بهبود دقت پیش‌بینی اختلالات خلقی با استفاده از ترکیب الگوریتم‌های داده‌کاوی و فراابتکاری Accuracy Improvement of Mood Disorders Prediction using a Combination of Data Mining and Meta-Heuristic Algorithms 1 1 مقدمه: از آنجا که تأخیر یا اشتباه در تشخیص اختلالات خلقی به‌دلیل تشابه علائم، مانع درمان مؤثر می‌شود، هدف تحقیق حاضر، تشخیص دقیق اختلالات خلقی، شامل روان‌پریشی، اوتیسم، اختلال شخصیت، دوقطبی، افسردگی و اسکیزوفرنی، از طریق مدل‌سازی و تحلیل داده‌های بیماران است. روش: داده‌های جمع‌آوری شده در این پژوهش کاربردی-توسعه‌ای دربردارنده 996 رکورد با 130 ویژگی بود که با مصاحبه و تکمیل پرسشنامه‌ها در یک بیمارستان روان‌پزشکی در شهر ساری، ایران در سال 1400 گردآوری شد. پس از پیش‌پردازش داده‌ها، تعداد ویژگی‌ها با تحلیل همبستگی به 91 و سپس با تحلیل مؤلفه‌های اصلی (PCA) به 35 فاکتور کاهش یافت. مدل‌سازی داده‌ها در نرم‌افزار پایتون با الگوریتم‌های K نزدیک‌ترین همسایه(KNN)، نایو بیز (NB)، درخت تصمیم (DT)، جنگل تصادفی (RF)، رگرسیون لجستیک (LR) و ماشین بردار پشتیبان (SVM) صورت گرفت. عملکرد مدل‌ها ارزیابی گردید و پارامترهای الگوریتم‌های با دقت بالاتر توسط الگوریتم‌های فراابتکاری بهینه‌سازی ازدحام ذرات (PSO) و ژنتیک (GA) تخمین زده شد. نتایج: از بین الگوریتم‌های یادگیری ماشین، دو الگوریتم RF با دقت 91 و SVM با دقت 90 درصد عملکرد بهتری داشتند. GA افزایش دقت قابل‌ملاحظه‌ای ایجاد نکرد، اما درنظرگرفتن مقادیر 30، 150، 0/9، 2 و 2 به‌ترتیب به‌عنوان تعداد ذرات، تعداد تکرار الگوریتم، ضریب اینرسی، ضریب شخصی و ضریب اجتماعی در الگوریتم PSO دقت پیش‌بینی را تا 3/3 درصد بهبود بخشید. نتیجه‌گیری: با خطای طبقه‌بندی کمتر نسبت به پژوهش‌های مشابه، مدل PSO-SVM طراحی شده در این پژوهش با دقت قابل قبولی می‌تواند در پایش داده‌های بیماران به‌کار گرفته شده و در سامانه‌های هوشمند مراکز روان‌پزشکی مورد استفاده قرار گیرد. 2 Introduction: Since the delay or mistake in the diagnosis of mood disorders due to the similarity of their symptoms hinders effective treatment, this study aimed to accurately diagnose mood disorders including psychosis, autism, personality disorder, bipolar, depression, and schizophrenia, through modeling and analyzing patients' data. Method: Data collected in this applied developmental research included 996 records with 130 features obtained by interviewing and completing questionnaires in a mental hospital in the city of Sari, Iran in 2021. After preprocessing, the number of features was reduced to 91, and then through Principal Component Analysis (PCA) reduced to 35 factors. Modeling was done in Python software with K-Nearest Neighbor (KNN), Naive Bayes (NB), Decision Tree (DT), Random Forest (RF), Logistic Regression (LR), and Support Vector Machine (SVM) algorithms. The models were evaluated to select algorithms with higher accuracy. Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) were applied to determine the optimal parameters of the selected algorithms. Results: Among the machine learning algorithms, random forest with 91% accuracy and support vector machine with 90% accuracy showed better performance. The genetic algorithms did not make any notable increase in prediction accuracy. Whereas considering N=30, T=150, W=0.9, c1=2, and c2=2 in the particle swarm optimization algorithm increased the prediction accuracy up to 3.3 %. Conclusion: With less classification error compared to similar studies, the PSO-SVM model designed in this study can be used in patient data monitoring with acceptable accuracy and can be used in intelligent systems in psychiatric centers. 106 119 2022/08/25 1401/6/3 2022/11/20 1401/8/29 مانا فری برزی Mana Fariborzi کارشناس ارشد مهندسی صنایع-سیستم‌های سلامت، گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ایران maanaafariborzi@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 عباس سقایی Abbas Saghaei دکترای مهندسی صنایع، استاد، گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران ایران Mood Disorder Machine Learning Meta-Heuristic Algorithms Data Mining Prediction اختلال روانی یادگیری ماشین الگوریتم‌های فرا ابتکاری داده‌کاوی پیش‌بینی 1. Parsapour F, Peymani J. Using Data Mining Techniques for Intelligent Diagnosis of Severity of Depressive Disorder. Journal of Health and Biomedical Informatics 2020;7(3):252-62. [In Persian]##2. World health organization (WHO). Depression; 2022 [cited 2021 May 1]. Available from: https://www.who.int/news-room/fact-sheets/detail/depression##3. Mansourian M, Khademi S, Marateb HR. A comprehensive review of computer-aided diagnosis of major mental and neurological disorders and suicide: a biostatistical perspective on data mining. Diagnostics 2021;11(3):393. 10.3390/diagnostics11030393##4. Guo T, Zhao W, Alrashoud M, Tolba A, Firmin S, Xia F. Multimodal Educational Data Fusion for Students’Mental Health Detection. IEEE Access 2022;10:70370-82. 10.1109/ACCESS.2022.3187502##5. Vigo D, Thornicroft G, Atun R. Estimating the true global burden of mental illness. The Lancet Psychiatry 2016;3(2):171-8. 10.1016/S2215-0366(15)00505-2##6. König H, König HH, Konnopka A. The excess costs of depression: a systematic review and meta-analysis. Epidemiology and psychiatric sciences. Epidemiology and Psychiatric Sciences 2020; 29: e30. 10.1017/S2045796019000180##7. Baumeister H, Hutter N, Bengel J, Härter M. Quality of life in medically ill persons with comorbid mental disorders: a systematic review and meta-analysis. Psychotherapy and Psychosomatics 2011;80(5):275-86. 10.1159/000323404##8. Liu YS, Chokka S, Cao B, Chokka PR. Screening for bipolar disorder in a tertiary mental health center using EarlyDetect: A machine learning-based pilot study. Journal of Affective Disorders Reports 2021;6:100215.##9. Sadr Ameli H. The effect of topiramate on bipolar mood disorder [dissertation]. Tehran: Shahid Beheshti University of Medical Sciences; 2014. [In Persian]##10. James SB, Alcott SV. Kaplan and Sadock's Concise Textbook of Clinical Psychiatry. 3rd ed. Philadelphia: Lippincott Williams & Wilkins; 2008.##11. Isometsä E. Suicidal behaviour in mood disorders—who, when, and why?. The Canadian Journal of Psychiatry 2014;59(3):120-30. 10.1177/070674371405900303##12. van Eeden WA, Luo C, van Hemert AM, Carlier IV, Penninx BW, Wardenaar KJ, et al. Predicting the 9-year course of mood and anxiety disorders with automated machine learning: A comparison between auto-sklearn, naïve Bayes classifier, and traditional logistic regression. Psychiatry Research 2021;299:113823. 10.1016/j.psychres.2021.113823##13. Lei Y, Belkacem AN, Wang X, Sha S, Wang C, Chen C. A convolutional neural network-based diagnostic method using resting-state electroencephalograph signals for major depressive and bipolar disorders. Biomedical Signal Processing and Control 2022;72:103370. 10.1016/j.bspc.2021.103370##14. Liu Y, Qu HQ, Mentch FD, Qu J, Chang X, Nguyen K, et al. Application of deep learning algorithm on whole genome sequencing data uncovers structural variants associated with multiple mental disorders in African American patients. Molecular Psychiatry 2022;27(3):1469-78.##15. Molavi P, Salvat H, Aghdam NS, Mohammadi MN. The efficacy of Cognitive-Behavioral Therapy (CBT+ TAU) on reducing type-I Bipolar disorder symptoms. Shenakht Journal of Psychology and Psychiatry 2018;7(2):92-103. [In Persian] 10.52547/shenakht.7.2.92##16. Tari Barazin N, Babapour J, Aghdasi A. Comparison of the effectiveness of social skills training and training of cognitive emotion regulation strategies on social adjustment and positive and negative emotions in Man with type I bipolar disorder. Journal of Applied Family Therapy 2021;2(4):137-57.##17. Phillips M, Kupfer D. Bipolar disorder diagnosis: challenges and future directions. Lancet 2013;381(9878):1663-71. 10.1016/S0140-6736(13)60989-7. ##18. Han J, Kamber M, Mining D. Concepts and techniques. Morgan Kaufmann 2006;340:94104-3205.##19. Shailaja K, Seetharamulu B, Jabbar MA. Machine learning in healthcare: A review. Second International Conference on Electronics, Communication and Aerospace Technology (ICECA); 2018 Mar 29; Coimbatore, India: IEEE; 2018. p. 910-4. 10.1109/ICECA.2018.8474918##20. Bleidorn W, Hopwood CJ. Using machine learning to advance personality assessment and theory. Personality and Social Psychology Review 2019;23(2):190-203. 10.1177/1088868318772990##21. Chancellor S, De Choudhury M. Methods in predictive techniques for mental health status on social media: a critical review. NPJ Digital Medicine 2020;3(1):1.##22. Llamocca P, Urgelés D, Cukic M, Lopez V. Bip4Cast: Some advances in mood disorders data analysis. 1st International ‘Alan Turing’ Conference on Decision Support and Recommender Systems (DSRS-Turing’19); 2019 Nov 21-22; London: The Alan Turing Institute; 2019.##23. Čukić M, López V. Progress in Objective Detection of Depression and Online Monitoring of Patients Based on Physiological Complexity. Frontiers in Psychiatry 2022;13:828773.##24. Mallick S, Panda M. Application of Deep Learning in Mental Disorder: Challenges and Opportunities. Next Generation Healthcare Informatics 2022:295-308.##25. Squarcina L, Villa FM, Nobile M, Grisan E, Brambilla P. Deep learning for the prediction of treatment response in depression. Journal of Affective Disorders 2021;281:618-22. 10.1016/j.jad.2020.11.104##26. Najafabadi MM, Villanustre F, Khoshgoftaar TM, Seliya N, Wald R, Muharemagic E. Deep learning applications and challenges in big data analytics. Journal of Big Data 2015;2(1):1-21.##27. de Siqueira Rotenberg L, Borges-Júnior RG, Lafer B, Salvini R, da Silva Dias R. Exploring machine learning to predict depressive relapses of bipolar disorder patients. Journal of Affective Disorders 2021;295:681-7. 10.1016/j.jad.2021.08.127##28. Bayes A, Spoelma MJ, Hadzi-Pavlovic D, Parker G. Differentiation of bipolar disorder versus borderline personality disorder: A machine learning approach. Journal of Affective Disorders 2021;288:68-73. 10.1016/j.jad.2021.03.082##29. Nguyen DK, Chan CL, Li AH, Phan DV, Lan CH. Decision support system for the differentiation of schizophrenia and mood disorders using multiple deep learning models on wearable devices data. Health Informatics Journal 2022;28(4):14604582221137537. 10.1177/1460458222113753## ##

شناسایی چالش‌های مدل بلوغ تکنولوژی زنجیره بلوکی در سازمان‌های سلامت محور Identifying the Challenges of the Blockchain Technology Maturity Model in Health-Oriented Organizations 1 1 مقدمه: زنجیره بلوکی، یک فناوری پرکاربرد در حوزه سلامت است؛ اما به کارگیری آن با چالش‌هایی نیز همراه می‌باشد. با شناسایی این چالش‌ها، می‌توان مسیر رسیدن به بلوغ زنجیره بلوکی، در این حوزه را هموارتر نمود. هدف از این پژوهش، شناسایی چالش‌های مدل بلوغ فناوری زنجیره بلوکی در سازمان‌های سلامت محور می‌باشد. روش: در این مطالعه کیفی به شیوه پدیدار‌شناسی، انجام شد. جامعه آماری‌، خبرگان حوزه فناوری زنجیره بلوکی بودند که تعداد 12 نفر از میان آن‌ها جهت انجام مصاحبه عمیق انتخاب شدند. روایی یافته‌ها با روش‌های تطبیق توسط اعضا و بررسی همکار تضمین شد. به طوری که مشارکت‌کنندگان، فرآیند تحلیل داده‌های اولیه (نتایج مصاحبه) را بازبینی و در بررسی همکار، اساتید راهنما، مشاور و دو تن از دانشجویان دکتری در مورد یافته‌ها اظهار نظر کردند. جهت تجزیه و تحلیل داده‌ها از کدگذاری باز و محوری، استفاده شده است. نتایج: چالش‌های مدل‌، در بخش‌های فنی و سازمانی، در قالب الگوی ساختاری ترسیم و ارائه شده است. در مدل حاصل هر یک از مقوله‌ها با زیر مجموعه خود مشخص شده که میزان فراوانی آن‌ها جهت اولویت‌بندی و تعیین میزان اهمیت آن‌ها نیز در مدل مشخص شده‌اند. نتیجه‌گیری: در سازمان‌های سلامت محور، چالش‌های امنیت اطلاعات در بخش فنی و شفافیت در ساختار سازمانی، از جمله مهم‌ترین چالش‌ها مطرح شده‌اند. امنیت داده‌ها به واسطه اهمیت بالای حفظ آن‌ها و نیز ایجاد شفافیت، به دلیل عدم امکان دستکاری داده‌ها، چالش‌هایی هستند که اگر ساده انگارانه از کنار آن‌ها بگذریم، فرآیند رسیدن به بلوغ فناوری در سازمان‌های سلامت محور را با شکست مواجه خواهد کرد. 2 Introduction: Blockchain is a widely used technology in the health area; however, it also comes with challenges. By identifying these challenges, the road to blockchain maturity can be made smoother in this field. This study aimed to identify the challenges of the blockchain technology maturity model in health-oriented organizations. Method: In this phenomenological qualitative study, experts in the field of blockchain technology were the statistical population 12 of whom were selected to conduct an in-depth interview. The validity of the findings was guaranteed by the methods of matching by members and peer review. In this manner, the participants reviewed the process of primary data (interview results) analysis. And in the peer review procedure, supervisors, advisors, and two doctoral students commented on the findings. To analyze the data, open and axial coding was used. Results: The challenges of this model, in the technical and organizational sections, have been drawn and presented in the form of a structural model. In the resulting model, each of the categories is specified with its subset, and their frequency is also specified in the model to prioritize and determine their importance. Conclusion: In health-oriented organizations, the challenges of information security in the technology sector and transparency in the organizational structure are among the most important challenges. The security of data, due to the high importance of maintaining them, and creating transparency, due to the impossibility of manipulating data, are challenges that if ignored, the process of reaching technology maturity in health-oriented organizations will fail. 120 129 2022/08/252022/04/22 1401/2/2 2022/11/202022/07/9 1401/4/18 حمیده علی اکبرپور Hamideh Aliakbarpour دانشجوی دکترای مدیریت فناوری اطلاعات، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران ایران aliakbarpour@arakmu.ac.ir اشرف شاه منصوری Ashraf Shahmansoury دکتری مدیریت بازرگانی، استادیار، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران ایران shahmansouryashrf@gmail.com قاسمعلی بازایی Ghasemali Bazaee دکتری مدیریت و علوم اداری، استادیار، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران ایران ghasemalibazaee@gmail.com Risks and Challenges Blockchain Technology Maturity Model Health-Oriented Organizations Blockchain Technology Phenomenology ریسک‌ها و چالش‌ها مدل بلوغ فناوری زنجیره بلوکی سازمان‌های سلامت محور زنجیره بلوکی پدیدار شناسی 1. Ali J, Sofi S. Ensuring Security and Transparency in Distributed Communication in IoT ecosystems using Blockchain Technology: Protocols, Applications and Challenges. Int J Com Dig Sys 2021; 11(1):1-20. doi: https://dx.doi.org/10.12785/ijcds/110101##2. Ferretti S, Corchado JM. Blockchain and Applications: International Congress. 1st ed. Springer International Publishing; 2020. doi:10.1007/978-3-030-23813-1##3. Nakamoto S. Bitcoin: A peer-to-peer electronic cash system. Decentralized Business Review 2008:21260.##4. Sabri Y, Harchi S, El Kamoun N. Managing health supply chain using blockchain technology: state of art challenges and solution. International Journal of Reconfigurable and Embedded Systems 2022;11(3):258-64.##5. Malhotra A, O’Neill H, Stowell P. Thinking strategically about blockchain adoption and risk mitigation. Business Horizons 2022;65(2):159-71. https://doi.org/10.1016/j.bushor.2021.02.033##6. Nilforushan H, Ayazi SA. Assessment of the Scope of oil and Gas Companies' Activities based on their Readiness to Accept Blockchain Technology. BI Management Studies 2019; 9(33): 247-86. [In Persian]##7. Tiwari D, Kaw K. The Strategy to Accelerate Enterprise Blockchain Adoption. Retrieved from wipro. Website: https://www.wipro.com/business-process/the-strategy-to-accelerate-enterprise-blockchain-adoption##8. Caralli R, Knight M, Montgomery A. Maturity models 101: A primer for applying maturity models to smart grid security, resilience, and interoperability. U.S: Carnegie-Mellon Univ Pittsburgh PA Software Engineering Inst; 2012.##9. KPMG. Scaling blockchain, Our Blockchain Maturity Model helps you go beyond proof-of-concept, together; [cited 2021 May 2]. Available from: https://assets.kpmg/content/dam/kpmg/be/pdf/2018/07/ADV-depliant-blockchain-2-uk.pdf##10. Hassani MA, Shahmansoury A, ghasemali Bazaee G. Identify the opportunities and challenges of blockchain technology in industrial business economics. Economics and Business Journal 2021;12(22): 59-73. [In Persian]##11. Pablo RG, Roberto DP, Victor SU, Isabel GR, Paul C, Elizabeth OR. Big data in the healthcare system: A synergy with artificial intelligence and blockchain technology. Journal of Integrative Bioinformatics 2022;19(1): 1-16. https://doi.org/10.1515/jib-2020-0035##12. McGhin T, Choo KK, Liu CZ, He D. Blockchain in healthcare applications: Research challenges and opportunities. Journal of Network and Computer Applications 2019;135:62-75. https://doi.org/10.1016/j.jnca.2019.02.027##13. Mamoshina P, Ojomoko L, Yanovich Y, Ostrovski A, Botezatu A, Prikhodko P, et al. Converging blockchain and next-generation artificial intelligence technologies to decentralize and accelerate biomedical research and healthcare. Oncotarget 2018;9(5):5665.##14. Haleem A, Javaid M, Singh RP, Suman R, Rab S. Blockchain technology applications in healthcare: An overview. International Journal of Intelligent Networks 2021;2:130-9. https://doi.org/10.1016/j.ijin.2021.09.005##15. Esmaeilzadeh P. Benefits and concerns associated with blockchain-based health information exchange (HIE): a qualitative study from physicians’ perspectives. BMC Medical Informatics and Decision Making 2022;22:80.##16. Burke B, Cearley D, Jones N, Smith D, Chandrasekaran A, Lu CK, et al. Gartner top 10 strategic technology trends for 2020-Smarter with Gartner. Retrieved November. 2019;2:2021.##17. Tuan J. lockchain in the Medical Field: The Good, The Better, The Best. [cited 2021 Nov 10]. Available from: https://topflightapps.com/ideas/blockchain-in-healthcare/##18. Dhar MS, Marwal R, Vs R, Ponnusamy K, Jolly B, Bhoyar RC, et al. Genomic characterization and epidemiology of an emerging SARS-CoV-2 variant in Delhi, India. Science 2021;374(6570):995-9. doi: 10.1126/science.abj9932##19. Siyal AA, Junejo AZ, Zawish M, Ahmed K, Khalil A, Soursou G. Applications of blockchain technology in medicine and healthcare: Challenges and future perspectives. Cryptography 2019;3(1):3. https://doi.org/10.3390/cryptography3010003##20. Ahmad RW, Salah K, Jayaraman R, Yaqoob I, Ellahham S, Omar M. The role of blockchain technology in telehealth and telemedicine. International Journal of Medical Informatics 2021;148:104399. https://doi.org/10.1016/j.ijmedinf.2021.104399##21. Faisal M, Sadia H, Ahmed T, Javed N. Blockchain Technology for Healthcare Record Management. In Pervasive Healthcare. Springer, Cham; 2022. p. 255-86.##22. Bindlish S, Chhabra S, Mehta K, Sapra P. Blockchain in Health Care: A Review. Cyber Security and Digital Forensics 2022:423-30.##23. Attaran M. Blockchain technology in healthcare: Challenges and opportunities. International Journal of Healthcare Management 2022;15(1):70-83. https://doi.org/10.1080/20479700.2020.1843887##24. Mazlan AA, Daud SM, Sam SM, Abas H, Rasid SZ, Yusof MF. Scalability challenges in healthcare blockchain system—a systematic review. IEEE Access 2020;8:23663-73. doi: 10.1109/ACCESS.2020.2969230##25. Basat YB, Ronca M. Effects of blockchain technology on Sweden’s digital healthcare [dissertation]. KTH Industrial Engineering and Management; 2019.##26. Kumar T, Ramani V, Ahmad I, Braeken A, Harjula E, Ylianttila M, et al. Blockchain utilization in healthcare: Key requirements and challenges. 20th International Conference on E-Health Networking, Applications and Services (Healthcom); 2018 Sep 17-20; Ostrava, Czech Republic: IEEE; 2018. p. 1-7. doi: 10.1109/HealthCom.2018.8531136##27. Katuwal GJ, Pandey S, Hennessey M, Lamichhane B. Applications of blockchain in healthcare: current landscape & challenges. arXiv preprint arXiv:1812.02776. 2018 Dec 6. https://doi.org/10.48550/arXiv.1812.02776 ##28. van der Voort R, Spenkelink H. Blockchain Maturity Model. Amsterdam, The Netherlands: Research in it-auditing; 2018.##29. Sadhya V, Sadhya H. Barriers to adoption of blockchain technology. 24th Americas Conference on Information Systems; 2018 Aug 16-18; New Orleans, LA, USA: AMCIS; 2018. p. 1-10.##30. Zheng Z, Xie S, Dai HN, Chen X, Wang H. Blockchain challenges and opportunities: A survey. Int J web and Grid Services 2018;14(4):352-75.##31. Kuo TT, Ohno-Machado L. Modelchain: Decentralized privacy-preserving healthcare predictive modeling framework on private blockchain networks. arXiv preprint arXiv:1802.01746. 2018 Feb 6. https://doi.org/10.48550/arXiv.1802.01746##32. Alhadhrami Z, Alghfeli S, Alghfeli M, Abedlla JA, Shuaib K. Introducing blockchains for healthcare. International Conference on Electrical and Computing Technologies and Applications (ICECTA); 2017 Nov 21; Ras Al Khaimah, United Arab Emirates: IEEE; 2017. p. 1-4. doi: 10.1109/ICECTA.2017.8252043##33. Scott D, Morrison M. Key ideas in educational research. NewYork: A&C Black; 2005.##34. O'leary Z. The Essential Guide to Doing Research. London: Sage; 2004.##35. Denscombe M. The Good Research Guide. Berkshire. England: McGraw-Hill Education; 2007.##36. Taylor SJ, Bogdan R, DeVault M. Introduction to Qualitative Research Methods: A Guidebook and Resource. 4th ed. London: John Wiley & Sons; 2015.##37. Creswell JW, Hanson WE, Clark Plano VL, Morales A. Qualitative research designs: Selection and implementation. The Counseling Psychologist 2007;35(2):236-64. https://doi.org/10.1177/0011000006287390##38. Creswell JW, Miller DL. Determining validity in qualitative inquiry. Theory into Practice 2000;39(3):124-30. https://doi.org/10.1207/s15430421tip3903_2## ##

بررسی صلاحیت فناوری اطلاعات پرستاران بخشهای مراقبتهای ویژه: یک مطالعه مقطعی Investigating the Information Technology Competency of Nurses in Critical Care Units: A cross-sectional study 1 1 مقدمه: با رشد سریع فناوری اطلاعات و انتظارات محیط‌های مراقبت بهداشتی، حضور پرستارانی با شایستگی انفورماتیک در محیط مراقبت به منظور استفاده و مدیریت مؤثر اطلاعات مراقبت بهداشتی در ارائه مراقبت بهداشتی ضروری به نظر می‌رسد؛ لذا این مطالعه با هدف ارزیابی صلاحیت فناوری اطلاعات پرستاران بخش‌های مراقبت ویژه از دیدگاه خود آن‌ها انجام شد. روش: این پژوهش یک مطالعه مقطعی بود که با هدف بررسی صلاحیت فناوری اطلاعات پرستاران بخش‌های مراقبت‌های ویژه بیمارستان‌ افضلی‌پور دانشگاه علوم پزشکی کرمان در سال 1401 انجام شد. جامعه این مطالعه پرستاران (اعم از رسمی، پیمانی، قراردادی و طرحی) شاغل در بخش مراقبت‌های ویژه (ICU ,CCU) بودند که تعداد آن‌ها در زمان مطالعه جمعاً 60 نفر بود که به صورت سرشماری وارد مطالعه شدند. ابزار مورد استفاده در این پژوهش، پرسشنامه صلاحیت فناوری اطلاعات پرستاری (Nursing Informatics Competency Assessment Tool) NICAT بود. نتایج: یا یافته‌های مطالعه نشان داد میانگین نمره صلاحیت فناوری اطلاعات پرستاران بخش مراقبت‌های ویژه ( 0/85± 2/70) در محدوده «با صلاحیت» می‌باشد. یافته‌ها نشان داد بیشترین نمره صلاحیت فناوری اطلاعات پرستاران مطالعه مربوط به بعد سواد کامپیوتر (0/93±2/82) و کمترین نمره مربوط به بعد مهارت‌های مدیریت اطلاعات (0/85± 2/58) بود. نتیجه‌گیری: پیشنهاد می‌شود مدیران پرستاری بالینی با اجرای برنامه‌های آموزشی در زمینه «سواد اطلاعاتی در بیمارستان»، به خصوص در بُعد مهارت‌های مدیریت اطلاعات که کمترین میانگین نمره را داشت، صلاحیت فناوری اطلاعات پرستاران را ارتقاء دهند تا آنان بتوانند با استفاده از آخرین شواهد مراقبت مؤثرتری را در بالین ارائه دهند. 2 Introduction: With the rapid growth of information technology (IT) and the expectations of health care environments, the presence of nurses with informatics skills in the health care environment to effectively use and manage health care information in health care delivery seems necessary; therefore, this study was conducted to evaluate the IT competency of special care nurses from their point of view. Method: This cross-sectional study aimed to investigate the IT competency of nurses in the special care departments of Afzalipur Hospital of Kerman University of Medical Sciences in 1400 SH. The study population included 60 nurses working in the intensive care units (ICU and CCU) who were included in the study using a census method. The Nursing Informatics Competency Assessment Tool (NICAT) was used in this research. Results: The findings of the study showed that the average score of IT qualification of nurses in the special care department (2.70 ± 0.85) is within the range of “competent”. The data showed that the highest score of IT competency of the studied nurses was attributed to the computer literacy section (2.82±0.93), and the lowest score was related to the information management skills section (2.58±0.85). Conclusion: It is suggested that clinical nursing managers improve the IT competency of nurses by implementing educational programs in the field of “IT literacy in the hospital”, especially in the division of information management skills which had the lowest average score, so that they can use the latest evidence to provide more effective care at the bedside. 130 137 2022/08/252022/04/222022/11/17 1401/8/26 2022/11/202022/07/92022/12/6 1401/9/15 جمیله فرخ زادیان Jamileh Farokhzadian دکتری پرستاری، دانشیار، مرکز تحقیقات پرستاری، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران farokhzadian2010@yahoo.com سمیه جوپاری نژاد Somayeh Jouparinejad کارشناسی ارشد پرستاری سلامت جامعه، بیمارستان شفا، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران حجت فرهمندنیا Hojjat Farahmandnia دکتری سلامت در بلایا وفوریت‌ها، استادیار، مرکز تحقیقات سلامت در بلایا و فوریت‌ها، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران hojat.sheikhbardsiri@gmail.com Technology Competency Information Nursing Critical Care Units صلاحیت فناوری اطلاعات پرستاری مراقبت ویژه 1. Dehghan Nayeri N, Mohammadi Firouzeh M, Seylani K. Nurses' Experiences of the Hospital Information Systems. Journal of Hayat 2015; 20(4) :5-18. [In Persian]##2. Anderson JG, Jay SJ, Anderson M, Hunt TJ. Evaluating the capability of information technology to prevent adverse drug events: a computer simulation approach. Journal of the American Medical Informatics Association 2002;9(5):479-90. https://doi.org/10.1197/jamia.M1099##3. Ifinedo P. Empirical study of Nova Scotia nurses’ adoption of healthcare information systems: implications for management and policy-making. Int J Health Policy Manag 2018; 7(4): 317–27. doi: 10.15171/ijhpm.2017.96##4. Ifinedo P. The moderating effects of demographic and individual characteristics on nurses' acceptance of information systems: A canadian study. International Journal of Medical Informatics 2016;87:27-35. https://doi.org/10.1016/j.ijmedinf.2015.12.012##5. Elsayed WA, Hussein FM, Othman WN. Relation between nursing informatics competency and Nursesâ€™ attitude toward evidence-based practice among qualified nurses at Mansoura oncology center. International Journal of Nursing Didactics 2017;7(6):26-33. doi: https://doi.org/10.15520/ijnd.2017.vol7.iss6.229.26-33##6. Godsey JA. Towards an informatics competent nursing profession: validation of the self-assessment of nursing informatics competency scale (SANICS) before and after online informatics training [dissertation]. Manoa: University of Hawai'i at Manoa; 2015.##7. Esfandani K, Aliyari S, Pishgooei AH, Ebadi A. Promoting critical care nurses’ information literacy through an evidence-based practice workshop: a quasi-experimental study. Crit Care Nurs J 2017; 10(2):e12042.##8. Bahrami A, Akbari H, Mousavi SG, Hannani M, Ramezani Y. Job stress among the nursing staff of Kashan hospitals. Feyz 2011;15(4):366-73.[In Persian]##9. Tung FC, Chang SC, Chou CM. An extension of trust and TAM model with IDT in the adoption of the electronic logistics information system in HIS in the medical industry. International Journal of Medical Informatics 2008;77(5):324-35. https://doi.org/10.1016/j.ijmedinf.2007.06.006##10. Rouleau G, Gagnon MP, Côté J. Impacts of information and communication technologies on nursing care: an overview of systematic reviews (protocol). Systematic Reviews 2015;4(1):1-8.##11. Bagherian B, Mirzaei T, Sabzevari S, Ravari A. Caring within a web of paradoxes: The critical care nurses’ experiences of beneficial and harmful effects of technology on nursing care. British Journal of Medicine and Medical Research 2016;15(9):1-4. doi: 10.9734/BJMMR/2016/25820 ##12. Ahmadian L, Nejad SS, Khajouei R. Evaluation methods used on health information systems (HISs) in Iran and the effects of HISs on Iranian healthcare: A systematic review. International Journal of Medical Informatics 2015;84(6):444-53. https://doi.org/10.1016/j.ijmedinf.2015.02.002##13. Ammenwerth E, Rauchegger F, Ehlers F, Hirsch B, Schaubmayr C. Effect of a nursing information system on the quality of information processing in nursing: An evaluation study using the HIS-monitor instrument. International Journal of Medical Informatics 2011;80(1):25-38. https://doi.org/10.1016/j.ijmedinf.2010.10.010##14. Hou IC, Yu HC, Hwang YJ, Cheng J, Wu RS, Chang P. The evaluation of the nurses' work performance after nursing information system implementation in one medical center in Taiwan. Studies in Health Technology and Informatics 2009;146:708.##15. Lee TT, Mills ME, Lu MH. Impact of a nursing information system on practice patterns in Taiwan. Computers, Informatics, Nursing 2008;26(4):207-14. doi: 10.1097/01.NCN.0000304807.69240.9e##16. Sadeghi R, Yaghmayi F. Informatics applying in nursing; education, research and care. Iranian Quarterly of Education Strategies 2012;5(3):199-206. [In Persian]##17. Elsayed WA, Hussein FM, Othman WN. Relation between nursing informatics competency and Nursesâ€™ attitude toward evidence-based practice among qualified nurses at Mansoura oncology center. International Journal of Nursing Didactics 2017;7(6):26-33. doi: https://doi.org/10.15520/ijnd.2017.vol7.iss6.229.26-33##18. Kahouei M, Babamohamadi H. Experiences of Nurses in Impact of Nursing Information System on Nursing Services Efficiency. Health Inf Manage 2013; 10(2): 201-12. [In Persian]##19. Ahmadi M, Gorzin Z, Khoshgam M. Nurses needs assessment on methods of documentation in electronic health records. Hakim Research Journal 2013; 16(3): 251-7. [In Persian]##20. Carter-Wesley J. Voice recognition dictation for nurses. The Journal of Nursing Administration 2009;39(7/8):310-2. doi: 10.1097/NNA.0b013e3181ae94f8##21. McGonigle D, Mastrian K. Nursing informatics and the foundation of knowledge. 4th ed. USA: Jones & Bartlett Publishers; 2021.##22. Adeleke IT, Lawal AH, Adio RA, Adebisi AA. Information technology skills and training needs of health information management professionals in Nigeria: a nationwide study. Health Information Management Journal 2015;44(1):30-8. https://doi.org/10.1177/183335831504400104##23. Wahoush O, Banfield L. Information literacy during entry to practice: Information-seeking behaviors in student nurses and recent nurse graduates. Nurse Education Today 2014;34(2):208-13.##24. Schleyer RH, Burch CK, Schoessler MT. Defining and integrating informatics competencies into a hospital nursing department. Computers, Informatics, Nursing 2011;29(3):167-73. doi: 10.1097/NCN.0b013e3181f9db36##25. Farokhzadian J, Ahmadian L, Khajouei R, Mangolian Shahrbabaki P. Information literacy and training needs of nursing managers for evidence-based practice. Iran Journal of Nursing 2016;29(101):43-56. [In Persian] doi:10.29252/ijn.29.101.43##26. Fulbrook P, Albarran JW, Baktoft B, Sidebottom B. A survey of European intensive care nurses’ knowledge levels. International Journal of Nursing Studies. 2012;49(2):191-200. https://doi.org/10.1016/j.ijnurstu.2011.06.001##27. Rahman A. Development of a nursing informatics competency assessment tool (NICAT) [dissertation]. Walden University; 2015.##28. Abd El MA. Innovation behavior levels and its relation with TIGER-based nursing informatics competencies among critical care nurses. Egyptian Nursing Journal 2017;14(2):59-69. doi: 10.4103/ENJ.ENJ_13_17##29. Hwang JI, Park HA. Factors associated with nurses' informatics competency. Computers, Informatics, Nursing 2011;29(4):256-62. doi: 10.1097/NCN.0b013e3181fc3d24##30. Campbell CJ, McDowell DE. Computer literacy of nurses in a community hospital: where are we today?. The Journal of Continuing Education in Nursing 2011;42(8):365-70. https://doi.org/10.3928/00220124-20110215-01##31. Choi J, De Martinis JE. Nursing informatics competencies: assessment of undergraduate and graduate nursing students. Journal of Clinical Nursing. 2013;22(13-14):1970-6.##32. Lalor JG, Clarke M, Sheaf G. An evaluation of the effectiveness of information literacy training for undergraduate midwives to improve their ability to access evidence for practice. Nurse Education in Practice 2012;12(5):269-72. https://doi.org/10.1016/j.nepr.2012.06.005##33. Edwards J, O'Connor PA. Improving Technological Competency in Nursing Students: The Passport Project. Journal of Educators Online 2011;8(2):n2.##34. Fung KY. Utilizing TIGER competencies to improve informatics practice [dissertation]. San Francisco: University of San Francisco; 2016.##35. Uneke CJ, Ezeoha AE, Uro-Chukwu H, Ezeonu CT, Ogbu O, Onwe F, Edoga C. Enhancing health policymakers' information literacy knowledge and skill for policymaking on control of infectious diseases of poverty in Nigeria. Online J Public Health Inform 2015; 7(2): e221. doi: 10.5210/ojphi.v7i2.5874## ##

اثر بخشی برنامه کاربردی «کاگنو ژن» ﺑﺮ مهارت‌های ارتباطی در میان دانشجویان Impact of the Mobile App “Cognogene” on University Students' Communication Skills 1 1 مقدمه: در دنیای امروزی مفهوم مراقبت سلامت روان الکترونیکی مطرح است که به کمک آن مراقبت‌ها، مهارت‌ها دیگر محدود به موقعیت زمانی و مکانی افراد نمی‌باشد و افراد نیازمند به مراقبت روانی می‌توانند با دریافت و نصب برنامه‌های کاربردی (اپلیکیشن) روی تلفن همراه از این خدمات بهره‌مند شوند. نرم‌افزار کاربردی کاگنو ژن (Cognogene) برای ارائه خدمات سلامت روان الکترونیکی در بستر تلفن‌های هوشمند به وجود آمده است. این پژوهش با هدف بررسی اثر بخشی برنامه کاربردی «کاگنو ژن» ﺑﺮ مهارت‌های ارتباطی در میان دانشجویان انجام شد. روش: جامعه آماری این پژوهش 104 دانشجوی شاغل به تحصیل دانشگاه تهران در نیمسال اول سال تحصیلی 1401-1400 در نظر گرفته شد. تعداد 52 ﻧﻔﺮ در ﮔﺮوه آزﻣﺎیﺶ و 52 ﻧﻔﺮ در ﮔﺮوه ﮐﻨﺘﺮل به صورت تصادفی انتخاب شدند. گروه آزمایش، آﻣﻮزش اﻟﮑﺘﺮوﻧﯿﮑﯽ (شامل ویدئوکلیپ‌ها، تمرین روزانه، برنامه‌های انگیزشی) را در 21 جلسه دریافت کردند و گروه ﮐﻨﺘﺮل مداخله‌ای دریافت نکرد. برای جمع‌آوری داده‌ها، از ﭘﺮﺳﺸﻨﺎﻣﻪ مهارت‌های ارتباطی کوئین دام در دو مرحله ﭘﯿﺶآزﻣﻮن و ﭘﺲآزﻣﻮن استفاده ﺷﺪ. داده‌ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از روش ﺗﺤﻠﯿﻞ واریانس یک طرفه ﺗﺤﻠﯿﻞ شدند. نتایج: یافته‌ها ﻧﺸﺎن داد ﮐﻪ مداخله صورت گرفته باعث ایجاد تفاوتی معنادار در میانگین همه شاخص‌های مورد پژوهش مهارت‌های ارتباطی به جزء شاخص‌های «دریافت و ارسال پیام» و «کنترل عاطفی» گردیده است. نتیجه‌گیری: آموزش از طریق برنامه کاربردی «کاگنو ژن» می‌تواند به عنوان مکمل همراه سایر روش‌های آموزشی دیگر برای بهبود مهارت‌های ارتباطی استفاده گردد. 2 Introduction: The notion of electronic mental health care is suggested in today's world. With the aid of this care, people's talents are no longer limited by time or location, and those in need of mental health care can get these services by downloading and installing software on their mobile devices. The Cognogene application software has been created to provide electronic mental health services on the smartphone platform. This study aimed to measure the impact of the mobile app “Cognogene” on university students' communication skills. Method: The statistical population of this study included 104 students studying at Tehran University in the winter semester (2021-2022). They were randomly divided into two 54-member groups (experimental and control). The experimental group received electronic psychological education (consisting of short video clips, daily homework, motivational letters, etc.) in 21 sessions, while the control group did not. To collect data, Queen Dom's communication skills questionnaire was used in two stages: pre-test and post-test. The data were analyzed using the one-way analysis of variance. Results: Results showed that the intervention made a significant difference in the mean score of all components of the study of communication skills except the components of "receiving and sending messages" and "emotional control". Conclusion: This finding suggests that training through the Cognogene application can be used as a complement to other training methods to improve communication skills 138 147 2022/08/252022/04/222022/11/172022/08/31 1401/6/9 2022/11/202022/07/92022/12/62022/11/1 1401/8/10 سید مصطفی حسینی Seyed Mostafa Hosseini دکترای ژنتیک مولکولی، ژنتیک انسانی دانشگاه علوم پزشکی بقیه الله، تهران، ایران ایران smhosseini@bmsu.ac.ir سمیه برجعلی لو Somaieh Borjalilu دکتری و پسا دکتری روانشناسی، استادیار ،دانشکده روانشناسی و علوم تربیتی، دانشگاه شهید بهشتی، تهران، ایران ایران sborjalilu@gmail.com Electronic Health Communication Skills Cognogene سلامت الکترونیک مهارت‌های ارتباطی کاگنو ژن 1. Borjalilu S, Talebpor A. The role of mobile applications in delivery of mental health services: a review study. Journal of Health and Biomedical Informatics 2016;3(2):132-44. [In Persian]##2. Rahmani M. Emotional intelligence of students: Examining Predictive Role of assertiveness and aggression of parent. Razi Journal of Medical Sciences 2017;24(155):73-82.##3. Daley K, Hungerbuehler I, Cavanagh K, Claro HG, Swinton PA, Kapps M. Preliminary evaluation of the engagement and effectiveness of a mental health chatbot. Front Digit Health 2020;2:576361. https://doi.org/10.3389/fdgth.2020.57636##4. Sunyaev A, Dehling T, Taylor PL, Mandl KD. Availability and quality of mobile health app privacy policies. Journal of the American Medical Informatics Association 2015;22(e1):e28-33. https://doi.org/10.1136/amiajnl-2013-002605##5. Chari HM, Delavarpur MA. Do shy people lack communication skills?. 2006;3(10): 123-35.##6. Choi Y, Song E, Oh E. Effects of teaching communication skills using a video clip on a smart phone on communication competence and emotional intelligence in nursing students. Archives of Psychiatric Nursing 2015;29(2):90-5. https://doi.org/10.1016/j.apnu.2014.11.003##7. Masters K, Ellaway RH, Topps D, Archibald D, Hogue RJ. Mobile technologies in medical education: AMEE Guide No. 105. 38(6): 537-49. https://doi.org/10.3109/0142159X.2016.1141190##8. O'connor S, Andrews T. Smartphones and mobile applications (apps) in clinical nursing education: A student perspective. Nurse Education Today 2018;69:172-8. https://doi.org/10.1016/j.nedt.2018.07.013##9. Plante TB, O’Kelly AC, Macfarlane ZT, Urrea B, Appel LJ, Miller III ER, et al. Trends in user ratings and reviews of a popular yet inaccurate blood pressure-measuring smartphone app. Journal of the American Medical Informatics Association 2018;25(8):1074-9. https://doi.org/10.1093/jamia/ocy060 ##10. Rodder SG, Kindratt TB, Xiao C, Orcutt V, Koch C, Mcilvaine K, Neville MA. Teaching and evaluating smartphone applications: the effectiveness of a curriculum expansion. Education for Health 2018;31(2):95-102. doi: 10.4103/efh.EfH_322_16##11. Saeedi MG, Kalhori SR, Nouria R, Yasini M, Nouri R, Yasini M. Persian mHealth apps: A cross sectional study based on use case classification. Stud Health Technol Inform 2016;228:230-4.## ##

پیش‌بینی فشارخون بالا در کودکان دبستانی با استفاده از ترکیب روش‌های یادگیری ماشین Hypertension Prediction in Primary School Students Using an Ensemble Machine Learning Method 1 1 مقدمه: شیوع فشار خون بالا در کودکان رو به افزایش است و این عارضه مهم‌ترین عامل خطر برای بیماری‌های قلبی -عروقی در سنین بالاتر به شمار می‌رود. تشخیص به‌موقع فشار خون بالا و کنترل آن می‌تواند جلوی پیشرفت آن را گرفته و پیامدهای ناشی از آن را کاهش دهد. روش‌های یادگیری ماشین می‌توانند به پیش‌بینی به موقع این عارضه کمک کرده و باعث کاهش هزینه و زمان گردند. این مطالعه با هدف ارائه‌ مدلی مبتنی بر ترکیب روش‌های یادگیری ماشین برای تشخیص و پیش‌بینی دقیق‌تر فشار خون کودکان دبستانی انجام شد. روش: این مطالعه از نوع کاربردی-توسعه‌ای بوده که با استفاده از اطلاعات 1287 نفر از کودکان دبستانی 7 تا 13 ساله‌‌ شهر کاشمر انجام شده است. پس از پیش پردازش داده‌ها، برای تشخیص دقیق‌تر کودکان مبتلا به فشار خون بالا نتایج خروجی پنج روش‌ یادگیری ماشین متداول در تشخیص بیماری‌ها، شامل درخت تصمیم، بیزین ساده، نزدیکترین همسایه‌ها، شبکه عصبی مصنوعی و ماشین بردار پشتیبان با استفاده از روش رأی‌گیری اکثریت وزن‌دار ترکیب می‌شوند. نتایج: نتایج نشان داد که دقت (Accuracy)، حساسیت (Sensitivity) و ویژگی (Specificity) در مدل پیشنهادی به ترتیب 90/31، 80/65 و 93/54 درصد بوده و در مقایسه با مطالعات مشابه، عملکرد بهتری دارد. نتیجه‌گیری: مدل پیشنهادی بهتر می‌تواند پیش‌بینی و تشخیص فشار خون بالا در کودکان را انجام داده و باعث بهبود دقت و کاهش میزان اشتباه گردد. این مدل می‌تواند به عنوان یک ابزار مفید و زودهنگام در تشخیص فشار خون بالا در کودکان، از پیامدها و هزینه‌های ناشی از این عارضه بکاهد و گام بزرگی در مبارزه با فشار خون بالا باشد. 2 Introduction: The prevalence of hypertension in children is increasing, and this complication is considered the most important risk factor for cardiovascular diseases in older age. Early detection and control of hypertension can prevent its progress and reduce its consequences. Machine learning methods can help predict this complication promptly and reduce cost and time. This study aimed to provide a model based on ensemble machine learning methods to more accurately predict the hypertension of primary school children. Method: This is an applied developmental study that was conducted using the information of 1287 primary school children aged 7-13 years in Kashmar city. After data preprocessing, to achieve a more accurate diagnosis of hypertension in children, the output results of five common machine learning methods in disease diagnosis including decision tree, naive Bayesian, nearest neighbors, artificial neural network, and support vector machine using weighted majority voting method were combined. Results: The results showed that the accuracy, sensitivity, and specificity of the proposed model were 90.31%, 80.65%, and 93.54%, respectively, and compared to similar studies it performed better. Conclusion: The proposed model can better predict and diagnose hypertension in children and improve accuracy and reduce the error rate. This model can be a useful and early tool in the diagnosis of hypertension in children, reducing the consequences and costs of this complication and being a big step in the fight against hypertension. 148 157 2022/08/252022/04/222022/11/172022/08/312022/09/13 1401/6/22 2022/11/202022/07/92022/12/62022/11/12022/11/1 1401/8/10 رضا بشارتی Reza Besharati دکتری مدیریت خدمات بهداشتی و درمانی، استادیار، گروه پرستاری، واحد کاشمر، دانشگاه آزاد اسلامی، کاشمر، ایران ایران rezabesharati@ymail.com حمیدرضا طهماسبی Hamidreza Tahmasbi دکتری مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، واحد کاشمر، دانشگاه آزاد اسلامی، کاشمر، ایران ایران htahma@gmail.com Hypertension Primary School Students Machine Learning Methods Prediction فشار خون بالا کودکان دبستانی روش‌های یادگیری ماشین پیش‌بینی 1. Chang W, Liu Y, Xiao Y, Xu X, Zhou S, Lu X, et al. Probability analysis of hypertension-related symptoms based on XGBoost and clustering algorithm. Applied Sciences 2019;9(6):1215. https://doi.org/10.3390/app9061215##2. Chowdhury MZ, Naeem I, Quan H, Leung AA, Sikdar KC, O’Beirne M, et al. Prediction of hypertension using traditional regression and machine learning models: A systematic review and meta-analysis. PloS one 2022;17(4):e0266334. https://doi.org/10.1371/journal.pone.0266334##3. Martinez-R’ios E, Montesinos L, Alfaro-Ponce M, Pecchia L. A review of machine learning in hypertension detection and blood pressure estimation based on clinical and physiological data. Biomedical Signal Processing and Control 2021;68:102813. doi: 10.1016/j.bspc.2021.102813##1. Chang W, Liu Y, Xiao Y, Xu X, Zhou S, Lu X, et al. Probability analysis of hypertension-related symptoms based on XGBoost and clustering algorithm. Applied Sciences 2019;9(6):1215. https://doi.org/10.3390/app9061215##2. Chowdhury MZ, Naeem I, Quan H, Leung AA, Sikdar KC, O’Beirne M, et al. Prediction of hypertension using traditional regression and machine learning models: A systematic review and meta-analysis. PloS one 2022;17(4):e0266334. https://doi.org/10.1371/journal.pone.0266334##3. Martinez-R’ios E, Montesinos L, Alfaro-Ponce M, Pecchia L. A review of machine learning in hypertension detection and blood pressure estimation based on clinical and physiological data. Biomedical Signal Processing and Control 2021;68:102813. doi: 10.1016/j.bspc.2021.102813##4. Fang M, Chen Y, Xue R, Wang H, Chakraborty N, Su T, et al. A hybrid machine learning approach for hypertension risk prediction. Neural Computing and Applications 2021:1. doi:10.1007/s00521-021-06060-0##5. Haugg F, Elgendi M, Menon C. Assessment of Blood Pressure Using Only a Smartphone and Machine Learning Techniques: A Systematic Review. Front Cardiovasc Med 2022; 9: 894224. doi: 10.3389/fcvm.2022.894224##6. Oanh TT, Tung NT. Predicting Hypertension Based on Machine Learning Methods: A Case Study in Northwest Vietnam. Mobile Netw Appl 2022; 27:2013–23. https://doi.org/10.1007/s11036-022-01984-w##7. Akbari M, Moosazadeh M, Ghahramani S, Tabrizi R, Kolahdooz F, Asemi Z, et al. High prevalence of hypertension among Iranian children and adolescents: a systematic review and meta-analysis. Journal of hypertension 2017;35(6):1155-63. doi: 10.1097/HJH.0000000000001261##8. Chai SS, Goh KL, Cheah WL, Chang YH, Ng GW. Hypertension Prediction in Adolescents Using Anthropometric Measurements: Do Machine Learning Models Perform Equally Well?. Applied Sciences 2022;12(3):1600. https://doi.org/10.3390/app12031600##9. Islam SM, Talukder A, Awal MA, Siddiqui MM, Ahamad MM, Ahammed B, et al. Machine Learning Approaches for Predicting Hypertension and Its Associated Factors Using Population-Level Data From Three South Asian Countries. Front Cardiovasc Med 2022; 9: 839379. doi: 10.3389/fcvm.2022.839379##10. Ghaderi Niri A, Farajzadeh N, Baybordi E. A Case Study of the Impact of Parental Diseases on the Probability of Hypertension Using Data Mining Techniques. Journal of Health and Biomedical Informatics 2021;7(4):354-67. [In Persian]##11. Zhao H, Zhang X, Xu Y, Gao L, Ma Z, Sun Y, et al. Predicting the risk of hypertension based on several easy-to-collect risk factors: a machine learning method. Frontiers in Public Health 2021;9:619429. https://doi.org/10.3389/fpubh.2021.619429##12. Dehghandar M, Hassani BA, Dadkhah M, Qorbani M, Kelishadi R. Diagnosis of Obesity and Hypertension in Isfahani Students Using Artificial Neural Network. Journal of Health and Biomedical Informatics; 2021; 8 (1):12-23.[ In Persian]##13. Chai SS, Cheah WL, Goh KL, Chang YH, Sim KY, Chin KO. A Multilayer Perceptron Neural Network Model to Classify Hypertension in Adolescents Using Anthropometric Measurements: A Cross-Sectional Study in Sarawak, Malaysia. Computational and Mathematical Methods in Medicine 2021;2021. https://doi.org/10.1155/2021/2794888##14. Raza K. Improving the prediction accuracy of heart disease with ensemble learning and majority voting rule. U-Healthcare Monitoring Systems 2019; 179-96. https://doi.org/10.1016/B978-0-12-815370-3.00008-6##15. 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]##16. Fitriyani NL, Syafrudin M, Alfian G, Rhee J. Development of disease prediction model based on ensemble learning approach for diabetes and hypertension. IEEE Access 2019;7:144777-89. doi: 10.1109/ACCESS.2019.2945129##17. Rao G. Diagnosis, epidemiology, and management of hypertension in children. Pediatrics 2016;138(2): e20153616. https://doi.org/10.1542/peds.2015-3616##18. Wang YC, Cheng CH. A multiple combined method for rebalancing medical data with class imbalances. Computers in Biology and Medicine 2021;134:104527. https://doi.org/10.1016/j.compbiomed.2021.104527##19. Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: synthetic minority over-sampling technique. Journal of artificial intelligence research. 2002;16:321-57. doi: https://doi.org/10.1613/jair.953##20. Ijaz MF, Alfian G, Syafrudin M, Rhee J. Hybrid prediction model for type 2 diabetes and hypertension using DBSCAN-based outlier detection, synthetic minority over sampling technique (SMOTE), and random forest. Applied Sciences 2018;8(8):1325. https://doi.org/10.3390/app8081325##21. AlKaabi LA, Ahmed LS, Al Attiyah MF, Abdel-Rahman ME. Predicting hypertension using machine learning: Findings from Qatar Biobank Study. Plos one 2020;15(10):e0240370. https://doi.org/10.1371/journal.pone.0240370##22. Bouziane H, Messabih B, Chouarfia A. Profiles and majority voting-based ensemble method for protein secondary structure prediction. Evolutionary Bioinformatics 2011;7:EBO-S7931. https://doi.org/10.4137/EBO.S79##23. Chang W, Liu Y, Xiao Y, Yuan X, Xu X, Zhang S, et al. A machine-learning-based prediction method for hypertension outcomes based on medical data. Diagnostics 2019;9(4):178. https://doi.org/10.3390/diagnostics9040178##24. Lee J, Lee W, Park IS, Kim HS, Lee H, Jun CH. Risk assessment for hypertension and hypertension complications incidences using a Bayesian network. IIE Transactions on Healthcare Systems Engineering 2016;6(4):246-59. https://doi.org/10.1080/19488300.2016.1232767##25. Sokolova M, Lapalme G. A systematic analysis of performance measures for classification tasks. Information Processing & Management 2009;45(4):427-37. https://doi.org/10.1016/j.ipm.2009.03.002## ##

سیستم‌های تصمیم‌یار در تخصیص کلیه پیوندی از دهنده مرگ مغزی: مطالعه مروری ملزومات، چالش‌ها و راه‌کارهای پیشر‌و Clinical decision supports for brain-dead kidney allocation: a review study of requirements, challenges, and solutions 1 1 مقدمه: با تغییر اپیدمیولوژی بیماری‌ها، نارسایی مزمن کلیوی در جهان رشد قابل توجهی را نشان می‌دهد. پیوند کلیه به عنوان یک درمان انتخابی برای بهبود کیفیت زندگی این بیماران می‌باشد. چالش اساسی در زمینه بهرهمندی بهینه از کلیه بیماران مرگ‌مغزی، انتخاب گیرنده مناسب در فرصت بسیار محدود می‌باشد.‏ هدف از این مطالعه، مرور ملزومات طراحی و پیاده‌سازی و ارزیابی سیستم‌های تصمیم‌یار بالینی برای تخصیص کلیه پیوندی از دهنده مرگ مغزی و چالش‌های پیش‌رو بود. روش: این مطالعه مروری حیطه ای با جستجو در پایگاه‌های اطلاعاتی PubMed،Scopus و Google Scholar برای مقالات تمام متن به زبان انگلیسی تا انتهای 2021 انجام شد. آنالیز مقالات بر اساس اهداف مطالعه، فاکتور‌ها و الگوریتم‌‌های مورد استفاده در تصمیم‌گیری برای تطبیق اهداکننده و گیرنده، و نحوه ارزیابی الگوریتم‌ها صورت گرفت. نتایج: دو دسته کلی از فاکتورهای پزشکی (شامل کیفیت کلیه اهدایی) و فاکتورهای عدالت در اکثر الگوریتم‌های تخصیص استفاده شده بود، درباره تعداد، نحوه و ترتیب اعمال تأثیر این فاکتور‌ها در مطالعات مختلف تفاوت وجود داشت. با این که مطالعات چالش‌های متنوعی ذکر کرده بودند، ولی اکثریت آنها تاثیر مثبت سیستم‌های تصمیم‌یار را در مدیریت فرآیند تخصیص گزارش نموده¬اند. نتیجه‌گیری: یکی از چالش‌های اساسی در مدیریت بهینه این فرایند، برخورداری از پروتکل‌ها و الگوریتم‌هایی بومی است که اعضای تیم‌های پیوند در مورد نحوه، ترتیب و وزن هرکدام از فاکتور‌های پزشکی و عدالت در این الگوریتم‌ها اتفاق نظر داشته باشند. با توجه به اینکه در مطالعات مروری الگوریتم‌های مبتنی بر امتیازدهی، بیشترین پذیرش را داشته‌اند، به نظر می‌رسد احتمال استفاده از سیستمی تصمیم‌یار بر این اساس، بیشتر خواهد بود. 2 Introduction: With the change in the epidemiology of diseases, chronic kidney disease has shown a significant increase worldwide. Kidney transplantation is the optimal treatment option to improve patient quality of life. The main challenge in benefiting from a brain-dead patient's kidney is the selection of a right recipient in limited time. The purpose of this study was to review the requirements for designing and implementing clinical decision support systems for allocating brain-dead kidneys and the challenges facing them. Method: This scoping review was conducted by searching Scopus, PubMed, and Google scholar to find full-text English articles published until the end of 2021. The articles were analyzed based on the objectives of the study, the factors used in decision-making for allocation, the algorithms used in the decision-making process, and their outcome evaluations. Results: Two categories of medical (including the quality of the donated kidney) and equity/fairness factors were used in most allocation algorithms. However, the number of factors, the method, and the order of their application were different in different studies. Studies have reported different challenges but a positive impact using decision support systems. Conclusion: One of the main challenges in the proper management of kidney transplants from brain-dead donors is to have local, agreed-upon protocols and algorithms regarding the methods, order, and weight of each of the medical and equity factors in the proposed protocol. Algorithms based on scoring have mostly been favored. Therefore, the probability of using a decision support system on this base seems to be higher. 158 179 2022/08/252022/04/222022/11/172022/08/312022/09/132022/08/30 1401/6/8 2022/11/202022/07/92022/12/62022/11/12022/11/12022/11/29 1401/9/8 مرضیه منیری Marziye Moniri دانشجوی کارشناسی ارشد انفورماتیک پزشکی، گروه فناوری اطلاعات سلامت، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران m.moniri73@yahoo.com 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 خدیجه مخدومی Khadijeh Makhdoomi فوق تخصص نفرولوژی، دانشیار، مرکز تحقیقات نفرولوژی و پیوند کلیه، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران makhdoomikhadijeh@yahoo.com پرویز رشیدی خزاعی Parviz Rashidi Khazaee دکتری تخصصی فناوری اطلاعات، استادیار، گروه مهندسی فناوری اطلاعات و کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایران ایران P.rashidi@uut.ac.ir حبیب الله پیرنژاد Habibollah Pirnejad دکتری تخصصی انفورماتیک پزشکی، دانشیار، مرکز تحقیقات ایمنی بیمار، پژوهشکده تحقیقات بالینی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران pirnejad.h@umsu.ac.ir kidney transplant kidney allocation system cadaver donor clinical decision support system scoring system donor-recipient matching system review study پیوند کلیه سیستم تخصیص کلیه اهداکننده مرگ مغزی سیستم تصمیم یار بالینی سیستم نمره‌دهی سیستم تطبیق اهداکننده و گیرنده کلیه پیوندی مطالعه مروری 1. Stewart DE, Klassen DK. Early experience with the new kidney allocation system: a perspective from UNOS. Clinical Journal of the American Society of Nephrology 2017;12(12):2063-5.##2. Starzl TE, Hakala TR, Tzakis A, Gordon R, Stieber A, Makowka L, Klimoski J, Bahnson HT. A multifactorial system for equitable selection of cadaver kidney recipients. JAMA1987;257(22):3073-3075. doi:10.1001/jama.1987.03390220071023##3. Poli F, Scalamogna M, Cardillo M, Porta E, Sirchia G. An algorithm for cadaver kidney allocation based on a multivariate analysis of factors impacting on cadaver kidney graft survival and function. Transplant International 2000;13(1):S259-62. ##4. Stegall MD. Developing a new kidney allocation policy: the rationale for including life years from transplant. American Journal of Transplantation. 2009;9(7):1528-32. https://doi.org/10.1111/j.1600-6143.2009.02712.x##5. Freeman RB, Matas AT, Henry M, Segev DL, Kaufman DB, Roberts JP. Moving kidney allocation forward: the ASTS perspective. American Journal of Transplantation. 2009;9(7):1501-6. https://doi.org/10.1111/j.1600-6143.2009.02697.x##6. Shapiro R. Kidney allocation and the perception of fairness. American Journal of Transplantation. 2007;7(5):1041-2. https://doi.org/10.1111/j.1600-6143.2007.01765.x##7. Jox R, Assadi G, Marckmann G. Organ Transplantation in Times of Donor Shortage. 1st ed. Springer; 2016.##8. Cardillo M, Scalamogna M, Pizzi C, Poli F, Rebulla P, Taioli E, Sirchia G. Kidney transplantation in the north Italy transplant program. Clinical Transplants 2000:371-3.##9. Gundogar E, Duran FM, Canbolat YB, Turkmen A. Fuzzy organ allocation system for cadaveric kidney transplantation. Transplantation 2005;80(12):1648-53. doi: 10.1097/01.tp.0000183287.04630.05##10. Khazaee PR, Pirnejad H, Bagherzadeh J, Niazkhani Z. Towards Realizing Benefits of Information Technology in Organ Transplant: A Review. Stud Health Technol Inform. 2016;226:29-32.##11. Pirnejad H, Amiri P, Niazkhani Z, Shiva A, Makhdoomi K, Abkhiz S, van der Sijs H, Bal R. Preventing potential drug-drug interactions through alerting decision support systems: a clinical context based methodology. International Journal of Medical Informatics. 2019;127:18-26. https://doi.org/10.1016/j.ijmedinf.2019.04.006##12. Niazkhani Z, Pirnejad H, Khazaee PR. The impact of health information technology on organ transplant care: a systematic review. International Journal of Medical Informatics. 2017;100:95-107. https://doi.org/10.1016/j.ijmedinf.2017.01.015##13. Yuan Y, Feldhamer S, Gafni A, Fyfe F, Ludwin D. The development and evaluation of a fuzzy logic expert system for renal transplantation assignment: Is this a useful tool?. European Journal of Operational Research 2002;142(1):152-73. https://doi.org/10.1016/S0377-2217(01)00271-5##14. Volk ML, Goodrich N, Lai JC, Sonnenday C, Shedden K. Decision support for organ offers in liver transplantation. Liver transplantation. 2015;21(6):784-91. https://doi.org/10.1002/lt.24113##15. Sethi S, Najjar R, Peng A, Mirocha J, Vo A, Bunnapradist S, Jordan SC, Huang E. Allocation of the highest quality kidneys and transplant outcomes under the new kidney allocation system. American Journal of Kidney Diseases 2019;73(5):605-14.##16. Mayer G, Persijn GG. Eurotransplant kidney allocation system (ETKAS): rationale and implementation. Nephrol Dial Transplant 2006 Jan 1;21(1):2-3. doi:10.1093/ndt/gfi269##17. Bang K, Lee HK, Huh W, Lee YJ, Woon BS, Ro H, Hwang YH, Ha J, Park MH, Kim SJ, Park SK. Assessment of deceased donor kidneys using a donor scoring system. Yonsei Medical Journal 2010; 51(6): 870-76. doi: https://doi.org/10.3349/ymj.2010.51.6.870##18. Nyberg SL, Matas AJ, Rogers M, Harmsen WS, Velosa JA, Larson TS, Prieto M, Ishitani MB, Sterioff S, Stegall MD. Donor scoring system for cadaveric renal transplantation. American Journal of Transplantation. 2001;1(2):162-70. https://doi.org/10.1034/j.1600-6143.2001.10211.x##19. Nyberg SL, Matas AJ, Kremers WK, Thostenson JD, Larson TS, Prieto M, et al. Improved scoring system to assess adult donors for cadaver renal transplantation. American Journal of Transplantation 2003;3(6):715-21. https://doi.org/10.1034/j.1600-6143.2003.00111.x##20. Mishelevich DJ, Stastny PE, Ellis RG, Mize SG. Rentran. An on-line computer-based regional kidney transplant matching system. Transplantation. 1976;22(3):223-8. doi: 10.1097/00007890-197609000-00002##21. Hawkins BR. A point score system for allocating cadaveric kidneys for transplantation based on patient age, waiting time and HLA match Hong Kong Journal of Nephrology 2000;2(2):79-83. https://doi.org/10.1016/S1561-5413(09)60041-7##22. Saha C, Zhang J, Yoon SW, Khasawneh M, Srihari K, editors. Selection and Matching of Kidney Donor and Recipient Using Fuzzy Techniques and Analytic Hierarchy Process IIE Annual Conference. Proceedings; Norcross(2012): 1-10.##23. Taherkhani N, Khasha R. A hybrid multi-criteria decision making model for kidney allocation. International Journal of Hospital Research 2018;7(3):62-79.##24. Koyuncugil AS, Ozgulbas N. Donor research and matching system based on data mining in organ transplantation. Journal of Medical Systems 2010;34(3):251-9.##25. Rao PS, Schaubel DE, Guidinger MK, Andreoni KA, Wolfe RA, Merion RM, Port FK, Sung RS. A comprehensive risk quantification score for deceased donor kidneys: the kidney donor risk index. Transplantation. 2009;88(2):231-6. doi: 10.1097/TP.0b013e3181ac620b##26. Yuan Y, Feldhamer S, Gafni A, Fyfe F, Ludwin D. An internet-based fuzzy logic expert system for organ transplantation assignment. International Journal of Healthcare Technology and Management 2001;3(5-6):386-405. https://doi.org/10.1504/IJHTM.2001.001118##27. The OPTN policies OPTN2021 [cited 2022 Nov 1]. Available from: https://optn.transplant.hrsa.gov/media/eavh5bf3/optn_policies.pdf##28. Formica Jr RN. A critical assessment on kidney allocation systems. Transplantation Reviews. 2017;31(1):61-7. https://doi.org/10.1016/j.trre.2016.10.002##29. Friedewald JJ, Samana CJ, Kasiske BL, Israni AK, Stewart D, Cherikh W, Formica RN. The kidney allocation system. Surgical Clinics 2013;93(6):1395-406. doi:https://doi.org/10.1016/j.suc.2013.08.007##30. Najafizadeh K, Gobadi O. Comprehensive education for organ transplant procurement: Iranian society for organ donation; [cited 2022 August 2022]. Available from: https://arums.ac.ir/file/download/page/1577082509-.pdf.##31. Simmerling M. The Case of the National Deceased Organ Donor Waiting List as a Measure of Equity and Equality of Access to Organ Transplantation. ICFAI Journal of Healthcare Law 2006;4(3):15-24.##32. Petrini C. Kidney allocation for transplantation: Some aspects of ethics and comparative law. Transplantation Proceedings 2012; 44(7): 1812-4. https://doi.org/10.1016/j.transproc## ##

مروری روایی بر فناوری بلاکچین در مراقبت سلامت: کاربردها و چالش‌ها A Narrative Review of Blockchain in Healthcare: Applications and challenges 1 1 مقدمه: حوزه سلامت دارای الزامات منحصر به فردی چون امنیت و حریم خصوصی، قابلیت همکاری، اشتراک‌گذاری، انتقال و کنترل دسترسی می‌باشد. از طرفی مزیت‌های بلاکچین و مطابقت این مزیت‌ها با الزامات سلامت، سبب ترغیب محققان به بررسی روش‌های به‌ کارگیری بلاکچین در سلامت شده است. این افزایش سریع تحقیقات پیرامون بلاکچین و سلامت، کاربردهای بسیاری ایجاد کرده است. با وجود پتانسیل بالای این فناوری برای به ‌کارگیری در سلامت، هنوز چالش‌هایی وجود دارد که باید بررسی شود. در این مطالعه، مروری روایی بر کاربردها و چالش‌های بلاکچین در صنعت سلامت ارائه شده است. روش: در این مرور روایی، مطالعات انجام شده تا اکتبر 2022 موجود در پایگاه‌های PubMed، IEEE Xplore، Web of Science و Scopus جستجو و از 254 مطالعه مرتبط، 171 مقاله بر اساس عنوان شناسایی شد. پس از اعمال معیارهای ورود و خروج، در نهایت 30 مطالعه برای بررسی انتخاب شد. نتایج: براساس نتایج، 10 کاربرد بلاکچین در سلامت عبارت‌اند از: اشتراک‌گذاری ایمن داده‌های سلامت، ایجاد پرونده پزشکی الکترونیکی، رهگیری سوابق پزشکی، رهگیری تجویز مواد افیونی، یادگیری عمیق، زنجیره تأمین دارو، کارآزمایی‌های بالینی، مدیریت پاندمی کووید-19 و نظارت بیماران از راه‌ دور. همچنین چالشهای بلاکچین در سلامت عبارت‌اند از: قابلیت همکاری، امنیت و حریم خصوصی، غیر قابل تغییر بودن، مقیاس‌‌پذیری، درگیری بیمار، شفافیت و محرمانه بودن. نتیجه‌گیری: تطابق بین الزامات سلامت و ویژگی‌های بلاکچین، بستری مناسب برای به‌کارگیری این فناوری در سلامت ایجاد کرده است؛ با این وجود چالش‌هایی نیز در مسیر این کاربردها وجود دارد که باید حل شود. 2 Introduction: Healthcare as an industry has unique requirements such as patient security and privacy, interoperability, sharing, transmission, and access control of patient data. On the other hand, the advantages of blockchain technology and the compliance of these advantages with the requirements of the health industry have encouraged researchers to investigate the methods of applying blockchain in healthcare. The rapid increase in blockchain and health research has created many applications. Despite the high potential of this technology for health applications, there are still challenges to be reviewed. In this article, we provide a narrative overview of blockchain applications and challenges in the healthcare industry. Method: In this narrative review, published studies until October 2022 that were accessible in PubMed, IEEE Xplore, Web of Science, and Scopus databases were searched; from 254 related studies, 171 were identified by their titles, and finally, after applying inclusion and exclusion criteria, 30 articles were selected to be reviewed. Results: The results showed that 10 applications of blockchain technology in healthcare are as follows: safe sharing of health data, establishing electronic medical records, medical record tracking, opioid prescription tracking, deep learning, drug supply chain, clinical trials, COVID-19 pandemic management, and remote patient monitoring. The application of blockchain technology in healthcare also has challenges such as interoperability, security and privacy, immutability, scalability, patient engagement, transparency, and confidentiality. Conclusion: The compatibility between the requirements of the health industry and the characteristics of the blockchain has created a suitable platform for the use of this technology in the health industry. However, there are challenges in the path of these applications that must be solved. 180 192 2022/08/252022/04/222022/11/172022/08/312022/09/132022/08/302022/10/22 1401/7/30 2022/11/202022/07/92022/12/62022/11/12022/11/12022/11/292022/11/28 1401/9/7 زهرا انوری سعدی Zahra Anvari Sadi دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران zahra_anvari@modares.ac.ir علی اصغر صفایی Aliasghar Safaei دکترای مهندسی کامپیوتر(نرم افزار)، دانشیار گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران ایران aa.safaei@modares.ac.ir Blockchain Healthcare Applications and Challenges Narrative Review بلاکچین مراقبت سلامت کاربردها و چالش‌ها مرور روایی 1. Kuo TT, Kim HE, Ohno-Machado L. Blockchain distributed ledger technologies for biomedical and health care applications. Journal of the American Medical Informatics Association 2017;24(6):1211-20. https://doi.org/10.1093/jamia/ocx068##2. Agbo CC, Mahmoud QH, Eklund JM. Blockchain technology in healthcare: a systematic review. Healthcare 2019, 7(2), 56; https://doi.org/10.3390/healthcare7020056##3. McGhin T, Choo KK, Liu CZ, He D. Blockchain in healthcare applications: Research challenges and opportunities. Journal of Network and Computer Applications 2019;135:62-75. https://doi.org/10.1093/jamia/ocx068##4. MccCarthy J. MedStar attack found to be ransomware, hackers demand Bitcoin; 2016. Available from: [cited 2020 Dec 20] https://www.healthcareitnews.com/news/medstar-attack-found-be-ransomware-hackers-demand bitcoin ##5. McConaghy T, Marques R, Müller A, De Jonghe D, McConaghy T, McMullen G, et al. Bigchaindb: a scalable blockchain database; 2016. [cited 2019 Oct 10] Available from: https://git.berlin/bigchaindb/site/raw/commit/b2d98401b65175f0fe0c169932ddca0b98a456a6/_src/whitepaper/bigchaindb-whitepaper.pdf##6. Singh C, Chauhan D, Deshmukh SA, Vishnu SS, Walia R. Medi-Block record: Secure data sharing using block chain technology. Informatics in Medicine Unlocked 2021;24:100624. https://doi.org/10.1016/j.imu.2021.100624##7. Magyar G. Blockchain: Solving the privacy and research availability tradeoff for EHR data: A new disruptive technology in health data management. 30th Neumann Colloquium (NC); 2017 Nov 24-25; Budapest, Hungary: IEEE; 2017. p. 135-40. doi: 10.1109/NC.2017.8263269##8. Gordon WJ, Catalini C. Blockchain technology for healthcare: facilitating the transition to patient-driven interoperability. Computational and Structural Biotechnology Journal 2018;16:224-30. https://doi.org/10.1016/j.csbj.2018.06.003##9. Esposito C, De Santis A, Tortora G, Chang H, Choo KK. Blockchain: A panacea for healthcare cloud-based data security and privacy?. IEEE Cloud Computing. 2018;5(1):31-7. doi: 10.1109/MCC.2018.011791712##10. Hussein AF, ArunKumar N, Ramirez-Gonzalez G, Abdulhay E, Tavares JM, de Albuquerque VH. A medical records managing and securing blockchain based system supported by a genetic algorithm and discrete wavelet transform. Cognitive Systems Research 2018;52:1-1. https://doi.org/10.1016/j.cogsys.2018.05.004##11. Guo R, Shi H, Zhao Q, Zheng D. Secure attribute-based signature scheme with multiple authorities for blockchain in electronic health records systems. IEEE Access 2018;6:11676-86. doi: 10.1109/ACCESS.2018.2801266##12. Roehrs A, da Costa CA, da Rosa Righi R, da Silva VF, Goldim JR, Schmidt DC. Analyzing the performance of a blockchain-based personal health record implementation. Journal of Biomedical Informatics 2019;92:103140. https://doi.org/10.1016/j.jbi.2019.103140##13. Margheri A, Masi M, Miladi A, Sassone V, Rosenzweig J. Decentralised provenance for healthcare data. International Journal of Medical Informatics 2020;141:104197. https://doi.org/10.1016/j.ijmedinf.2020.104197##14. Alnafrani M, Acharya S. SecureRx: A blockchain-based framework for an electronic prescription system with opioids tracking. Health Policy and Technology 2021;10(2):100510. https://doi.org/10.1016/j.hlpt.2021.100510##15. Gonzales A, Smith SR, Dullabh P, Hovey L, Heaney-Huls K, Robichaud M, Boodoo R. Potential Uses of Blockchain Technology for Outcomes Research on Opioids. JMIR Med Inform 2021;9(8):e16293. doi: 10.2196/16293##16. Fouladi S, Safaei AA, Mammone N, Ghaderi F, Ebadi MJ. Efficient Deep Neural Networks for Classification of Alzheimer’s Disease and Mild Cognitive Impairment from Scalp EEG Recordings. Cognitive Computation 2022; 14: 1247–68.##17. Kumar R, Wang W, Kumar J, Yang T, Khan A, Ali W, Ali I. An integration of blockchain and AI for secure data sharing and detection of CT images for the hospitals. Computerized Medical Imaging and Graphics 2021;87:101812. https://doi.org/10.1016/j.compmedimag.2020.101812##18. Fouladi S, Ebadi MJ, Safaei AA, Bajuri MY, Ahmadian A. Efficient deep neural networks for classification of COVID-19 based on CT images: Virtualization via software defined radio. Computer communications 2021;176:234-48. https://doi.org/10.1016/j.comcom.2021.06.011##19. Durga R, Poovammal E. FLED-Block: Federated Learning Ensembled Deep Learning Blockchain Model for COVID-19 Prediction. Front Public Health 2022; 10: 892499. doi: 10.3389/fpubh.2022.892499##20. Zoughalian K, Marchang J, Ghita B. A blockchain secured pharmaceutical distribution system to fight counterfeiting. Int. J. Environ. Res. Public Health 2022; 19(7): 4091. https://doi.org/10.3390/ijerph19074091.##21. Engelhardt MA. Hitching healthcare to the chain: An introduction to blockchain technology in the healthcare sector. Technology Innovation Management Review 2017;7(10):22-34. http://doi.org/10.22215/timreview/1111##22. Benchoufi M, Porcher R, Ravaud P. Blockchain protocols in clinical trials: Transparency and traceability of consent. F1000Res 2017; 6: 66. doi: 10.12688/f1000research.10531.5##23. Roman-Belmonte JM, De la Corte-Rodriguez H, Rodriguez-Merchan EC. How blockchain technology can change medicine. Postgraduate Medicine 2018;130(4):420-7. https://doi.org/10.1080/00325481.2018.1472996##24. Funk E, Riddell J, Ankel F, Cabrera D. Blockchain technology: a data framework to improve validity, trust, and accountability of information exchange in health professions education. Academic Medicine 2018;93(12):1791-4.##25. Ng WY, Tan TE, Movva PV, Fang AH, Yeo KK, Ho D, et al. Blockchain applications in health care for COVID-19 and beyond: a systematic review. The Lancet Digital Health 2021;3(12):e819-29. https://doi.org/10.1016/S2589-7500(21)00210-7##26. Rezayi S, Safaei AA, Mohammadzadeh N. Design and evaluation of a wearable smart blanket system for monitoring vital signs of patients in an ambulance. Journal of Sensors 2021;2021. https://doi.org/10.1155/2021/8820740##27. Ramzan S, Aqdus A, Ravi V, Koundal D, Amin R, Al Ghamdi MA. Healthcare applications using blockchain technology: motivations and challenges. IEEE Transactions on Engineering Management 2022; 1 – 17. doi: 10.1109/TEM.2022.3189734##28. Dey T, Jaiswal S, Sunderkrishnan S, Katre N. HealthSense: A medical use case of Internet of Things and blockchain. International conference on intelligent sustainable systems (ICISS); 2017 Dec 7-8; Palladam, India: IEEE; 2017. p. 486-491. doi: 10.1109/ISS1.2017.8389459##29. Saravanan M, Shubha R, Marks AM, Iyer V. SMEAD: A secured mobile enabled assisting device for diabetics monitoring. IEEE International Conference on Advanced Networks and Telecommunications Systems (ANTS); 2017 Dec 17-20; Bhubaneswar, India: IEEE; 2017. p. 1-6. doi: 10.1109/ANTS.2017.8384099##30. Gatteschi V, Lamberti F, Demartini C, Pranteda C, Santamaría V. Blockchain and smart contracts for insurance: Is the technology mature enough?. Future Internet 2018; 10(2): 20. https://doi.org/10.3390/fi10020020## ##

هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare 1 1 مقاله از نوع نامه به سردبیر است لذا فاقد چکیده می باشد. 2 The article is a letter to the editor, so it has no abstract. 193 195 2022/08/252022/04/222022/11/172022/08/312022/09/132022/08/302022/10/222023/01/24 1401/11/4 2022/11/202022/07/92022/12/62022/11/12022/11/12022/11/292022/11/282023/01/24 1401/11/4 امیرحسین نبی‌زاده Amirhosein Nabizadeh دکترای هوش مصنوعی، موسسه مهندسی سیستم‌ها و کامپیوتر - تحقیق و توسعه، لیسبون، پرتغال/ مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران hossein.nabizadeh.r@gmail.com Artificial Intelligence Healthcare هوش مصنوعی سلامت 1. Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism 2017;69S:S36-S40. doi: 10.1016/j.metabol.2017.01.011.##2. Haenlein M, Kaplan A. A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California Management Review 2019;61(4):5-14. doi:10.1177/0008125619864925##3. Smith RG, Eckroth J. Building AI applications: Yesterday, today, and tomorrow. AI Magazine 2017;38(1):6-22. doi: https://doi.org/10.1609/aimag.v38i1.2709##4. Salmanpour MR, Hosseinzadeh M, Akbari A, Borazjani K, Mojallal K, Askari D, et al. Prediction of TNM stage in head and neck cancer using hybrid machine learning systems and radiomics features. Proceedings Volume 12033, Medical Imaging 2022: Computer-Aided Diagnosis; 2022 Apr 2; San Diego, California, United States: SPIE Medical Imaging; 2022. p. 648-53. https://doi.org/10.1117/12.2612998##5. Salmanpour MR, Hosseinzadeh M, Bakhtiari M, Ghaemi MM, Rezaeijo SM, Nabizadeh AH, et al. Cognitive Outcome Prediction in Parkinson’s Disease using Hybrid Machine Learning Systems and Radiomics Features. Journal of Nuclear Medicine 2022; 63(supplement 2): 3233.##6. Ferrucci DA. Introduction to “This is Watson”. IBM Journal of Research and Development 2012;56(3.4):1. doi: 10.1147/JRD.2012.2184356##7. Szolovits P. Artificial Intelligence in Medicine. 1st ed. New York: Routledge; 2020.##8. Davenport TH, Ronanki R. Artificial intelligence for the real world. Harvard Business Review 2018;96(1):108-16.##9. Yeasmin S. Benefits of artificial intelligence in medicine. 2nd International Conference on Computer Applications & Information Security (ICCAIS); 2019 May 1-3; Riyadh, Saudi Arabia: IEEE; 2019. p. 1-6. doi: 10.1109/CAIS.2019.8769557##10. Kiener M. Artificial intelligence in medicine and the disclosure of risks. Ai & Society 2021;36(3):705-13.## ##