‌های پیش‌بینی داده‌کاوی KNN, SVM, NN, Random Forest, LR, Adaboost بر اساس معیارهایMSE, RMSE, MAE, R2 در نرم‌افزار Weka بررسی شدند. نتایج: روش Adaboost با معیارهای R2 MAE, و RMSE (0/78، 247، 827) و روش جنگل تصادفی با  معیارهای (0/6، 1170، 1868) نسبت به بقیه مدل‌ها بالاترین دقت را داشته و میزان خطا را به نسبت بیشتری کاهش می‌دهند. سایر روش‌ها با معیارهای فوق در پیش‌بینی مسئله پژوهش عملکرد ضعیف‌تری را دارند. نتیجه‌گیری: نتایج پژوهش حاکی از دقت بالای روش Adaboost و جنگل تصادفی در مقایسه با سایر روش‌های مورد بررسی است. درصد کمی از بیمارستان‌ها برای مدیریت تهیه دارو، برنامه‌ریزی می‌کنند؛ لذا به مدیران بیمارستان‌ها و داروخانه‌ها پیشنهاد می‌شود که در مدیریت واحدهای متبوع‌شان از داده‌کاوی استفاده کنند. 2 Introduction: Lack of financial resources and liquidity are the main problems of hospitals. Pharmacies are one of the sectors that affect the turnover of hospitals and due to lack of forecast for the use and supply of medicines, at the end of the year, encounter over-inventory, large volumes of expired medicines, and sometimes shortage of medicines. Therefore, medicine prediction using available retrospective data leads to improved resource management in hospitals. Due to the high capability of data mining in modeling medical problems, selected algorithms were used to determine the optimal model of medicine preparation.   Method: In this cross-sectional study, to investigate different types of data mining algorithms, an information form was developed based on the design objectives and then defined in the form of reports in the hospital information system. The data were extracted using Crystal Report software. To develop the model, the accuracy of the data mining prediction algorithms including KNN, SVM, NN, Random Forest, LR, and Adaboost was examined based on MSE, RMSE, MAE, and R2 criteria in Weka software. Results: Concerning R2, MAE, and RMSE criteria, Adaboost method (0.78, 247, 827) and random forest method (0.6, 1170, 1868) had the highest accuracy compared to other models and reduced the error rate more. Other methods with the above criteria had poorer performance in predicting the research problem. Conclusion: The results of this study indicated that the Adaboost and random forest methods are more accurate than other methods. A small percentage of hospitals plan to manage the preparation of medicines; thus, it is suggested that managers of hospitals and pharmacies use data mining in the management of their respective units. 304 314 2021/05/52021/07/312021/07/62021/07/212021/07/142021/09/28 1400/7/6 2021/08/252021/11/302021/12/152021/11/102021/11/32021/12/8 1400/9/17 آزیتا کوهستانی Azita Koohestani کارشناسی ارشد مدیریت خدمات بهداشتی و درمانی، گروه مدیریت خدمات بهداشتی و درمانی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران ایران a.kouhestani@sbmu.ac.ir امیر اشکان نصیری پور Amir Ashkan Nasiripour دکترای مدیریت خدمات بهداشتی و درمانی، دانشیار، گروه مدیریت خدمات بهداشتی و درمانی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران ایران nasiripour@srbiau.ac.ir مهدی ریاحی فر Mahdi Riahifar دکترای مدیریت خدمات بهداشتی و درمانی، دانشیار، گروه مدیریت خدمات بهداشتی و درمانی، دانشکده مدیریت، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران ایران mriahifarr@gmail.com Medicine Hospital Data Mining Prediction Algorithms دارو بیمارستان داده‌کاوی الگوریتم‌های پیش‌بینی 1. World Health Organization (WHO). Handbook of supply management at first-level health care facilities; 2006 [cited 2020 Jan 2]. Available from: https://apps.who.int/iris/handle/10665/69731 https://apps.who.int/iris/bitstream/handle/10665/69731/WHO_HIV_2006.03adapt_eng.pdf##2. Nateghinia S, Hajiesmaeili MR, Shafagh SO, Goharani R, Zangi M, Ahmadi H. Prediction of the Length of Stay of Patients in the Neuro-Critical Care Unit Using Data Mining Techniques. Journal of Iranian Society Anaesthesiology and Intensive Care 2018; 40(1): 22-33. [In Persian]##3. Kelly WN. Pharmacy What It Is and How It Works. USA: CRC Press; 2017.##4. Asadi FA, Moghaddasi H, Hosseini A, Maserrat E. A survey on pharmacy information system at hospitals affiliated to Shahid Beheshti University of Medical Sciences 2009. Journal of Health Administration 2010;13(41):31-40. [In Persian]##5. Hong T, Dong M, Zhao J, Fu X, Chen Y. The application of information technology in the hospital pharmacy management based on HIS. International Symposium on Information Technologies in Medicine and Education; Hokkaido, Japan: IEEE; 2012. p. 604-67. doi: 10.1109/ITiME.2012.6291379##6. Davodi N, Raissi S. Forecasting Model for Annual Drug Demand in Iran. Journal of Health Administration 2019;22(3):89-104. [In Persian]##7. Kamali J. Prediction of drug demand using artificial neural networks (Case study: 500-hijrat distribution company antibiotic capsules) [dissertation]. Mashhad: Payam-e Noor University of Mashhad; 2017. [In Persian]##8. Salehabadi S. Categorizing customers of the drug distribution industry using data scavenger. International Conference on Management, Economics and Industrial Engineering; 2015 Jun 16; Tehran: Modiran Ideh Pardaz Paytakht Viera Institute; 2015. [In Persian]##9. Sadarina P, Kothari M, Gondaliya J. Implementing data mining techniques for marketing of pharmaceutical products. International Journal of Computer Applications & Information Technology 2013;2(1): 1-4.##10. Rezaei Inanlou R, Soleimanian Gharehchopogh F, Mojahedi M. A model for temperament (Mizaj) recognition based on fuzzy decision tree in traditional Persian Medicine. Journal of Islamic and Iranian Traditional Medicine 2018; 9(3):227-37. [In Persian]##11. Moghaddasi H, Hoseini A, Asadi F, Jahanbakhsh M. Application of Data Mining In Health. Health Information Management 2012; 9(2): 297-304. [In Persian]##12. Yeh DY, Cheng CH, Chen YW. A predictive model for cerebrovascular disease using data mining. Expert Systems with Applications 2011;38(7):8970-7. ##13. Mehdipour Y, Ebrahimi S, Karimi A, Alipour J, Khammarnia M, Siasar F. Presentation a model for prediction of cerebrovascular accident using data mining algorithm. Sadra Medical Journal 2016;4(4):255-66. [In Persian]##14. Mazaheri S, Ashouri M, Bechari Z. Predicting the treatment of heart disease using data mining algorithms. Journal of Payavard Salamat 2017; 11(3): 287-96. [In Persian]##15. Delavar SZ, Bakhshi E, Soleimani F, Biglarian A. Classification regression methods in identification of the interactive effects of the risk factors of cerebral palsy in children. Iranian Journal of Epidemiology 2014;10(2): 33-8. [In Persian]##16. Ayyoubzadeh SM, Ghazisaeedi M, Kalhori SR, Hassaniazad M, Baniasadi T, Maghooli K, et al. A study of factors related to patients’ length of stay using data mining techniques in a general hospital in southern Iran. Health Information Science and Systems 2020;8(1):1. doi:10.1007/s13755-020-0099-8##17. Saadi P, Zeinalnezhad M, Movahedi Sobhani F. Modeling and Predicting the Risk of Coronary Artery Disease Using Data Mining Algorithms. Journal of Health and Biomedical Informatics 2021;8(2):193-207. [In Persian]##18. Ranjan J. Data mining in pharma sector: benefits. International Journal of Health Care Quality Assurance 2010; 22(1): 82-92. https://doi.org/10.1108/09526860910927970##19. Qingkui C, Junhu R. Study on the Demand Forecasting of Hospital Stocks Based on Data Mining and BP Neural Networks. International Conference on Electronic Commerce and Business Intelligence; 2009 Jun 6-7; China: Beijing; 2009. p. 284-9.##20. Yousefi M, ShahBahrami A, FaridiMasooleh M, Bagheri A. Modeling the prediction of readmission in cardiac hospital using data data mining. 6th International Conference on Industrial and Systems Engineering; 2020 Sep 9; Mashhad: Ferdowsi University Mashhad; 2020. [In Persian]##21. Ghazisaeedi M, Sheikhtaheri A, Behniafard N, Aghaei Meybodi F, Kargar Bideh M. A Proposed Model to Identify Factors Affecting Asthma using Data Mining. Scientific Journal of Ilam University of Medical Sciences 2019;27(1):203-12. [In Persian]##22. Asgari P, Atashi A, Meraji M, Miri M. The Comparison of Selected Data-mining techniques in ICU Mortality Risk Prediction in Imam Hossein hospital. Journal of Modern Medical Information Sciences 2019;5(2):59-67. [In Persian] doi: 10.29252/jmis.5.2.59##23. Lal Dahti J, Mohammadi M, Padidaran Moghadam F. A Method for the Diagnosis of Metabolic Syndrome based on KNN Data Mining Algorithm: A case study in Shohada-ye Kargar Hospital in Yazd, Iran. Journal of Health and Biomedical Informatics 2018;4(4):291-304. [In Persian]##24. Ayyoubzadeh SM, Ayyoubzadeh SM, Zahedi H, Ahmadi M, Kalhori SR. Predicting COVID-19 incidence through analysis of google trends data in iran: data mining and deep learning pilot study. JMIR Public Health Surveill 2020;6(2):e18828. doi:10.2196/18828##25. Zheng B, Zhang J, Yoon SW, Lam SS, Khasawneh M, Poranki S. Predictive modeling of hospital readmissions using metaheuristics and data mining. Expert Systems with Applications 2015;42(20):7110-20.##26. Dormohammadi S, Alizadeh S, Asghari M, Shami M. Proposing a prediction model for diagnosing causes of infertility by data mining algorithms. Journal of Health Administration 2014;17(57): 46-57. [In Persian]##27. Rezaee Hachesu PR, Ahmadi M, Alizadeh S, Sadoughi F. Use of data mining techniques to determine and predict length of stay of cardiac patients. Healthcare Informatics Research 2013;19(2):121-9. doi: https://doi.org/10.4258/hir.2013.19.2.121## ##

جداسازی ناحیه گوشک دهلیز چپ در تصاویر اکوکاردیوگرافی قلب با استفاده از شبکه عصبی عمیق Segmentation of the Left Atrial Appendage in the Echocardiographic Images of the Heart Using a Deep Neural Network 1 1 مقدمه: بیماری‌های قلبی و عروقی یکی از علل اصلی مرگ‌ومیر در جهان صنعتی امروز هستند. انسداد گوشک دهلیز چپ با استفاده از دستگاه‌های ساخته‌ شده یک‌روند رو به رشد است. این مطالعه با هدف ایجاد یک سیستم تشخیصی به کمک رایانه برای شناسایی LAA در تصاویر اکوکاردیوگرافی انجام شد. روش: داده‌های به ‌کار رفته در این مطالعه توصیفی-تحلیلی، تصاویر اکوکاردیوگرافی سه‌بعدی از قلب مربوط به 32 بیمار اخذ شده در بیمارستان کینگز کالج لندن است که تمامی آن‌ها با موفقیت با مسدودکننده درمان شدند. مجموع 208 تصویر دوبعدی به‌دست‌آمده در صفحه محوری از هر مجموعه داده سه‌بعدی به دست ‌آمد. سپس 1914 تصویر که در آن‌ها ناحیه مربوط به LAA به‌وضوح قابل‌تشخیص بودند برای این مطالعه انتخاب شدند. شبکه عصبی پیشنهادی در این مطالعه مبتنی بر الگوریتم YOLOv3 کامپایل شده است. در نهایت 1369 و 545 تصویر به ترتیب برای آموزش و آزمایش الگوریتم مورد استفاده قرار گرفتند. نتایج: عملکرد الگوریتم در شناسایی LAA بر روی مجموعه‌ای از 545 تصویر با نواحی ردیابی شده در تصاویر مشابه توسط یک متخصص در اکوکاردیوگرافی با استفاده از یک تقاطع بر روی الگوریتم (‏IoU) ‏مقایسه شد. الگوریتم قادر به شناسایی صحیح ناحیه LAA در تمامی 545 تصویر بررسی ‌شده با IoU میانگین 99/37% بود. نتیجه‌گیری: الگوریتم پیشنهادی مبتنی بر تصویر، در این مطالعه دقت بالایی در تشخیص حدود LAA در تصاویر اکوکاردیوگرافی نشان داد. این روش می‌تواند در توسعه الگوریتم‌ها برای تجزیه‌وتحلیل خودکار ناحیه LAA جهت تعیین اندازه دستگاه و برنامه‌ریزی رویه‌ای در روش‌های انسداد LAA مورد استفاده باشد. 2 Introduction: Cardiovascular diseases are one of the leading causes of mortality in today’s industrial world. Occlusion of left atrial appendage (LAA) using the manufactured devices is a growing trend. The objective of this study was to develop a computer-aided diagnosis system for the identification of LAA in echocardiographic images. Method: The data used in this descriptive analytical study included 3D echocardiographic images of the heart of 32 patients in King’s College Hospital in London. All patients were treated successfully using the LAA closure device. A total of 208 two-dimensional images were first obtained from each 3D echocardiographic image data set. Then, 1914 images in which the LAA region was clearly recognizable were selected for this study. The proposed neural network was compiled based on the YOLOv3 algorithm. Finally, 1369 and 545 images were used for training and testing the algorithm, respectively. Results: The performance of the algorithm in detecting the LAA on a set of 545 images was compared with the regions detected in similar images by an expert in echocardiography through intersection over union (IOU). The algorithm was able to correctly identify the LAA region in all 545 examined images with an average IOU of 99.37%. Conclusion: The proposed image-based algorithm could detect LAA region in echocardiographic images with a high accuracy. This method can be used to develop algorithms for automatic analysis of the LAA region to determine the size of the closure device and to plan an efficient procedure in LAA occlusion methods. 315 325 2021/05/52021/07/312021/07/62021/07/212021/07/142021/09/282021/07/9 1400/4/18 2021/08/252021/11/302021/12/152021/11/102021/11/32021/12/82021/11/15 1400/8/24 حسین قیومی زاده Hossein Ghayoumi Zadeh دکتری مهندسی پزشکی، استادیار، گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران ایران h.ghayoumizadeh@gmail.com علی فیاضی Ali Fayazi دکتری مهندسی برق، استادیار، گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران ایران a.fayazi@vru.ac.ir خسرو رضایی Khosro Rezaee دکتری مهندسی پزشکی، استادیار، گروه مهندسی پزشکی، دانشگاه میبد، میبد، ایران ایران kh.rezaee@meybod.ac.ir محمدحسین قلی زاده Mohammad Hossein Gholizadeh دکتری مهندسی برق، استادیار، گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران ایران Gholizadeh@vru.ac.ir مهدی اسکندری Mehdi Eskandari دکترای پزشکی، بیمارستان کینگز کالج لندن، انگلستان انگلیس m.ieskandari@nhs.net Echocardiography Deep Neural Network Convolutional Neural Network (CNN) Atrial Fibrillation (AF) Left Atrial Appendages (LAA) اکوکاردیوگرافی شبکه عصبی عمیق شبکه عصبی کانولوشن فیبریلاسیون دهلیزی گوشک دهلیز چپ قلب 1. Go AS, Hylek EM, Phillips KA, Chang Y, Henault LE, Selby JV, et al. Prevalence of diagnosed atrial fibrillation in adults: national implications for rhythm management and stroke prevention: the AnTicoagulation and Risk Factors in Atrial Fibrillation (ATRIA) Study. JAMA 2001;285(18):2370-5. doi: 10.1001/jama.285.18.2370.##2. Boriani G, Diemberger I. Globalization of the epidemiologic, clinical, and financial burden of atrial fibrillation. Chest 2012;142(6):1368-70. doi: 10.1378/chest.12-1091##3. Colilla S, Crow A, Petkun W, Singer DE, Simon T, Liu X. Estimates of current and future incidence and prevalence of atrial fibrillation in the US adult population. Am J Cardiol 2013;112(8):1142-7.##4. Hohnloser SH, Kuck K-H, Lilienthal J, investigators P. Rhythm or rate control in atrial fibrillation—Pharmacological Intervention in Atrial Fibrillation (PIAF): a randomised trial. Lancet 2000;356(9244):1789-94. doi: 10.1016/s0140-6736(00)03230-x.##5. Horie N, Tateishi Y, Morikawa M, Morofuji Y, Hayashi K, Izumo T, et al. Acute stroke with major intracranial vessel occlusion: characteristics of cardioembolism and atherosclerosis-related in situ stenosis/occlusion. J Clin Neurosci 2016;32:24-9. doi: 10.1016/j.jocn.2015.12.043.##6. American College of Physicians. Guidelines for medical treatment for stroke prevention. Ann Intern Med 1994;121(1):54-5. doi: 10.7326/0003-4819-121-1-199407010-00009##7. Holmes DR, Reddy VY, Turi ZG, Doshi SK, Sievert H, Buchbinder M, et al. Percutaneous closure of the left atrial appendage versus warfarin therapy for prevention of stroke in patients with atrial fibrillation: a randomised non-inferiority trial. Lancet 2009;374(9689):534-42.##8. Viles-Gonzalez JF, Kar S, Douglas P, Dukkipati S, Feldman T, Horton R, et al. The clinical impact of incomplete left atrial appendage closure with the Watchman Device in patients with atrial fibrillation: a PROTECT AF (Percutaneous Closure of the Left Atrial Appendage Versus Warfarin Therapy for Prevention of Stroke in Patients With Atrial Fibrillation) substudy. J Am Coll Cardiol 2012;59(10):923-9.##9. Leventic H, Babin D, Velicki L, Galie I, Zlokolica V, editors. Semi-automatic left atrial appendage segmentation from 3D CCTA images. 2017 International Symposium ELMAR; 2017 Sep 18-20; IEEE; 2017. doi: 10.23919/ELMAR.2017.8124430##10. Al WA, Yun ID, editors. Actor-Critic Reinforcement Learning for Automatic Left Atrial Appendage Segmentation. IEEE International Conference on Bioinformatics and Biomedicine (BIBM); 2018 Dec 3-6; Madrid, Spain: IEEE; 2018. doi: 10.1109/BIBM.2018.8621575##11. Wang L, Feng J, Jin C, Lu J, Zhou J, editors. Left atrial appendage segmentation based on ranking 2-D segmentation proposals. Springer: International Workshop on Statistical Atlases and Computational Models of the Heart; 2016. doi:10.1007/978-3-319-52718-5_3##12. Jin C, Feng J, Wang L, Yu H, Liu J, Lu J, et al. Left atrial appendage segmentation and quantitative assisted diagnosis of atrial fibrillation based on fusion of temporal-spatial information. Comput Biol Med 2018;96:52-68. doi: 10.1016/j.compbiomed.2018.03.002. ##13. Ghayoumi Zadeh H, Fayazi A, Melikian N, J Monaghan M, Eskandari M. Algorithm for Recognition of Left Atrial Appendage Boundaries in Echocardiographic Images. Iranian Journal of Medical Physics 2021;18(2):123-32. doi: 10.22038/IJMP.2020.43736.1663##14. Redmon J, Divvala S, Girshick R, Farhadi A, editors. You only look once: Unified, real-time object detection. IEEE Conference on Computer Vision and Pattern Recognition (CVPR); 2016 Jun 27-30; Las Vegas, NV, USA: 2016. doi: 10.1109/CVPR.2016.91##15. He K, Zhang X, Ren S, Sun J. Spatial pyramid pooling in deep convolutional networks for visual recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence 2015;37(9):1904-16. doi: 10.1007/978-3-319-10578-9_23##16. Chen LC, Papandreou G, Kokkinos I, Murphy K, Yuille AL. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. IEEE Transactions On Pattern Analysis and Machine Intelligence 2017;40(4):834-48.##17. Alsharqi M, Woodward W, Mumith J, Markham D, Upton R, Leeson P. Artificial intelligence and echocardiography. Echo Res Pract 2018; 5(4): R115–R25. ##18. Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556 ##19. Pakizeh Moghadam A, Eskandari M, Monaghan M, Haddadnia J. A Semi-Automated Algorithm for Segmentation of the Left Atrial Appendage Landing Zone: Application in Left Atrial Appendage Occlusion Procedures. J of Biomed Phys & Eng 2020;10(2):205-14. doi:10.31661/jbpe.v0i0.1912-1019##20. Jia S, Despinasse A, Wang Z, Delingette H, Pennec X, Jaïs P, et al. Automatically segmenting the left atrium from cardiac images using successive 3D U-nets and a contour loss. arXiv:1812.02518## ##

توسعه مدل پیش‌بینی حمله قلبی در بستر محاسبات مه Development of a Model for Predicting Heart Attack Based on Fog Computing 1 1 مقدمه: مطالعات مختلف مزایای استفاده از محاسبات توزیع شده مه برای شبکه‌های اینترنت اشیاء را به اثبات رسانده‌اند؛ زیرا قابلیت‌های رایانش ابری همچون محاسبات، ذخیره‌سازی و پردازش را به گره‌های اینترنت اشیاء نزدیک‌تر کرده است. الگوی جدید محاسبات مه و محاسبات لبه با نزدیک کردن منابع به کاربران در مقایسه با محاسبات ابری، تأخیر کمتری برای پردازش داده‌ها ارائه داده است که این امر برای کاربردهای حساس به تأخیر همچون حوزه مراقبت سلامت از راه دور ضروری است و ارائه خدمات قابل اعتماد‌تر را فراهم می‌کند. در این پژوهش جهت پایش وضعیت بیماران قلبی یک سیستم مبتنی بر مه ارائه شده است. روش: این پژوهش از نوع توسعه‌ای- کاربردی است. به منظور ارزیابی‌، از مجموعه داده بیماران عروق کرونر قلبی موجود در مخزن داده‌ یادگیری ماشین دانشگاه ارواین استفاده شد. در این سیستم، هر یک از علامت‌های بیمار قلبی بر اساس محدوده نرمال در لایه مه ارزیابی و وخامت حال بیمار بررسی می‌گردد. در این لایه، تقاضاها بر اساس تعداد علائمی که خارج از محدوده نرمال هستند، اولویت‌بندی می‌شوند. کارایی سیستم پیشنهادی از نظر مصرف پهنای باند، تأخیر و زمان پاسخ مورد ارزیابی قرار گرفت. نتایج: سیستم ارائه شده در این پژوهش منجر به بهبود پهنای باند به میزان 23/77%، کاهش زمان تأخیر به میزان 23/71% و بهبود زمان پاسخ به میزان 32/95%  گردید. نتیجه‌گیری: بهره‌گیری از صف اولویت به منظور اولویت‌بندی تقاضاها در لایه مه، زمان پاسخ‌دهی به درخواست‌های اورژانسی را کاهش می‌دهد. 2 Introduction: Various studies have demonstrated the benefits of using distributed fog computing for the Internet of Things (IoT). Fog computing has brought cloud computing capabilities such as computing, storage, and processing closer to IoT nodes. The new model of fog and edge computing, compared to cloud computing, provides less latency for data processing by bringing resources closer to users. This is essential for delay-sensitive applications such as remote healthcare and provides more reliable services. In this study, a fog-based system was proposed to monitor the condition of heart patients. Method: This study was a developmental-applied one. A set of data relevant to coronary heart patients available in the machine learning data repository of the University of California Irvine was used for evaluation. In this system, each of the heart patient's symptoms is evaluated based on the normal range in the fog layer and the status of the patient is determined. In this layer, requests are prioritized based on the number of symptoms that are out of the normal range. The efficiency of the proposed system was evaluated in terms of network usage time, latency, and response time. Results: The system presented in this study led to the improvement of network usage time by 23.77%, reduction of latency by 23.71%, and enhancement of response time by 32.95%. Conclusion: Using the priority queue to prioritize requests at the fog layer reduces the response time to emergency requests. 326 337 2021/05/52021/07/312021/07/62021/07/212021/07/142021/09/282021/07/92021/09/21 1400/6/30 2021/08/252021/11/302021/12/152021/11/102021/11/32021/12/82021/11/152021/11/10 1400/8/19 علی گل کار Ali Golkar دکترای مهندسی کامپیوتر، گروه مهندسی کامپیوتر، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران ایران ali.h.golkar@gmail.com راضیه ملک حسینی Razieh Malekhosseini دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران ایران mokatebateedari@gmail.com کیوان رحیمی زاده Keyvan RahimiZadeh دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی برق و کامپیوتر، دانشگاه یاسوج، یاسوج، ایران ایران rahimizadeh@gmail.com آزیتا یزدانی Azita Yazdani دکترای انفورماتیک پزشکی، استادیار، مرکز تحقیقات مدیریت سلامت و منابع انسانی، دانشکده مدیریت و اطلاع‌رسانی پزشکی، مرکز تحقیقات آموزش بالینی، دانشگاه علوم پزشکی شیراز، شیراز، ایران ایران a_yazdani@sums.ac.ir امین بهشتی Amin Beheshti دکترای مهندسی کامپیوتر، استاد، گروه محاسبات، دانشکده علوم و مهندسی، دانشگاه مک کوئری، سیدنی، استرالیا استرالیا min.beheshti@mq.edu.au Fog Computing Internet of Things (IoT) Telemonitoring Cloud Computing محاسبات مه اینترنت اشیاء نظارت از راه دور محاسبات ابری 1. Mahmud R, Koch FL, Buyya R. Cloud-fog interoperability in IoT-enabled healthcare solutions. 19th International Conference on Distributed Computing and Networking; 2018 Jan 4; New York: Association for Computing Machinery; 2018. p. 1-10. https://doi.org/10.1145/3154273.3154347##2. Rahmani AM, Gia TN, Negash B, Anzanpour A, Azimi I, Jiang M, Liljeberg P. Exploiting smart e-Health gateways at the edge of healthcare Internet-of-Things: A fog computing approach. Future Generation Computer Systems 2018;78:641-58. https://doi.org/10.1016/j.future.2017.02.014##3. Gia TN, Dhaou IB, Ali M, Rahmani AM, Westerlund T, Liljeberg P, et al. Energy efficient fog-assisted IoT system for monitoring diabetic patients with cardiovascular disease. Future Generation Computer Systems 2019;93:198-211. doi: http://dx.doi.org/10.1016/j.future.2018.10.029##4. El-Rashidy N, El-Sappagh S, Islam SM, M El-Bakry H, Abdelrazek S. Mobile Health in Remote Patient Monitoring for Chronic Diseases: Principles, Trends, and Challenges. Diagnostics (Basel) 2021; 11(4): 607. doi: 10.3390/diagnostics11040607##5. Concone F, Re GL, Morana M. A fog-based application for human activity recognition using personal smart devices. ACM Transactions on Internet Technology (TOIT). 2019;19(2):1-20. https://doi.org/10.1145/3266142##6. Hashem IA, Yaqoob I, Anuar NB, Mokhtar S, Gani A, Khan SU. The rise of “big data” on cloud computing: Review and open research issues. Information systems 2015;47:98-115. https://doi.org/10.1016/j.is.2014.07.006##7. Zahmatkeshan M, Zakerabasali S, Farjam M, Gholampour Y, Seraji M, Yazdani A. The use of mobile health interventions for gestational diabetes mellitus: a descriptive literature review. J Med Life 2021;14(2):131-41. doi: 10.25122/jml-2020-0163. ##8. Yazdani A, Safdari R, Ghazisaeedi M, Beigy H, Sharifian R. Scalable architecture for telemonitoring chronic diseases in order to support the CDSSs in a common platform. Acta Inform Med 2018; 26(3): 195–200. doi: 10.5455/aim.2018.26.195-200##9. Kakria P, Tripathi NK, Kitipawang P. A real-time health monitoring system for remote cardiac patients using smartphone and wearable sensors. International Int J Telemed Appl 2015;2015:373474. doi: 10.1155/2015/373474.##10. Kim SH, Chung K. Emergency situation monitoring service using context motion tracking of chronic disease patients. Cluster Computing 2015;18(2):747-59.##11. Ali NS, Alkaream Alyasseri ZA, Abdulmohson A. Real-time Heart Pulse Monitoring Technique Using Wireless Sensor Network and Mobile Application. International Journal of Electrical & Computer Engineering (2088-8708). 2018;8(6). doi:10.11591/ijece.v8i6.pp5118-5126##12. Mahmud S, Iqbal R, Doctor F. Cloud enabled data analytics and visualization framework for health-shocks prediction. Future Generation Computer Systems 2016;65:169-81.##13. Zhang Y, Qiu M, Tsai CW, Hassan MM, Alamri A. Health-CPS: Healthcare cyber-physical system assisted by cloud and big data. IEEE Systems Journal 2015;11(1):88-95. doi: 10.1109/JSYST.2015.2460747##14. Fazio M, Celesti A, Marquez FG, Glikson A, Villari M. Exploiting the FIWARE cloud platform to develop a remote patient monitoring system. IEEE Symposium on Computers and Communication (ISCC) 2015 Jul 6; Larnaca, Cyprus: IEEE; 2015. p. 264-70. doi: 10.1109/ISCC.2015.7405526##15. Jindal V. Integrating mobile and cloud for PPG signal selection to monitor heart rate during intensive physical exercise. In Proceedings of the International Conference on Mobile Software Engineering and Systems; 2016 May 14; New York: Association for Computing Machinery; 2016. p. 36-7. https://doi.org/10.1145/2897073.2897132##17. Hassen HB, Ayari N, Hamdi B. A home hospitalization system based on the Internet of things, Fog computing and cloud computing. Informatics in Medicine Unlocked 2020;20:100368. https://doi.org/10.1016/j.imu.2020.100368##18. Azimi I, Anzanpour A, Rahmani AM, Pahikkala T, Levorato M, Liljeberg P, Dutt N. HiCH: Hierarchical fog-assisted computing architecture for healthcare IoT. ACM Transactions on Embedded Computing Systems (TECS) 2017;16(5s):1-20. https://doi.org/10.1145/3126501##19. Tuli S, Basumatary N, Gill SS, Kahani M, Arya RC, Wander GS, Buyya R. HealthFog: An ensemble deep learning based Smart Healthcare System for Automatic Diagnosis of Heart Diseases in integrated IoT and fog computing environments. Future Generation Computer Systems 2020;104:187-200.##20. He S, Cheng B, Wang H, Huang Y, Chen J. Proactive personalized services through fog-cloud computing in large-scale IoT-based healthcare application. China Communications 2017;14(11):1-6.##21. Barik RK, Priyadarshini R, Dubey H, Kumar V, Mankodiya K. FogLearn: leveraging fog-based machine learning for smart system big data analytics. International Journal of Fog Computing (IJFC) 2018;1(1):15-34. doi:10.4018/IJFC.2018010102##22. Azimi I, Takalo-Mattila J, Anzanpour A, Rahmani AM, Soininen JP, Liljeberg P. Empowering healthcare IoT systems with hierarchical edge-based deep learning. International Conference on Connected Health: Applications, Systems and Engineering Technologies; 2018 Sep 26; Washington DC: IEEE; 2018. p. 63-8. https://doi.org/10.1145/3278576.3278597##23. Pham M, Mengistu Y, Do H, Sheng W. Delivering home healthcare through a cloud-based smart home environment (CoSHE). Future Generation Computer Systems 2018;81:129-40. https://doi.org/10.1016/j.future.2017.10.040##24. Abdelmoneem RM, Benslimane A, Shaaban E, Abdelhamid S, Ghoneim S. A cloud-fog based architecture for iot applications dedicated to healthcare. InICC 2019-2019 IEEE International Conference on Communications (ICC); 2019 May 20 Shanghai, China: IEEE; 2016. p. 1-6. doi: 10.1109/ICC.2019.8761092##25. Gia TN, Jiang M, Sarker VK, Rahmani AM, Westerlund T, Liljeberg P, et al. Low-cost fog-assisted health-care IoT system with energy-efficient sensor nodes. 13th international wireless communications and mobile computing conference (IWCMC); 2017 Jun 26; Valencia, Spain: IEEE; 2017. p. 1765-70. doi:10.1109/IWCMC.2017.7986551##26. Gill SS, Arya RC, Wander GS, Buyya R. Fog-based smart healthcare as a big data and cloud service for heart patients using IoT. IInternational Conference on Intelligent Data Communication Technologies and Internet of Things; 2018 Aug 7; Springer, Cham: 2018. p. 1376-83. ##27. Farahani B, Firouzi F, Chang V, Badaroglu M, Constant N, Mankodiya K. Towards fog-driven IoT eHealth: Promises and challenges of IoT in medicine and healthcare. Future Generation Computer Systems 2018;78:659-76. ## https://doi.org/10.1016/j.future.2017.04.036##28. Muhammed T, Mehmood R, Albeshri A, Katib I. UbeHealth: a personalized ubiquitous cloud and edge-enabled networked healthcare system for smart cities. IEEE Access 2018;6:32258-85. doi:10.1109/ACCESS.2018.2846609##29. Karakaya A, Akleylek S. A novel IoT-based health and tactical analysis model with fog computing. PeerJ Comput Sci 2021;7:e342. doi: 10.7717/peerj-cs.342.## ##