1402 10 4 38 402

تشخیص خودکار و دقیق بیماری آلزایمر از روی تصاویر MRI به وسیله‌ شبکه عصبی کانولوشنی عمیق بهبود یافته Automatic and Accurate Diagnosis of Alzheimer's Disease from MRI Images Improved by Deep Convolutional Neural Network 1 1   مقدمه: شناسایی و تشخیص بیماری آلزایمر موجود در بافت مغز از چالش‌های جدی شناسایی در حوزه پردازش تصاویر پزشکی است. در حال حاضر MRI، متداول‌ترین راه تشخیص آلزایمر در بین روش‌های تصویربرداری می‌باشد. عدم شناسایی صحیح بافت درگیر می‌تواند منجر به تشخیص نادرست به عنوان بافت سالم مغزی شود. الگوریتم یادگیری عمیق به عنوان فرآیند تشخیص ویژگی‌های مرتبط، اطلاعات مفید را استخراج می‌کند؛ لذا این پژوهش سعی دارد با استفاده از شبکه عصبی کانولوشنال در پردازش تصاویر پزشکی با دقت بهتری، نسبت به کارهای گذشته در تشخیص، انجام دهد. روش: با استفاده از شبکه عصبی کانولوشنی طراحی شده استخراج ویژگی‌های تصاویر  T1MRI  صورت گرفته است. تصاویر آلزایمر با استفاده از نرم افزار Matlab2023a تحلیل شده‌اند و خروجی‌های مد نظر حاصل شده‌اند. نتایج: تصاویر آلزایمر مغزی T1 پس از پیش پردازش و ورود به شبکه عصبی عمیق طراحی شده، مورد بررسی قرار گرفته‌اند که در خروجی حاصل از الگوریتم پیشنهادی، دقت شناسایی و سرعت شناسایی الگوریتم با بهبود ابر پارامترها در مقایسه با سایر روش‌های معمول بالاتر بود که دقت 96% و حساسیت 100% در شناسایی ارائه کرده است. نتیجه‌گیری: هدف از الگوی یادگیری عمیق این است که داده‌های تصویری با ابعاد بزرگ و تعداد زیاد  به شکل قابل فهم برای ماشین‌ها درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار گیرد.   2 Introduction: Identifying and diagnosing Alzheimer's disease in brain tissue is one of the serious challenges in diagnosis in the field of medical image processing. Currently, MRI is the most common way to diagnose Alzheimer's disease, and failure to correctly identify the tissue involved in it can lead to incorrect diagnosis as healthy brain tissue. Deep learning algorithm as a process of detecting features related to damaged tissue and extracting useful information. In this research, we decided to use the convolutional neural network in the processing of medical images so that we can perform the diagnosis with better accuracy than the previous works. Methods: Using a convolutional neural network, the features of MRI images have been extracted. Alzheimer's images have been analyzed using Matlab2023a software and the intended outputs have been obtained. Results: Brain Alzheimer's images have been analyzed after pre-processing and entering the deep neural network, and in the output of the proposed algorithm, the identification accuracy and identification speed of the algorithm with the improvement of cloud parameters was higher compared to other common methods, which was 96% accuracy. presented in identification. Conclusion: The purpose of using deep learning is to make image data with large dimensions and a large number into a conceptual form for machines. It is expected that in the future feature extraction will be done more accurately and more details will be available to machine vision systems to recognize objects in the image.   326 336 2023/09/10 1402/6/19 2023/12/16 1402/9/25 مهسا تقوی زاده Mahsa Taghavizadeh کارشناسی ارشد مکاترونیک، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران ایران m.taghavizadeh@student.uma.ac.ir مهدی نوشیار Mehdi Nooshyar دکترا مخابرات سیستم، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران ایران Nooshyar@uma.ac.ir عادل اکبری مجد Adel Akbarimajd دکترا رباتیک، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران ایران akbarimajd@uma.ac.ir سهند شاهعلی نژاد Sahand Shahalinezhad کارشناسی ارشد مهندسی پزشکی، گروه مهندسی پزشکی، مؤسسه آموزش عالی ارومیه، ارومیه، ایران ایران m.s.shahalinejad@urumi.ac.ir Alzheimer's disease convolutional neural network deep learning MRI images بیماری آلزایمر شبکه عصبی کانولوشن یادگیری عمیق تصاویر MRI 1. Leinonen V, Alafuzoff I, Aalto S, Suotunen T, Savolainen S, Någren K, et al. Assessment of β-amyloid in a frontal cortical brain biopsy specimen and by positron emission tomography with carbon 11–labeled Pittsburgh Compound B. Arch Neurol 2008;65(10):1304-9. doi:10.1001/archneur.65.10.noc80013##2. Petersen RC. Mild cognitive impairment as a diagnostic entity. J Intern Med 2004;256(3):183-94. doi: 10.1111/j.1365-2796.2004.01388.x.##3. Braak H, Rüb U, Schultz C, Tredici KD. Vulnerability of cortical neurons to Alzheimer's and Parkinson's diseases. J Alzheimers Dis 2006;9(3 Suppl):35-44. doi: 10.3233/jad-2006-9s305.##4. Walsh DM, Selkoe DJ. Aβ oligomers–a decade of discovery. J Neurochem 2007;101(5):1172-84. doi: 10.1111/j.1471-4159.2006.04426.x.##5. Prasher VP, Farrer MJ, Kessling AM, Fisher EM, West RJ, Barber PC, et al. Molecular mapping of Alzheimer‐type dementia in Down's syndrome. Ann Neurol 1998;43(3):380-3. doi: 10.1002/ana.410430316.##6. Brooks WS, Kwok JB, Kril JJ, Broe GA, Blumbergs PC, Tannenberg AE, et al. Alzheimer’s disease with spastic paraparesis and ‘cotton wool’plaques: two pedigrees with PS‐1 exon 9 deletions. Brain 2003;126(4):783-91. doi: 10.1093/brain/awg084.##7. Brayne C, Richardson K, Matthews FE, Fleming J, Hunter S, Xuereb JH, et al. Neuropathological correlates of dementia in over-80-year-old brain donors from the population-based Cambridge city over-75s cohort (CC75C) study. J Alzheimers Dis 2009;18(3):645-58. doi: 10.3233/JAD-2009-1182.##8. Nelson PT, Braak H, Markesbery WR. Neuropathology and cognitive impairment in Alzheimer disease: a complex but coherent relationship. J Neuropathol Exp Neurol 2009;68(1):1-14. doi: 10.1097/NEN.0b013e3181919a48.##9. Castellani RJ, Lee HG, Zhu X, Perry G, Smith MA. Alzheimer disease pathology as a host response. J Neuropathol Exp Neurol 2008;67(6):523-31. ##10. Janssen JC, Lantos PL, Fox NC, Harvey RJ, Beck J, Dickinson A, et al. Autopsy-confirmed familial early-onset Alzheimer disease caused by the l153V presenilin 1 mutation. Arch Neurol 2001;58(6):953-8. doi: 10.1001/archneur.58.6.953.##11. Koch W, Teipel S, Mueller S, Benninghoff J, Wagner M, Bokde AL, et al. Diagnostic power of default mode network resting state fMRI in the detection of Alzheimer's disease. Neurobiology of Aging 2012;33(3):466-78. https://doi.org/10.1016/j.neurobiolaging.2010.04.013##12. Zhang Y, Wang S. Detection of Alzheimer’s disease by displacement field and machine learning. Peer J 2015;3:e1251.##13. Bhatkoti Pushkar MP. Early Diagnosis of Alzheimer’s Disease: A Multi-class Deep Learning Framework with Modified k-sparse Autoencoder Classification.##14. Feng C, Elazab A, Yang P, Wang T, Zhou F, Hu H, et al. Deep learning framework for Alzheimer’s disease diagnosis via 3D-CNN and FSBi-LSTM. IEEE Access 2019;7:63605-18. doi: 10.1109/ACCESS.2019.2913847##15. Islam J, Zhang Y. Brain MRI analysis for Alzheimer’s disease diagnosis using an ensemble system of deep convolutional neural networks. Brain Informatics 2018;5:1-4.##16. Liu M, Li F, Yan H, Wang K, Ma Y, Shen L, et al. Alzheimer’s Disease Neuroimaging Initiative. A multi-model deep convolutional neural network for automatic hippocampus segmentation and classification in Alzheimer’s disease. Neuroimage 2020;208:116459.##17. Mikolov T, Sutskever I, Chen K, Corrado GS, Dean J. Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems 2013;26.##18. Ren J, Xu L. On Vectorization of Deep Convolutional Neural Networks for Vision Tasks. Proceedings of the AAAI Conference on Artificial Intelligence 2015; 29(1). https://doi.org/10.1609/aaai.v29i1.9488 ##19. Deng L. A tutorial survey of architectures, algorithms, and applications for deep learning. APSIPA Transactions on Signal and Information Processing 2014;3:e2. ##20. Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks 2015;61:85-117. ##21. Bengio Y. Deep learning of representations: Looking forward. InInternational conference on statistical language and speech processing. Berlin, Heidelberg: Springer; 2013. p. 1-37.##22. Bengio Y. Learning deep architectures for AI. Foundations and trends® in Machine Learning 2009;2(1):1-27.##23. The Cancer Imaging Archive (TCIA). https://www.cancerimagingarchive.net/##24. Al-Jumeily D, Iram S, Vialatte FB, Fergus P, Hussain A. A novel method of early diagnosis of Alzheimer’s disease based on EEG signals. The Scientific World Journal 2015;2015. ##25. Elgandelwar SM, Bairagi VK. Analysis of eeg signals for diagnosis of alzheimer disease. International Journal of Scientific and Engineering Research 2016;7(1):529-32.##26. Rodriguez-Herrejon J, Camarena-Ibarrola A, Figueroa K. Automatic Diagnosis of Alzheimer Disease from Electroencephalograms. IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC); 2019 Nov 13; Ixtapa, Mexico: IEEE; 2019. p. 1-6. ##27. Chakladar DD, Chakraborty S. EEG based emotion classification using “correlation based subset selection”. Biologically Inspired Cognitive Architectures 2018;24:98-106.## ##

ارزیابی کیفیت خدمات واحد فن‌آوری اطلاعات سه بیمارستان منتخب شهر اصفهان با استفاده از مدل سروپرف غیروزنی Quality Assessment of the Information Technology (IT) Unit Services in Three Selected Hospitals in Isfahan City Using the Unweighted SERVPERF Model 1 1 مقدمه: با توجه به جایگاه واحد فن آوری اطلاعات در زمینه حفظ، نگهداشت و ارتقای سیستم‌های اطلاعاتی و ارائه اطلاعات به هنگام به افراد مختلف، خدماتی که در این واحد ارائه می‌شود باید دارای کیفیت بالا باشد. در همین راستا، پژوهش حاضر با هدف ارزیابی کیفیت خدمات واحد فن‌آوری اطلاعات در سه بیمارستان منتخب شهر اصفهان با استفاده از مدل سروپرف انجام شد. روش: پژوهش حاضر از نوع کمی و کاربردی است. جامعه آماری کلیۀ کارکنان خدمت گیرنده از واحد فن‌آوری اطلاعات بیمارستان‌های دانشگاهی شهر اصفهان بود. حجم نمونه بر اساس جدول مورگان 351 نفر به دست آمد. کیفیت خدمات واحد فن‌آوری در بیمارستان‌های مورد بررسی  با استفاده از پرسشنامه استاندارد مدل سروپرف (غیر وزنی) در پنج حیطه مورد بررسی قرار گرفت. نتایج: نتایج نشان داد میانگین به دست آمده برای کیفیت کلی خدمات واحد فن آوری اطلاعات برابر 3/23 بود که از نظر آماری با مقدار متوسط 3‌، تفاوت معنی دار داشت (0/05>p). بالاترین میانگین را ابعاد قابلیت اطمینان با میانگین 3/28 و پاسخگویی با میانگین 3/25 و کمترین میانگین را ابعاد فیزیکی و ملموسات با میانگین 3/14 داشتند. نتیجه‌گیری: باتوجه به نتایج به دست آمده مبنی بر شکاف منفی موجود در کیفیت خدمات واحد فناوری اطلاعات بیمارستان ها پیشنهاد می گردد به منظور بالا بردن کیفیت خدمات در بعدهای همدلی، پاسخگویی بهتر، جلب رضایت، تواضع و حسن نیت و به روز بودن اطلاعات کلاس‌های آموزشی به صورت مدون برای کارکنان واحد فناوری اطلاعات برگزار گردد.   2 Introduction: Considering the crucial role of IT unit in maintaining, preserving, and enhancing information systems and providing timely information to various individuals, the services provided by this unit must be of high quality. In this regard, the present study aimed to evaluate the quality of services provided by the Information Technology unit in three selected hospitals in Isfahan city using the SERVPERF model. Method: This is a quantitative and applied study. The statistical population consisted of all the employees who received service from the information technology unit in the educational hospitals of Isfahan city. The sample size was 351 people based on the Morgan’s table. The service quality of the information technology unit in the studied hospitals was investigated using the standard questionnaire of the SERVPERF model (non-weighted) in five areas. Results: The average of service quality of the information technology unit was 3.23, which had a statistically significant difference with the average value of 3 (P<0.05). The highest average is related to reliability (3.28) and responsiveness (3.25), respectively. The lowest average is related to the physical and tangible dimensions (3.14). Conclusion: The results show a negative gap in the service quality of information technology units in hospitals. To improve the quality of services in the dimensions of empathy, responsiveness, satisfaction, humility, goodwill, and information updates, regular training classes should be held for the employees of the information technology unit. 337 345 2023/09/102023/08/23 1402/6/1 2023/12/162024/03/5 1402/12/15 حسین باقریان Hossein Bagherian دکتری مدیریت اطلاعات سلامت، استادیار، مرکز تحقیقات فناوری اطلاعات در امور سلامت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران h_bagherian1924@yahoo.com سکینه سقائیان نژاد اصفهانی Sakineh Saghaeiannejad Isfahani دکتری مدیریت اطلاعات سلامت، استادیار، مرکز تحقیقات فناوری اطلاعات در امور سلامت، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران ایران saghaeiannejad@gmail.com Information Technology Service Quality Hospital Evaluation SERVPERF فن‌آوری اطلاعات کیفیت خدمات بیمارستان ارزیابی سروپرف 1. Vakilimofrad HZ. Hospital information system and its role in the development of medical and health services: a review. Pajouhan Sci J 2013; 11(1): 8-12. [In Persian]##2. Shokrizadeh Arani L, Karami M. The Effects of Information Technology on the Improvement of Health Systems in the Viewpoint of the Staff of Beheshti Hospital in Kashan. Health Information Management 2012; 8(6): 835-41. [In Persian]##3. Tamjid S, Rezaei Sharifabadi S. Study of Effective Usage of Information Technology by Residents in Iran University of Medical Sciences. Journal of Health Administration 2010; 13(40): 23-30. [In Persian]##4. Esmaeilzadeh Z, Choobin N, Ashkani N, Kamalipour M. Investigating the Feasibility of Implementing IT Capabilities in Bandar Abbas University Hospitals in 2014. Journal of Modern Medical Information Sciences 2016; 2(2): 45-50. [In Persian]##5. Rollman BL, Hanusa BH, Lowe HJ, Gilbert T, Kapoor WN, Schulberg HC. A randomized trial using computerized decision support to improve treatment of major depression in primary care. J Gen Intern Med 2002;17(7):493-503. doi: 10.1046/j.1525-1497.2002.10421. x. ##6. Bertsche T, Pfaff J, Schiller P, Kaltschmidt J, Pruszydlo MG, Stremmel W, et al. Prevention of adverse drug reactions in intensive care patients by personal intervention based on an electronic clinical decision support system. Intensive Care Med 2010;36(4):665-72. doi: 10.1007/s00134-010-1778-8.##7. Walsh MN, Yancy CW, Albert NM, Curtis AB, Stough WG, Gheorghiade M, et al. electronic health records and quality of care for heart failure. Am Heart J 2010;159(4):635-42. doi: 10.1016/j.ahj.2010.01.006.##8. Riazi H, Bitaraf E, Abedian S. Development of health information technology system. Ministry of Health and Medical Education, 2012. Available from: it.behdasht.gov.ir/…/101_1754_Health. [In Persian]##9. Laal M. Health information technology benefits. AWER Procedia Inf Technol Comput Sci 2012;2012(1):1498-501.##10. Shahi M, Sadoughi F, Ahmadi M, Davaridolatabadi N. The Current State of IT Governance in Education and Training Centers in Iran University of Medical Sciences: A Qualitative Study. Journal of Health and Biomedical Informatics 2015;2(2):94- 105. [In Persian]##11. Ghoseyri K, Pishdad S. Information Technology Departments’ Service Quality Measurement. Journal of Management Knowledge 2007; 19(4): 71-90. [In Persian] ##12. Mirghafoori SH, Sangbor MA, Jalilian N. Strategic analysis of Municipality’s service quality using combination of servperf model and BCG matrix by gray relational analysis method. Industrial Management Journal 2015;7(3):587-606. [In Persian]##13. Hejazi SY, Rajabiyan Gharib F, Omid M. Comparison of services quality assessment models between students from teaching and learning process quality by using artificial neural network. Iranian Journal of Agricultural Economics and Development Research 2014;45(4):663-72. [In Persian]##14. Faraji VR, Ghayour Baghbani M, Arabshahi M. Investigating and measuring service quality based on the SERVPERF model and its relationship with customer satisfaction in branches of Maskan Bank in Khorasan Razavi province [dissertation]. Shahrood: Islamic Azad University Shahrood Branch; 2014.##15. Zarei E, Ghazi Tabatabai SM, Rahimi Forushani A, Rashidiyan A, Arab M. Hospital Services Quality from Patients' Point of View: A Cross-Sectional Study in Tehran Private Hospitals. Payavard Salamat 2012; 5(4):66-76. [In Persian]##16. Keimasi M, Karimi O, Rastian Ardestani H. Assessment of service quality of Tehran clinical diagnostic laboratories using the SERVIMPERF model. Journal of School of Public Health and Institute of Public Health Research 2015; 12(4):29-42. [In Persian]##17. Ramin Najafi R, Khorasani A, Mohammadi R, Galavi M. Assessing the Quality of Educational Services Based on SERVQUAL Model. Journal of Educational Measurement and Evaluation Studies 2014;6(4): 11-27. [In Persian]##18. Ebrahimian T, Salehi Mobarake A, Rejalian F, Jabbari A. Evaluation of the Nursing Services Quality from the Patient Perspective by Using the Kano and SERVQUAL Combines Model. Health Research Journal 2017;2(2):117-23. doi:10.18869/acadpub.hrjbaq.2.2.117##19. Khaki M, Kargar M, Parham M, Mohebi S. Survey the quality of provided services in out-patient’s clinics of shiraz training hospitals based on the model of SERVQUAL in 2014. Iranian Journal of Nursing Research 2015;10(3):81-8. [In Persian]##20. Yavari Z, Mohammad-Shafiee M, Ghauor F. Evaluating the service quality of selected specialized medical clinics in Shiraz city, Iran, using SERVQUAL model. Health Information Management 2018;14(6):236-42. [In Persian] https://doi.org/10.22122/him.v14i6.3355##21. Esteki R, Attafar A. Quality of nursing services (contemporary level of reality and level of expectation) from nurse's viewpoint on the basis of SERVQUAL Model in Al-Zahra Hospital in Isfahan (2010). Modern Care Journal 2012;9(2): 72-9. [In Persian]##22. Baradaran Kazemzadeh R, Sepehri M, Firouzi Jahantigh F. Department of Industrial Engineering, Faculty of Engineering, Tarbiat Modares University, Tehran, Iran. Journal of Hospital 2014; 12(4) :41-50. [In Persian]##23. Le P, Fitzgerald G. Applying the SERVPERF scale to evaluate quality of care in two public hospitals at Khanh Hoa Province, Vietnam. Asia Pacific Journal of Health Management 2014;9(2):66-76.##24. Shaikh B, Mobeen N, Azam S, Rabbani F. Using SERVQUAL for assessing and improving patient satisfaction at a rural health facility in Pakistan. East Mediterr Health J 2008;14(2):447-56.##25. Arunasalam M, Paulson A, Wallace W. Service quality assessment of workers' compensation health care delivery programs in New York State using SERVQUAL. Health Mark Q 2003;21(1-2):29-64. doi: 10.1300/J026v21n01_03.##26. Roses LK, Hoppen N, Ballaz B, Freire KD. Quality Evaluation in Information Systems Outsourcing. 11th International Conference of the Association Information and Management (AIM); 2006 Jun 8-9; Luxembourg: AIM; 2006. p. 268-80.##27. Jebraeily M, Rahimi B, Fazlollahi ZZ, Afshar HL. Using SERVQUAL model to assess hospital information system service quality. Hormozgan Med J 2019; 23(1): e86977. doi:10.5812/hmj.86977##28. Saraei S, Amini AM. A study of service quality in rural ICT renters of Iran by SERVQUAL. Telecommunications Policy 2012; 36(7):571–8. doi:10.1016/j.telpol.2012.03.002 ##29. Landrum HT, Prybutok VR, Zhang X, Peak DA. Measuring IS system service quality with SERVQUAL: Users’ perceptions of relative im portance of the five SERVPERF dimensions. Informing Science, The International Journal of an Emerging Transdiscipline 2009; 12:17–35. doi:10.28945/426##30. Ershadi MJ, Niaki ST, Sadeghee R. Evaluation and improvement of service quality in information technology department of a detergent production company using the SERVQUAL approach. International Journal of Services and Operations Management 2019; 34(2):228-40. doi:10.1504/IJSOM.2019.10024665##31. Gorla N, Somers TM, Wong B. Organizational impact of system quality, information quality, and service quality. The Journal of Strategic Information Systems 2010; 19(3):207–28. https://doi.org/10.1016/j.jsis.2010.05.001## ##

ارائه الگوریتمی هوشمند جهت پیش‌بینی سکته قلبی Presenting an Intelligent Algorithm to Predict Heart Attack 1 1 مقدمه: امروزه یکی از شایع‌ترین علت مرگ بزرگسالان در سراسر دنیا سکته قلبی می‌باشد. طبق اعلام وزارت بهداشت، درمان و آموزش پزشکی، 11 تا 15 درصد مرگ و میرها در کشور ناشی از سکته قلبی است و در جهان،  ایران بالاترین آمار مرگ ناشی از بیماری قلبی را دارا می‌باشد. تخمین زده شده که در سال 2022‌، مرگ و میر ناشی از این بیماری‌ها به 20 میلیون نفر افزایش یابد؛ بنابراین پیش‌بینی کردن این بیماری از جمله مباحث چالش برانگیز در مبحث پزشکی می‌باشد و امروزه اکثر سیستم‌های پیش‌بینی با استفاده از الگوریتم‌های هوش مصنوعی و یادگیری ماشین به وجود آمده‌اند. روش: پژوهش حاضر از نوع کاربردی و توصیفی است، که در سال 1401 با استفاده از اطلاعات ۶00 نفر از افراد مراجعه کننده به بیمارستان پیمانیه و مطهری شهرستان جهرم انجام شده است. در این پژوهش داده‌ها بر اساس منابع موجود از هر دو بیمارستان جمع‌آوری شدند. به منظور پیاده‌سازی و ارزیابی نتایج از زبان برنامه‌نویسی متلب استفاده شده است. نتایج: پارامترهای به‌کاررفته در این پژوهش جزء پارامترهای دسته‌بندی می‌باشد که شامل: نرخ دسته‌بندی، صحت، فراخوان و F سنجش می‌باشند که به‌ترتیب مقادیر 90/7، 90/2، 91/5 و 90/8  به ‌دست ‌آمده است. نتیجه‌گیری: نتایج نشان می‌دهند که مدل پیشنهادی قادر خواهد بود که با درصد بالایی احتمال وقوع سکته را پیش‌بینی کند 2 Introduction: Today, heart attack is one of the most common causes of death in adults all over the world. According to the announcement of the Ministry of Health, Treatment, and Medical Education, 11 to 15 percent of deaths in Iran are caused by heart attacks, and in the world, Iran has the highest number of deaths due to heart disease in 2022. It has been estimated that deaths from these diseases will increase to 20 million people. Therefore, predicting this disease is one of the most challenging topics in the medical field, and today most prediction systems are created using artificial intelligence and machine learning algorithms. Method: This applied and descriptive research was conducted in 2022 using the information of 600 people who referred to Peymaniyeh and Motahari hospitals in Jahrom city. In this research, data were collected based on the available sources from both hospitals. To implement and evaluate the results, MATLAB programming language was used. Results: The parameters used in this research are among the classification parameters, including classification rate, precision, recall, and F-measure, which were obtained as 90.7, 90.2, 91.5, and 90.8, respectively. Conclusion: The results show that the proposed model will be able to predict the probability of stroke with a high percentage. 346 356 2023/09/102023/08/232023/03/4 1401/12/13 2023/12/162024/03/52024/02/12 1402/11/23 محمدجواد حسین پور Mohammadjavad Hosseinpoor عضو هیأت علمی و استادیار بخش مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد استهبان، استهبان، ایران ایران hosseinpoor.mohammadjavad@gmail.com Heart attack Disease prediction Intelligent model Machine learning Support vector machine سکته قلبی تشخیص بیماری مدل هوشمند یادگیری ماشین ماشین بردار پشتیبان 1. Saadi P, Zainal Nejad M, Mohdi Sobhani F. Modeling and predicting the probability of coronary heart disease using data mining algorithms. Journal of Health and Biomedical Informatics 2021; 8(2): 193-207. [In Persian]##2. Golkar A, Malekhosseini R, RahimiZadeh K, Yazdani A, Beheshti A. Development of a Model for Predicting Heart Attack Based on Fog Computing. Journal of Health and Biomedical Informatics 2021;8(3):326-37. [In Persian]##3. Hosseinpoor M. Predicting Gestational Diabetes Using an Intelligent Algorithm Based on Artificial Neural Network. Journal of Modern Medical Information Sciences 2022;8(2):126-39. [In Persian]##4. Hamil-Luker J, Angela MO. Black/white differences in the relationship between debt and risk of heart attack across cohorts. SSM-Population Health 2023;22:101373. https://doi.org/10.1016/j.ssmph.2023.101373##5. Fukuoka Y, Oh YJ. Perceived heart attack likelihood in adults with a high diabetes risk. Heart & Lung 2022;52:42-7. https://doi.org/10.1016/j.hrtlng.2021.11.007##6. Jomaa RM, Islam MS, Mathkour H, Al-Ahmadi S. A multilayer system to boost the robustness of fingerprint authentication against presentation attacks by fusion with heart-signal. Journal of King Saud University-Computer and Information Sciences 2022;34(8):5132-43. https://doi.org/10.1016/j.jksuci.2022.01.004##7. Alrowais F, Mohamed HG, Al-Wesabi FN, Al Duhayyim M, Hilal AM, Motwakel A. Cyber attack detection in healthcare data using cyber-physical system with optimized algorithm. Computers and Electrical Engineering 2023;108:108636. https://doi.org/10.1016/j.compeleceng.2023.108636##8. Bray J, Howell S, Nehme Z, Buttery A, Stub D, Cartledge S, et al. Declining public awareness of heart attack warning symptoms in the years following an Australian public awareness campaign: A cross-sectional study. Heart, Lung and Circulation 2023;32(4):497-505. https://doi.org/10.1016/j.hlc.2023.01.010##9. Yoon H, Ahn KO, Park JH, Lee SY. Effects of pre-hospital re-arrest on outcomes based on transfer to a heart attack centre in patients with out-of-hospital cardiac arrest. Resuscitation 2022;170:107-14. https://doi.org/10.1016/j.resuscitation.2021.11.012##10. Campbell-Gale HK, Fletcher AJ, Reed MG. “A heart attack away from boarding up Main Street”: How neoliberalization of farming shapes adaptive capacity to climate change in rural and small-town Saskatchewan, Canada. Journal of Rural Studies 2023;97:365-74. https://doi.org/10.1016/j.jrurstud.2022.12.031##11. Alshehri MA. Cardioprotective properties of Artemisia herba alba nanoparticles against heart attack in rats: A study of the antioxidant and hypolipidemic activities. Saudi Journal of Biological Sciences 2022;29(4):2336-47. https://doi.org/10.1016/j.sjbs.2021.12.009##12. Rezaee V. Presenting a Meta-Heuristic Algorithm to Detect Regulatory Elements in the Genome of Breast Cancer Patients. Journal of Advanced Biomedical Sciences 2020;10(1):2070-80. [In Persian] doi: 20.1001.1.22285105.2020.10.1.5.5 ##13. Javaheri D, Gorgin S, Lee JA, Masdari M. Fuzzy logic-based DDoS attacks and network traffic anomaly detection methods: Classification, overview, and future perspectives. Information Sciences 2023; 626: 315-38. https://doi.org/10.1016/j.ins.2023.01.067##14. Rajasekaran P, Magudeeswaran V. Malicious attacks detection using GRU-BWFA classifier in pervasive computing. Biomedical Signal Processing and Control 2023;79:104219. https://doi.org/10.1016/j.bspc.2022.104219##15. Hosseinpoor M, Parvin H, Nejatian S. Detection and extraction of potential promoter/enhancer interactions in genome of cancer patients using an evolutionary multi-objective algorithm. Journal of Health and Biomedical Informatics 2018;5(2):304-13. [In Persian]##16. Ahmed H, Younis EM, Hendawi A, Ali AA. Heart disease identification from patients’ social posts, machine learning solution on Spark. Future Generation Computer Systems 2020;111:714-22. https://doi.org/10.1016/j.future.2019.09.056##17. Tuli S, Basumatary N, Gill SS, Kahani M, Arya RC, Wander GS, et al. 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. https://doi.org/10.1016/j.future.2019.10.043##18. Chang V, Bhavani VR, Xu AQ, Hossain MA. An artificial intelligence model for heart disease detection using machine learning algorithms. Healthcare Analytics. 2022;2:100016. https://doi.org/10.1016/j.health.2022.100016##19. Dietterich TG. Ensemble methods in machine learning. InInternational workshop on multiple classifier systems. Berlin, Heidelberg: Springer; 2000. p. 1-15. https://doi.org/10.1007/3-540-45014-9_1## ##

مدل‌سازی in silico یک پروتئین Cas9 جهش یافته با هدف افزایش دقت ویرایش ژنوم In Silico Modeling of a Mutant Cas9 Protein for High-Fidelity Genome Editing 1 1 مقدمه: سیستم CRISPR/Cas، سیستم ایمنی اکتسابی باکتری­ها در مقابله با عوامل مهاجم خارجی است. پروتئین Cas9 باکتری استرپتوکوکوس پیوژنز، رایج­ترین پروتئین Cas استفاده شده در ویرایش ژنوم می­باشد؛ اما پروتئین­های Cas9 دارای مشکلاتی مانند وقوع جهش­های نابه‌جا هستند که مانعی مهم در مسیر به کارگیری آن­ها برای مقاصد درمانی می­باشد. هدف از این مطالعه، طراحی یوانفورماتیکی یک پروتئین Cas9 جهش یافته به منظور افزایش دقت آنزیم در امر ویرایش ژنوم است.  روش: در این مطالعه ابتدا با انتخاب برخی از جهش­ها و اعمال آن در پروتئین، Cas9 جدید به صورت in silico طراحی شد. با روش داکینگ مولکولی نحوه اتصال spCas9 جهش یافته و وحشی به DNA مورد بررسی قرار گرفت. در آخر، پایداری دو پروتئین جهش یافته و وحشی با استفاده از دینامیک مولکولی مورد ارزیابی قرار گرفت. نتایج: نتایج این مطالعه منجر به طراحی یک پروتئین جهش یافته با 5 جهش شد. نتایج داکینگ مولکولی امتیاز 1073/86- را برای پروتئین تیپ وحشی و امتیاز 349/41- را برای پروتئین جهش یافته نشان داد. نتیجه‌گیری: بررسی داکینگ مولکولی نشان داد که از پیوندهای بین پروتئین و DNA در حالت جهش یافته کاسته شده است. همچنین، نتایج دینامیک مولکولی نشان داد که پایداری دو پروتئین جهش یافته و تیپ وحشی مشابه یکدیگر می‌باشند.   2 Introduction: CRISPR/Cas system is a bacterial-acquired immune system against viruses. spCas9 protein-derived from Streptococcus pyogenes is the most common Cas protein used in genome editing. The Cas9 proteins suffer from some problems like unwanted off-target cleavage, which is the major limitation in the application of the CRISPR system, especially for therapeutic issues. The present study aimed to in silico design of a mutant Cas protein to enhance the fidelity of the enzyme. Method: In this study, a new Cas9 protein was designed in silico via the selection of some mutations. The interaction of the mutant and wild-type Cas9 proteins with DNA was determined by molecular docking. Finally, the stability of the mutant and wild-type proteins was evaluated using molecular dynamics. Results: The outcome of this study resulted in designing a mutant Cas9 protein bioinformatically containing 5 amino acid substitutions. Molecular docking scores for the wild-type and mutant proteins were -1073.86 and -349.41, respectively. Conclusion: Molecular docking indicated that the number of hydrogen bonds between protein and DNA reduced in the mutant state. Moreover, based on the molecular dynamic findings, the stability of both mutant and wild-type Cas9 proteins was similar. 357 366 2023/09/102023/08/232023/03/42024/01/2 1402/10/12 2023/12/162024/03/52024/02/122024/02/19 1402/11/30 مهسا قاسمی Mahsa Ghasemi کارشناسی ارشد زیست شناسی سلولی و مولکولی، گروه علوم و فناوری‌های نوین دانشگاه آزاد اسلامی واحد الکترونیک تهران، تهران، ایران ایران mahsa971112@gmail.com جواد زمانی Javad Zamani دکتری تخصصی بیوتکنولوژی کشاورزی، پژوهشگاه ملی مهندسی ژنتیک و زیست فناوری، تهران، ایران ایران zamanijavad67@gmail.com زرین مینوچهر Zarrin Minuchehr دکتری تخصصی بیوفیزیک، دانشیار، پژوهشگاه ملی مهندسی ژنتیک و زیست فناوری، پژوهشکده صنعت و محیط زیست، گروه زیست فناوری سامانه‌ای، تهران، ایران ایران zarrin.minucher@gmail.com مهدی شمس آرا Mehdi Shamsara دکتری تخصصی ژنتیک مولکولی، دانشیار، پژوهشگاه ملی مهندسی ژنتیک و زیست فناوری، پژوهشکده زیست فناوری کشاورزی، گروه زیست فناوری دامی، تهران، ایران ایران shamsa@nigeb.ac.ir High-fidelity Cas9 Molecular dynamic Molecular docking CRISPR/Cas Protein engineering Gene editing Cas9 با دقت بالا دینامیک مولکولی داکینگ مولکولی CRISPR/Cas مهندسی پروتئین ویرایش ژن 1. Doudna JA, Charpentier E. Genome editing. The new frontier of genome engineering with CRISPR-Cas9. Science (New York, NY). 2014;346(6213):1258096.##2. Hsu PD, Lander ES, Zhang F. Development and applications of CRISPR-Cas9 for genome engineering. Cell. 2014;157(6):1262-78.##3. Sander JD, Joung JK. CRISPR-Cas systems for editing, regulating and targeting genomes. Nat Biotechnol. 2014;32(4):347-55.##4. Lander ES. The Heroes of CRISPR. Cell. 2016;164(1-2):18-28.##5. Urnov FD, Rebar EJ, Holmes MC, Zhang HS, Gregory PD. Genome editing with engineered zinc finger nucleases. Nature reviews Genetics. 2010;11(9):636-46.##6. Ishino Y, Shinagawa H, Makino K, Amemura M, Nakata A. Nucleotide sequence of the iap gene, responsible for alkaline phosphatase isozyme conversion in Escherichia coli, and identification of the gene product. Journal of bacteriology. 1987;169(12):5429-33.##7. Groenen PM, Bunschoten AE, van Soolingen D, van Embden JD. Nature of DNA polymorphism in the direct repeat cluster of Mycobacterium tuberculosis; application for strain differentiation by a novel typing method. Mol Microbiol. 1993;10(5):1057-65.##8. Mojica FJ, Ferrer C, Juez G, Rodríguez-Valera F. Long stretches of short tandem repeats are present in the largest replicons of the Archaea Haloferax mediterranei and Haloferax volcanii and could be involved in replicon partitioning. Mol Microbiol. 1995;17(1):85-93.##9. Jansen R, van Embden JD, Gaastra W, Schouls LM. Identification of a novel family of sequence repeats among prokaryotes. Omics. 2002;6(1):23-33.##10. Klenk HP, Clayton RA, Tomb JF, White O, Nelson KE, Ketchum KA, et al. The complete genome sequence of the hyperthermophilic, sulphate-reducing archaeon Archaeoglobus fulgidus. Nature. 1997;390(6658):364-70.##11. Grissa I, Vergnaud G, Pourcel C. The CRISPRdb database and tools to display CRISPRs and to generate dictionaries of spacers and repeats. BMC Bioinformatics. 2007;8:172.##12. Jiang F, Taylor DW, Chen JS, Kornfeld JE, Zhou K, Thompson AJ, et al. Structures of a CRISPR-Cas9 R-loop complex primed for DNA cleavage. Science (New York, NY). 2016;351(6275):867-71.##13. Jinek M, Chylinski K, Fonfara I, Hauer M, Doudna JA, Charpentier E. A programmable dual-RNA–guided DNA endonuclease in adaptive bacterial immunity. Science (New York, NY). 2012;337(6096):816-21.##14. Rahimpour A, Ahani R, Najaei A, Adeli A, Barkhordari F, Mahboudi F. Development of Genetically Modified Chinese Hamster Ovary Host Cells for the Enhancement of Recombinant Tissue Plasminogen Activator Expression. The Malaysian journal of medical sciences : MJMS. 2016;23(2):6-13.##15. Moon SB, Kim DY, Ko J-H, Kim Y-S. Recent advances in the CRISPR genome editing tool set. Experimental & Molecular Medicine. 2019;51(11):1-11.##16. Fu Y, Sander JD, Reyon D, Cascio VM, Joung JK. Improving CRISPR-Cas nuclease specificity using truncated guide RNAs. Nature Biotechnology. 2014;32(3):279-84.##17. Hess GT, Tycko J, Yao D, Bassik MC. Methods and applications of CRISPR-mediated base editing in eukaryotic genomes. Molecular cell. 2017;68(1):26-43.##18. Kleinstiver BP, Pattanayak V, Prew MS, Tsai SQ, Nguyen NT, Zheng Z, et al. High-fidelity CRISPR–Cas9 nucleases with no detectable genome-wide off-target effects. Nature. 2016;529(7587):490-5.##19. Slaymaker IM, Gao L, Zetsche B, Scott DA, Yan WX, Zhang F. Rationally engineered Cas9 nucleases with improved specificity. Science (New York, NY). 2016;351(6268):84-8.##20. Kulcsár PI, Tálas A, Huszár K, Ligeti Z, Tóth E, Weinhardt N, et al. Crossing enhanced and high fidelity SpCas9 nucleases to optimize specificity and cleavage. Genome Biology. 2017;18(1):190.##21. Bitencourt-Ferreira G, de Azevedo WF. Molegro virtual docker for docking. Docking screens for drug discovery. 2019:149-67.##22. Thomsen R, Christensen MH. MolDock: a new technique for high-accuracy molecular docking. Journal of medicinal chemistry. 2006;49(11):3315-21.##23. Tazikeh-Lemeski E. The study of the interaction between amyloid beta protein and zinc ion and its role in Alzheimer's disease. iau-tmuj. 2015;25(3):198-205.##24. Cong L, Ran FA, Cox D, Lin S, Barretto R, Habib N, et al. Multiplex genome engineering using CRISPR/Cas systems. Science (New York, NY). 2013;339(6121):819-23.##25. Hsu PD, Scott DA, Weinstein JA, Ran FA, Konermann S, Agarwala V, et al. DNA targeting specificity of RNA-guided Cas9 nucleases. Nat Biotechnol. 2013;31(9):827-32.##26. Mali P, Yang L, Esvelt KM, Aach J, Guell M, DiCarlo JE, et al. RNA-guided human genome engineering via Cas9. Science (New York, NY). 2013;339(6121):823-6.##27. Pandey B, Grover S, Goyal S, Kumari A, Singh A, Jamal S, et al. Alanine mutation of the catalytic sites of Pantothenate Synthetase causes distinct conformational changes in the ATP binding region. Scientific Reports. 2018;8(1):903.##28. Kufareva I, Abagyan R. Methods of protein structure comparison. Methods in molecular biology (Clifton, NJ). 2012;857:231-57.##29. Coutsias EA, Seok C, Dill KA. Using quaternions to calculate RMSD. Journal of Computational Chemistry. 2004;25(15):1849-57.##30. Spasskaya DS, Davletshin AI, Bachurin SS, Tutyaeva VV, Garbuz DG, Karpov DS. Improving the on-target activity of high-fidelity Cas9 editors by combining rational design and random mutagenesis. Applied microbiology and biotechnology. 2023;107(7-8):2385-401.##31. Childers MC, Towse C-L, Daggett V. The effect of chirality and steric hindrance on intrinsic backbone conformational propensities: tools for protein design. Protein Engineering, Design and Selection. 2016;29(7):271-80.## ##

شناسایی و اولویت‌بندی مراحل پیاده‌سازی نقشه راه فناوری بلاکچین در سازمان‌های سلامت محور با استفاده از روش دلفی فازی Identifying and Prioritizing the Implementation Steps of the Blockchain Technology Roadmap in Health-Oriented Organizations Using the Fuzzy Delphi Method 1 1 مقدمه: نقشه راه ابزاری برای کمک به سازمان‌ها برای تسهیل اجرای موفق هر فناوری می‌باشد. بر این اساس، هدف این پژوهش، شناسایی و اولویت‌بندی مراحل پیاده‌سازی نقشه راه فناوری بلاکچین در سازمان‌های سلامت‌محور می‌باشد. روش: به‌منظور پالایش و ارزیابی تناسب مراحل مستخرج از ادبیات موضوع، از روش دلفی فازی استفاده‌ شده است. دسترسی به مطمئن‌ترین توافق گروهی خبرگان درباره موضوعی خاص است که با استفاده از پرسشنامه و نظرخواهی از خبرگان، به‌دفعات با توجه به بازخورد حاصل از آن‌ها صورت می‌پذیرد. نتایج: پس از شناسایی و استخراج عوامل از طریق مطالعه مقالات مختلف و بومی‌سازی و تعیین میزان اهمیت متغیرها، با اعمال محدودیت وزنی در مدل، میزان موافقت خبرگان با هرکدام از مؤلفه‌ها اخذ شده و نقطه نظرات پیشنهادی و اصلاحی آن‌ها تقسیم‌بندی شده است. میانگین قطعی حاصل، نشان‌دهنده شدت موافقت خبرگان با هرکدام از عوامل پژوهش می‌باشد. نتیجه‌گیری: نتایج نظرسنجی دیدگاه‌های خبرگان نشان می‌دهد که اولویت‌های رصد فناوری، شناسایی کاربرد فناوری بلاکچین در سازمان، شناسایی چالش‌های ساختاری، فنی، حقوقی و مالی، طراحی، رفع موانع حاکمیتی و بالادستی، سرمایه‌گذاری متناسب، همکاری زیرساخت قدیمی، جدید و افزایش عضویت دارای اهمیت بالا و اولویت‌های آموزش اولیه، شناسایی مزایای تحول دیجیتال و مزیت رقابتی، ذی اثران داخلی و خارجی و گسترش مدل کسب‌وکار به بخش‌های دیگر از اهمیت پایین‌تری برخوردار هستند. 2 Introduction: A Roadmap is a tool to help organizations facilitate the successful implementation of any technology. Then, this study aimed to identify and prioritize the stages of blockchain technology roadmap implementation in health-oriented organizations. Method: To refine and evaluate the appropriateness of steps extracted from the subject literature, the fuzzy Delphi method was used. Access to the most reliable group agreement of experts on a specific issue is done using a questionnaire and asking experts’ opinions, often according to their feedback. Results: After identifying and extracting the factors through the study of various articles and localization and determining the importance of the variables, by applying the weight limit in the model, the level of experts’ agreement with each of the components was obtained and their suggested and corrective points were divided. The resulting absolute mean indicates the intensity of experts’ agreement with each research factor. Conclusion: The results of the survey of experts’ views show that the priorities of monitoring technology, identifying the application of blockchain technology in the organization, identifying structural, technical, legal, and financial challenges, designing, removing governance and upstream obstacles, appropriate capital transfer, cooperation between old and new infrastructure, and increasing membership, high importance and priorities of basic training, identifying the benefits of digital transformation and competitive advantage, internal and external stakeholders, and expanding the business model to other sectors are of lower importance. 367 379 2023/09/102023/08/232023/03/42024/01/22023/11/7 1402/8/16 2023/12/162024/03/52024/02/122024/02/192024/01/9 1402/10/19 حمیده علی اکبر پور Hamideh Aliakbarpour دانشجوی دکتری مدیریت فناوری اطلاعات، گروه مدیریت دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران ایران aliakbarpour@arakmu.ac.ir اشرف شاه منصوری Ashraf Shahmansoury دکتری مدیریت بازرگانی، استادیار، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران ایران shahmansouryashraf@gmail.com قاسمعلی بازآیی Ghasemali Bazaee دکتری مدیریت و علوم اداری، استادیار، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران ایران ghasemalibazaee@gmail.com Blockchain Blockchain roadmap Fuzzy Delphi method Blockchain in health بلاکچین نقشه راه بلاکچین روش دلفی فازی بلاکچین در سلامت 1. 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##2. Kassab M, DeFranco J, Malas T, Laplante P, Destefanis G, Neto VV. Exploring research in blockchain for healthcare and a roadmap for the future. IEEE Transactions on Emerging Topics in Computing 2019;9(4):1835-52.##3. Onik MM, Aich S, Yang J, Kim CS, Kim HC. Blockchain in healthcare: Challenges and solutions. Big Data Analytics for Intelligent Healthcare Management; 2019. p. 197-226. https://doi.org/10.1016/B978-0-12-818146-1.00008-8##4. Laroiya C, Saxena D, Komalavalli C. Applications of blockchain technology. InHandbook of Research on Blockchain Technology. Academic Press; 2020. p. 213-43.##5. Dhar MS, Marwal R, Vs R, Ponnusamy K, Jolly B, Bhoyar RC, Sardana V, Naushin S, Rophina M, Mellan TA, Mishra S. Genomic characterization and epidemiology of an emerging SARS-CoV-2 variant in Delhi, India. Science 2021;374(6570):995-9. doi: 10.1126/science.abj99##6. Nakamoto S. Bitcoin: A peer-to-peer electronic cash system. Decentralized Business Review; 2008.##7. Brantley J. Blockchain can help transform supply chain networks in the chemicals and petroleum industry. IBM; 2017. ##8. Vaigandla KK, Karne R, Siluveru M, Kesoju M. Review on blockchain technology: architecture, characteristics, benefits, algorithms, challenges and applications. Mesopotamian Journal of CyberSecurity 2023;2023:73-84. https://doi.org/10.58496/MJCS/2023/012##9. Jena AK, Dash SP. Blockchain technology: introduction, applications, challenges. InBlockchain Technology: Applications and Challenges. Cham: Springer; 2021. p. 1-11.##10. Xu X, Weber I, Staples M. Architecture for blockchain applications. Cham: Springer; 2019.##11. Schwieters N, van Hoof J, Etheridge D, von Perfall A. Blockchain-an opportunity for energy producers and consumers. PwC Global Power & Utilities; 2016.##12. Swan M. Health 2050: The realization of personalized medicine through crowdsourcing, the quantified self, and the participatory biocitizen. J Pers Med 2012;2(3):93-118. https://doi.org/10.3390/jpm2030093##13. Griggs KN, Ossipova O, Kohlios CP, Baccarini AN, Howson EA, Hayajneh T. Healthcare blockchain system using smart contracts for secure automated remote patient monitoring. Journal of Medical Systems 2018;42:1-7.##14. Abu-Elezz I, Hassan A, Nazeemudeen A, Househ M, Abd-Alrazaq A. The benefits and threats of blockchain technology in healthcare: A scoping review. International Journal of Medical Informatics 2020;142:104246. https://doi.org/10.1016/j.ijmedinf.2020.104246##15. Pawczuk L, Massey R, Holdowsky J. Deloitte’s 2019 Global Blockchain Survey-Blockchain gets down to business. Deloitte Insights; 2019.##16. Yaqoob I, Salah K, Jayaraman R, Al-Hammadi Y. Blockchain for healthcare data management: opportunities, challenges, and future recommendations. Neural Computing and Applications 2021:1-6.##17. Hajian A, Prybutok VR, Chang HC. An empirical study for blockchain-based information sharing systems in electronic health records: A mediation perspective. Computers in Human Behavior 2023;138:107471. ##18. Villarreal ER, García-Alonso J, Moguel E, Alegría JA. Blockchain for healthcare management systems: A survey on interoperability and security. IEEE Access 2023;11:5629-52. doi: 10.1109/ACCESS.2023.3236505##19. 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##20. 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 2021;19(1):20200035. https://doi.org/10.1515/jib-2020-0035##21. Naseer O, Ullah S, Anjum L. Blockchain-based decentralized lightweight control access scheme for smart grids. Arabian Journal for Science and Engineering 2021.##22. [x]cube LABS. How Blockchain will benefit the Healthcare Industry in 2022 and Beyond [cited 2022 Jan 28]. Available from: https://www.xcubelabs.com/blog/how-blockchain-will-benefit-the-healthcare-industry-in-2022-and-beyond/ ##23. Elvas LB, Serrão C, Ferreira JC. Sharing health information using a Blockchain. Healthcare (Basel) 2023; 11(2): 170. doi: 10.3390/healthcare11020170##24. 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): 5665–690. doi: 10.18632/oncotarget.22345##25. Mohammad IS, Fattahzadeh H. Identify effective indicators in the use of blockchain technology in the drug supply chain (using the meta synthesis method for the years 2010-2022). Journal of Healthcare Management (Journal of Health System) 2011; 12 (4):81-105. [In Persian]##26. 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 28;22(1):80.##27. Baysal MV, Özcan-Top Ö, Betin-Can A. Blockchain technology applications in the health domain: a multivocal literature review. The Journal of Supercomputing 2023;79(3):3112-56.##28. Nilforushan H. Ayazi SA. Assessment of the Scope of oil and Gas Companies' Activities based on their Readiness to Accept Blockchain Technology. Business Intelligence Management Studies 2010; 9(33): 247-86. [In Persian]. https://doi.org/10.22054/IMS.2020.48470.1638##29. Gartner. Gartner Top 10 Strategic Technology Trends for 2020 [cited 2019 Oct 21]. Available from: https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2020##30. Tuan J. Blockchain in the Medical Field: The Good, The Better, The Best. Topflight; 2021. [cited 2021 Nov 10]. Available from: https://topflightapps.com/ideas/blockchain-in-healthcare/##31. Sullivan F. Global blockchain technology market in the healthcare industry, 2018–2022. Frost Sullivan. 2019. [cited 2019 Oct 1] Available from: https://store.frost.com/global-blockchain-technology-market-in-the-healthcare-industry-2018-2022.html##32. Iredale G. Best Practices for Creating a Blockchain Roadmap. [Cited 2021 May 27] Available from: https://101blockchains.com/blockchain-roadmap/##33. Loro C, Mangiaracina R, Tumino A. A roadmap for the effective implementation of blockchain technology. InAdapting to the Future: How Digitalization Shapes Sustainable Logistics and Resilient Supply Chain Management. Proceedings of the Hamburg International Conference of Logistics (HICL); Berlin: epubli GmbH; 2021. p. 353-75.##34. Crittenden C. Blockchain in California: A Roadmap; California: Center for Information Technology Research in the Interest of Society (CITRIS); 2020.##35. Stawicki SP, Galwankar SC, Clarke S, Craig I, Larionovs A, Wyszynski M, et al. Roadmap for the development of academic and medical applications of blockchain technology: Joint statement from OPUS 12 global and litecoin cash foundation. J Emerg Trauma Shock 2019; 12(1): 64–7. doi: 10.4103/JETS.JETS_90_18##36. PwC. Blockchain – an opportunity for energy producers and consumers. London: PwC global power & utilities; 2016 [cited 2021 Nov 10]. Available from: chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.pwc.com/gx/en/industries/assets/pwc-blockchain-opportunity-for-energy-producers-and-consumers.pdf##37. Shalini KS, Nithya M. A survey on adoption of blockchain in healthcare. International Journal of Business Intelligence and Data Mining 2023;22(1-2):131-43.##38. Ghosh PK, Chakraborty A, Hasan M, Rashid K, Siddique AH. Blockchain application in healthcare systems: a review. Systems 2023;11(1):38. https://doi.org/10.3390/systems11010038##39. ArabZouzani M, Mousainejad M, Bahraini R. the necessity of preparing a technology roadmap for Iran's health system: a narrative review. Health Research Journal 2017; 2(3): 207-15. [In Persian]. doi:10.18869/acadpub.hrjbaq.2.3.207##40. Pourmohamed A, Sedekhi N, Nilfroshan H, Ghafarzadegan M, Peyman Khah S. Technology roadmapping. Tehran: Research Institute of Petroleum Industry; 2012. [In Persian]##41. Azar A, Faraji H. Science of fuzzy management. Center of Studies and Iran Productivity. Tehran: Ejtema; 2016.##42. Turoff M, Linstone HA. The Delphi Method: Techniques and Applications; Addison Wesley Publishing Company; 1975.##43. Cheng CH, Lin Y. Evaluating the best main battle tank using fuzzy decision theory with linguistic criteria evaluation. European Journal of Operational Research. 2002;142(1):174-86. https://doi.org/10.1016/S0377-2217(01)00280-6##44. Khwaji A, Alsahafi Y, Hussain FK. A Roadmap to Blockchain Technology Adoption in Saudi Public Hospitals. InInternational Conference on Advanced Information Networking and Applications; 2023 Mar 15; Cham: Springer International Publishing; 2023. p. 452-60.##45. Akbar MA, Leiva V, Rafi S, Qadri SF, Mahmood S, Alsanad A. Towards roadmap to implement blockchain in healthcare systems based on a maturity model. Journal of Software: Evolution and Process 2022;34(12):e2500. https://doi.org/10.1002/smr.2500##46. Bali S, Bali V, Mohanty RP, Gaur D. Analysis of critical success factors for blockchain technology implementation in healthcare sector. Benchmarking: An International Journal 2023;30(4):1367-99.##47. Joshi N. The roadmap for implementing blockchain in healthcare and life sciences. [Cited 2018 Jul 18]. Available from: https://www.linkedin.com/pulse/roadmap-implementing-blockchain-healthcare-life-sciences-naveen-joshi## ##

تعیین مجموعه حداقل داده‌ها برای پرونده الکترونیک بیماران سل Determining the Minimum Data Set for Electronic Health Records of Tuberculosis Patients 1 1 مقدمه: مجموعه حداقل داده، ابزاری مهم در نظام‌های ثبت و برنامه‌های نظارتی تلقی می‌گردد که امکان جمع‌آوری و انتقال داده‌ها در سطح کشور را فراهم می‌نماید. با توجه به اهمیت بیماری سل در ایران و به ویژه بروز بالای این بیماری در استان‌های حاشیه‌ای کشور، مطالعه حاضر با هدف تعیین مجموعه حداقل داده‌ها برای پرونده الکترونیک بیماران سل طراحی و اجرا گردید. روش: مطالعه حاضر یک مطالعه توصیفی است که در طی دو مرحله انجام شد. در مرحله اول، برای شناسایی عناصر داده بررسی جامعی در پایگاه داده‌های SID، Magiran، PubMed، Direct Science صورت گرفت. داده‌ها با استفاده از فرم استخراج داده، جمع‌آوری و با استفاده از پرسشنامه و روش دلفی به نظرسنجی گذاشته شدند. برای تحلیل داده‌ها از آمار توصیفی و نرم‌افزار SPSS نسخه16 استفاده گردید. نتایج: مجموعه حداقل داده‌های بیماری سل به دو دسته داده‌های مدیریتی با 5 کلاس و 35 عنصر، و داده‌های بالینی با 5 کلاس و 43 عنصر داده تقسیم شدند. نتیجه‌گیری: مجموعه حداقل داده‌های سل برای مدیریت هر چه بهتر این بیماری و ثبت اطلاعات بیماران مبتلا به این بیماری بسیار مؤثر می‌باشد. نتایج این مطالعه می‌تواند به پژوهشگران و توسعه دهندگان جهت طراحی و راه‌اندازی سیستم اطلاعاتی یکپارچه ثبت اطلاعات بیماران مبتلا به سل کمک نماید.   2 Introduction: The minimum data set is considered an important tool in the registration systems and monitoring programs, which provides the possibility of collecting and transferring data at the country level. Considering the importance of tuberculosis in Iran and especially the high incidence of this disease in the marginal provinces of the country, the present study was designed and implemented to determine the minimum data set for the electronic health records of tuberculosis patients. Method: This descriptive study was conducted in two phases. In the first phase, a comprehensive review was conducted in PubMed, Science Direct, SID, and Magiran databases to identify data elements. The data were collected using the data extraction form and polled using the Delphi method. Descriptive statistics and SPSS version 16 were used for data analysis. Results: The minimum data set of tuberculosis was divided into two categories: administrative data with five classes and 35 data elements, and clinical data with five classes and 43 data elements. Conclusion: The minimum data set of tuberculosis is an effective tool for managing and recording the information of patients suffering from this disease. The results of this study can help researchers and developers in the process of designing and implementing an integrated information system for registering the information of patients with tuberculosis. 380 385 2023/09/102023/08/232023/03/42024/01/22023/11/72023/12/5 1402/9/14 2023/12/162024/03/52024/02/122024/02/192024/01/92024/01/31 1402/11/11 فاطمه بهادر Fatemeh Bahador دانشجوی دکترای تخصصی مدیریت اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران fatemebahador@gmail.com زهره جوانمرد Zohreh Javanmard دانشجوی دکترای تخصصی مدیریت اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران zohrehjavanmard44@gmail.co اعظم صباحی Azam Sabahi استادیار مدیریت اطلاعات سلامت، گروه فناوری اطلاعات سلامت، دانشکده علوم پزشکی فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران ایران sabahiazam858@gmail.com فاطمه صالحی Fatemeh Salehi دکتری مدیریت اطلاعات سلامت، بیمارستان امام رضا (ع)، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران fatemehbahador@yahoo.com شیرین شهابی Shirin Shahabi کارشناس فناوری اطلاعات سلامت، گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی و بهداشت فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران ایران shirinshahabi1376@gmail.com رضا فاتح بهاری Reza Fateh Bahari کارشناس فناوری اطلاعات سلامت، گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی و بهداشت فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران ایران rezafatehbahari@gmail.com Minimum Data Set Tuberculosis Electronic Health Record مجموعه حداقل داده‌ها سل پرونده الکترونیک سلامت 1. Mello FC, Silva DR, Dalcolmo MP. Tuberculosis: where are we? J Bras Pneumol 2018;44(2):82. doi: 10.1590/s1806-37562017000000450. ##2. Ataey A, Jafarvand E. Epidemiology and trend of tuberculosis mortality in Iran. Journal of Sabzevar University of Medical Sciences 2019;25(6):773-80. [In Persian]##3. Denkinger C, Kik S, Cirillo D, Casenghi M, Shinnick T, Weyer K et al. Defining the needs for next generation assays for tuberculosis. J Infect Dis 2015;211(2):29–38.##4. Gill CM, Dolan L, Piggott LM, McLaughlin AM. New developments in tuberculosis diagnosis and treatment. Breathe (Sheff) 2022;18(1):210149. doi: 10.1183/20734735.0149-2021.##5. Paleckyte A, Dissanayake O, Mpagama S, Lipman MC, McHugh TD. Reducing the risk of tuberculosis transmission for HCWs in high incidence settings. Antimicrob Resist Infect Control 2021;10(1):106. doi: 10.1186/s13756-021-00975-y. ##6. Amjad A, Kordel P, Fernandes G. A Review on Innovation in Healthcare Sector (Telehealth) through Artificial Intelligence. Sustainability 2023; 15(8):6655. https://doi.org/10.3390/su15086655 ##7. Alotaibi YK, Federico F. The impact of health information technology on patient safety. Saudi Med J 2017;38(12):1173-80. doi: 10.15537/smj.2017.12.20631.##8. Spigolon DN, Moro CM. Nursing minimum data set based on ehr archetypes approach.s 11th International Congress on Nursing Informatics; 2012 Jun 23-27; Montreal, Canada: American Medical Informatics Association; 2012.##9. Nabati S, Kamyar, Kimiafar K, Modaghegh M, Yazdipour AB, Sarbaz M. Development a minimum data set for chronic venous disease. Journal of Modern Medical Information Sciences 2020;6(1):1-9. doi:10.29252/jmis.6.1.1 ##10. Moeil Tabaghdehi K, Ghazisaeedi M, Shahmoradi L, Karami H, Bashiri A. Designing a Minimum Data Set for Major Thalassemia Patients: Towards Electronic Personal Health Record. Journal of Community Health Research 2018;7(1):24–31. ##11. Darabi M, Delpisheh A, Parizad EG, Nematollahi M, Sharifian R. Designing the Minimum Data Set for Iranian Children Health Records. Ilam University of Medical Science 2016;24(1):114-25. [In Persian]##12. Sadoughi F, Nasiri S, Langarizadeh M. Minimum Data Sets of Perinatal Period for Iran: A Delphi Study. Health Inf Manage 2015; 11(6): 667- 80. [In Persian]##13. Ghazi Saeedi M, Esmaeili Javid GR, Mohammadzadeh N, Asadallah Khan vali H. Determining the Minimum Data Set of Diabetic Foot Ulcer Patients' Electronic Medical Records. Payavard Salamat 2021; 14 (5) :443-53. [In Persian]##14. Moulaei K, Bavafa B. Design and Development of a Minimum Data Set for Phenylketonuria Disease. Journal of Health and Biomedical Informatics 2021; 8(1):33-41. [In Persian]##15. Moulaei K, Bavafa B. Design and Development of a Minimum Data Set for Phenylketonuria Disease. Journal of Health and Biomedical Informatics 2021; 8(1): 33-41. [In Persian]##16. Ghazi Saeidi M, Moghimi Araghi S, Babadi S. Determining the Required Minimum Data Set and Data Elements to Create a Web-based Electronic Record for Glaucoma Patients. Payavard Salamat 2018;11(6):675-84. [In Persian]##17. Hsiao CJ. Electronic health record systems and intent to apply for meaningful use incentives among office-based physician practices: United States, 2001-2011. US Department of Health and Human Services, Centers for Disease Control and Prevention, National Center for Health Statistics; 2011.## ##

بررسی قابلیت اتصال پپتیدهای ضدمیکروبی به پروتئینspike ویروس کرونا با روش داکینگ و شبیه‌سازی دینامیک مولکولی The Study of the Binding Ability of Antimicrobial Peptides to Spike Protein of the Coronavirus by Docking and Molecular Dynamics Simulation 1 1 مقدمه: از زمان شروع سال 2020، SARS-CoV-2 به طور قابل توجهی باعث بیماری تعداد زیادی از افراد شده و تحقیقات گسترده‌ای را به سوی خود جلب کرده است. پپتیدهای ضد میکروبی به دلیل ایمنی، کارایی و ویژگی منحصر به فرد خود به عنوان یک راه امیدوارکننده برای درمان پاتوژن‌های ویروسی در حال ظهور شناخته می‌شوند. روش: در این مطالعه ابتدا 104 پپتید طبیعی ضدمیکروبی از پایگاه‌های داده APD انتخاب شدند. سپس با سرور pepfold3 ساختار سوم پپتیدها مدل‌سازی شد. ساختارها پس از اصلاح و بهینه‌سازی آماده عملیات داکینگ شدند. متعاقباً داکینگ پپتید-پروتئین با نرم‌افزار اتوداک وینا انجام شد. بهترین کمپلکس پپتید-پروتئین که انرژی اتصال مناسبی در خروجی داکینگ داشت برای شبیه‌سازی مولکولی با برنامه گرومکس انتخاب شد. شبیه‌سازی به مدت 100 نانوثانیه در دمای 310 درجه کلوین و pH:7 انجام شد. از میدان نیروی gromos54a7 و مدل آب spc به عنوان حلال استفاده گردید. نتایج: نتایج به دست آمده از دینامیک مولکولی، پایداری ساختار کمپلکس‌ها و محاسبات انرژی را بررسی می‌کند. آنالیزهای RMSD، RMSF، شعاع ژیراسیون و SASA نشان داد که کمپلکس پپتید-پروتئین در طی شبیه‌سازی پایدار است و آنالیزهای LJ، CL، HBond و ΔG جهت محاسبه انرژی بین پپتید و پروتیئن Spike انجام شد. نتیجه‌گیری: نتایج مطالعه نشان داد که پپتیدهای ضدمیکروبی می‌توانند به عنوان مهارکننده و با انرژی اتصال مطلوبی به پروتئین  اسپایک SARS-CoV-2 متصل شوند و در نتیجه، این پپتیدها می‌توانند برای مطالعات درمانی و تجربی Covid-19 استفاده شوند.   2 Introduction: Since the start of 2020, SARS-CoV-2 has infected a significant number of individuals, prompting extensive research. Antimicrobial peptides can be considered as a promising treatment for emerging viral pathogens due to their safety, efficacy, and specificity. Method: In this study, first, 104 natural antiviral peptides were chosen from APD databases.  Then, the third structure of proteins was modeled by PEP-FOLD 3 server. The structures were refined and optimized for docking operation. Subsequently, peptide-protein docking was performed using AutoDock Vina. The most favorable peptide-protein complex, chosen based on binding energy, was employed for molecular simulation using GROMACS. The simulation was carried out for 100 ns at 310° K and pH=7. Gromos54a7 force field was used in this study and the SPC water model was used as solvent. Results: The obtained results from molecular dynamics examine the stability of complex structure and energy calculations. RMSD, RMSF, radius of gyration, and SASA analyses indicate the stability of the peptide-protein complex during the simulation. Additionally, LJ, CL, HBond, and ΔG analyses were conducted to calculate the energy interactions between the peptide and the Spike protein. Conclusion: The results indicate that antimicrobial peptides can effectively bind to the SARS-CoV-2 spike protein, acting as inhibitors with a favorable binding energy. Consequently, these peptides can be employed for therapeutic and experimental studies of COVID-19. 386 399 2023/09/102023/08/232023/03/42024/01/22023/11/72023/12/52023/12/25 1402/10/4 2023/12/162024/03/52024/02/122024/02/192024/01/92024/01/312024/03/5 1402/12/15 سارا مرتضی علی Sara Mortezaali کارشناسی ارشد زیست فناوری میکروبی، گروه بیوتکنولوژی، دانشکده علوم زیستی، دانشگاه الزهرا، تهران، ایران ایران sarah.mortezaali@gmail.com محبوبه ضرابی Mahboobeh Zarrabi دکترای بیوفیزیک، استادیار، گروه بیوتکنولوژی، دانشکده علوم زیستی، دانشگاه الزهرا، تهران، ایران ایران mzarrabi@alzahra.ac.ir Antimicrobial peptide Spike protein Molecular dynamics simulation Docking COVID-19 پپتید ضدمیکروبی پروتئین اسپایک شبیه سازی دینامیک مولکولی داکینگ کووید-19 1. Li G, Fan Y, Lai Y, Han T, Li Z, Zhou P, et al. Coronavirus infections and immune responses J Med Virol 2020;92(4):424-32. doi:10.1002/jmv.25685##2. Guo YR, Cao QD, Hong ZS, Tan YY, Chen SD, Jin HJ, et al. The origin, transmission and clinical therapies on coronavirus disease 2019 (COVID-19) outbreak - an update on the status. Mil Med Res 2020;7(1):11. doi:10.1186/s40779-020-00240-0##3. Yin Y, Wunderink RG. MERS, SARS and other coronaviruses as causes of pneumonia. Respirology. 2018;23(2):130-7. doi: 10.1111/resp.13196##4. Wu A, Peng Y, Huang B, Ding X, Wang X, Niu P, et al. Genome Composition and Divergence of the Novel Coronavirus (2019-nCoV) Originating in China. Cell Host Microbe. 2020;27(3):325-8. doi:10.1016/j.chom.2020.02.001##5. Song Z, Xu Y, Bao L, Zhang L, Yu P, Qu Y, et al. From SARS to MERS, Thrusting Coronaviruses into the Spotlight. Viruses 2019;11(1):59. doi:10.3390/v11010059##6. Fehr AR, Perlman S. Coronaviruses: an overview of their replication and pathogenesis. Methods Mol Biol 2015;1282:1-23. doi:10.1007/978-1-4939-2438-7_1 ##7. Papageorgiou AC, Mohsin I. The SARS-CoV-2 Spike Glycoprotein as a Drug and Vaccine Target: Structural Insights into Its Complexes with ACE2 and Antibodies. Cells 2020;9(11):2343. doi:10.3390/cells9112343##8. Essa RZ, Wu YS, Batumalaie K, Sekar M, Poh CL. Antiviral peptides against SARS-CoV-2: therapeutic targets, mechanistic antiviral activity, and efficient delivery. Pharmacol Rep 2022;74(6):1166-81. doi:10.1007/s43440-022-00432-6##9. Younis NK, Zareef RO, Al Hassan SN, Bitar F, Eid AH, Arabi M. Hydroxychloroquine in COVID-19 Patients: Pros and Cons. Front Pharmacol 2020;11:597985. doi:10.3389/fphar.2020.597985##10. Gil C, Ginex T, Maestro I, Nozal V, Barrado-Gil L, Cuesta-Geijo MÁ, et al. COVID-19: Drug Targets and Potential Treatments. J Med Chem 2020;63(21):12359-86. doi:10.1021/acs.jmedchem.0c00606##11. Patel TK, Patel PB, Barvaliya M, Saurabh MK, Bhalla HL, Khosla PP. Efficacy and safety of lopinavir-ritonavir in COVID-19: A systematic review of randomized controlled trials. J Infect Public Health 2021;14(6):740-8. doi:10.1016/j.jiph.2021.03.015##12. Huan Y, Kong Q, Mou H, Yi H. Antimicrobial Peptides: Classification, Design, Application and Research Progress in Multiple Fields. Front Microbiol 2020;11:582779. doi:10.3389/fmicb.2020.582779##13. Belaid A, Aouni M, Khelifa R, Trabelsi A, Jemmali M, Hani K. In vitro antiviral activity of dermaseptins against herpes simplex virus type 1. J Med Virol 2002;66(2):229-34. doi:10.1002/jmv.2134##14. Elnagdy S, AlKhazindar M. The Potential of Antimicrobial Peptides as an Antiviral Therapy against COVID-19. ACS Pharmacol Transl Sci 2020;3(4):780-2. doi:10.1021/acsptsci.0c00059##15. Jan Z, Geethakumari AM, Biswas KH, Jithesh PV. Protegrin-2, a potential inhibitor for targeting SARS-CoV-2 main protease Mpro. Comput Struct Biotechnol J 2023:21:3665-71. doi: 10.1016/j.csbj.2023.07.020.##16. Biswas S, Mahmud S, Mita MA, Afrose S, Hasan MR, Sultana Shimu MS, et al. Molecular Docking and Dynamics Studies to Explore Effective Inhibitory Peptides Against the Spike Receptor Binding Domain of SARS-CoV-2. Front Mol Biosci 2022;8:791642. doi:10.3389/fmolb.2021.791642##17. Wang G, Li X, Wang Z. APD3: the antimicrobial peptide database as a tool for research and education. Nucleic Acids Res 2016;44(D1):D1087-93. doi: 10.1093/nar/gkv1278.##18. Shen Y, Maupetit J, Derreumaux P, Tufféry P. Improved PEP-FOLD Approach for Peptide and Miniprotein Structure Prediction. J Chem Theory Comput 2014;10(10):4745-58. doi:10.1021/ct500592m##19. Sali A, Blundell TL. Comparative protein modelling by satisfaction of spatial restraints. J Mol Biol 1993;234(3):779-815. doi:10.1006/jmbi.1993.1626##20. Trott O, Olson AJ. AutoDock Vina: improving the speed and accuracy of docking with a new scoring function, efficient optimization, and multithreading. J Comput Chem 2010;31(2):455-61. doi:10.1002/jcc.21334##21. Wong FC, Ong JH, Chai TT. SARS-CoV-2 spike protein-, main protease- and papain-like-protease-targeting peptides from seed proteins following gastrointestinal digestion: An in silico study. Phytomed Plus 2021;1(1):100016. doi:10.1016/j.phyplu.2020.100016##22. Homeyer N, Gohlke H. Free Energy Calculations by the Molecular Mechanics Poisson-Boltzmann Surface Area Method. Mol Inform 2012;31(2):114-22. doi:10.1002/minf.201100135##23. Gheblawi M, Wang K, Viveiros A, Nguyen Q, Zhong JC, Turner AJ, et al. Angiotensin-Converting Enzyme 2: SARS-CoV-2 Receptor and Regulator of the Renin-Angiotensin System: Celebrating the 20th Anniversary of the Discovery of ACE2. Circ Res 2020;126(10):1456-74. doi:10.1161/CIRCRESAHA.120.317015##24. Loffredo MR, Nencioni L, Mangoni ML, Casciaro B. Antimicrobial peptides for novel antiviral strategies in the current post-COVID-19 pandemic. J Pept Sci 2024;30(1):e3534. doi:10.1002/psc.3534 ##25. Chen S, Zhang P, Xiao L, Liu Y, Wu K, Ni G, et al. Caerin 1.1 and 1.9 Peptides from Australian Tree Frog Inhibit Antibiotic-Resistant Bacteria Growth in a Murine Skin Infection Model. Microbiol Spectr 2021;9(1):e0005121. doi:10.1128/Spectrum.00051-21 ##26. Rollins-Smith LA, Smith PB, Ledeczi AM, Rowe JM, Reinert LK. Caerin 1 Antimicrobial Peptides That Inhibit HIV and Neisseria May Spare Protective Lactobacilli. Antibiotics (Basel). 2020;9(10):661. doi:10.3390/antibiotics9100661##27. Goraya J, Knoop FC, Conlon JM. Ranatuerins: antimicrobial peptides isolated from the skin of the American bullfrog, Rana catesbeiana. Biochem Biophys Res Commun 1998;250(3):589-92. doi:10.1006/bbrc.1998.9362##28. Ireland DC, Colgrave ML, Craik DJ. A novel suite of cyclotides from Viola odorata: sequence variation and the implications for structure, function and stability. Biochem J 2006;400(1):1-12. doi: 10.1042/BJ20060627##29. Chia BC, Carver JA, Lindner RA, Bowie JH, Wong H, Lie W. Caerin 4.1, an Antibiotic Peptide from the Australian Tree Frog, Litoria caerulea. The NMR-Derived Solution Structure. Australian Journal of Chemistry. 2000;53(4):257-65. doi:10.1071/CH99108##30. Boland MP, Separovic F. Membrane interactions of antimicrobial peptides from Australian tree frogs. Biochim Biophys Acta 2006;1758(9):1178-83. doi:10.1016/j.bbamem.2006.02.010##31. Khater I, Nassar A. Potential antiviral peptides targeting the SARS-CoV-2 spike protein. BMC Pharmacology and Toxicology 2022;23, 91. doi: 10.1186/s40360-022-00627-w##32. Bisana S, Kumar S, Rismiller P, Nicol SC, Lefevre C, Nicholas KR, et al. Identification and functional characterization of a novel monotreme- specific antibacterial protein expressed during lactation. PLoS One 2013;8(1):e53686. doi:10.1371/journal.pone.0053686##33. Panda S, Chandra G. Physicochemical characterization and functional analysis of some snake venom toxin proteins and related non-toxin proteins of other chordates. Bioinformation 2012;8(18):891-6. doi:10.6026/97320630008891##34. Aruleba RT, Tincho MB, Pretorius A, Kappo AP. In silico prediction of new antimicrobial peptides and proteins as druggable targets towards alternative anti-schistosomal therapy. Scientific African 2021;12:e00804. https://doi.org/10.1016/j.sciaf.2021.e00804##35. Chowdhury SM, Talukder SA, Khan AM, Afrin N, Ali MA, Islam R, et al. Antiviral Peptides as Promising Therapeutics against SARS-CoV-2. J Phys Chem B. 2020;124(44):9785-92. doi:10.1021/acs.jpcb.0c05621##36. Basit A, Karim AM, Asif M, Ali T, Lee JH, Jeon JH, et al. Designing Short Peptides to Block the Interaction of SARS-CoV-2 and Human ACE2 for COVID-19 Therapeutics. Front Pharmacol 2021;12:731828. doi:10.3389/fphar.2021.731828##37. Cavani M, Riofrío WA, Arciniega M. Molecular Dynamics and MM-PBSA Analysis of the SARS-CoV-2 Gamma Variant in Complex with the hACE-2 Receptor. Molecules 2022;27(7):2370. doi:10.3390/molecules27072370##38. Kouznetsova VL, Zhang A, Miller MA, Tatineni M, Greenberg JP, Tsigelny IF. Potential SARS-CoV-2 Spike Protein-ACE2 Interface Inhibitors: Repurposing FDA-approved Drugs. J Explor Res Pharmacol 2022;7(1):17-29. doi: 10.14218/JERP.2021.00050.## ##

نقش هوش مصنوعی در تشخیص بیماری‌های مزمن The role of Artificial Intelligence in the Diagnosis of Chronic Diseases 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 does not have an abstract. 400 402 2023/09/102023/08/232023/03/42024/01/22023/11/72023/12/52023/12/252024/02/9 1402/11/20 2023/12/162024/03/52024/02/122024/02/192024/01/92024/01/312024/03/52024/03/10 1402/12/20 اسما جنتی Asma Janati کارشناسی ارشد کامپیوتر، دانشکده مهندسی برق، واحد کرمان، گروه مهندسی برق، دانشگاه آزاد اسلامی، کرمان، ایران ایران a_janati@kmu.ac.ir مهدی جعفری شهباززاده Mehdi Jafari Shahbazzadeh دکترای کامپیوتر، دانشکده مهندسی برق، واحد کرمان، گروه مهندسی برق، دانشگاه آزاد اسلامی، کرمان، ایران ایران mjafari@iauk.ac.ir Artificial intelligence Health هوش مصنوعی سلامت 1. Delpino F, Costa Â, Farias S, Chiavegatto Filho ADP, Arcêncio RA, Nunes B. Machine learning for predicting chronic diseases: a systematic review. Public Health 2022:205:14-25. doi: 10.1016/j.puhe.2022.01.007.##2. Krishnamoorthy S, Alli P. A novel image recuperation approach for diagnosing and ranking retinopathy disease level using diabetic fundus image. PLoS One 2015; 10(5): e0125542. doi: 10.1371/journal.pone.0125542##3. Jain D, Singh V. Feature selection and classification systems for chronic disease prediction: A review. Egyptian Informatics Journal 2018;19(3):179-89. https://doi.org/10.1016/j.eij.2018.03.002##4. Higuchi M, Nagata T, Suzuki J, Yabuki T, Inomata S, Suzuki H. 105P Development and assessment of artificial intelligence detection of lung nodules on chest roentgenograms. Journal of Thoracic Oncology 2023;18(4):S101. doi: https://doi.org/10.1016/S1556-0864(23)00360-X##5. Montazeri M, Montazeri M, Bahaadinbeigy K, Montazeri M, Afraz A. Application of machine learning methods in predicting schizophrenia and bipolar disorders: A systematic review. Health Sci Rep 2022;6(1):e962. doi: 10.1002/hsr2.962.##6. Amiri P, Montazeri M, Ghasemian F, Asadi F, Niksaz S, Sarafzadeh F, et al. Prediction of mortality risk and duration of hospitalization of COVID-19 patients with chronic comorbidities based on machine learning algorithms. Digit Health 2023:9:20552076231170493. doi: 10.1177/20552076231170493.##7. Kavakiotis I, Tsave O, Salifoglou A, Maglaveras N, Vlahavas I, Chouvarda I. Machine learning and data mining methods in diabetes research. Comput Struct Biotechnol J 2017:15:104-16. doi: 10.1016/j.csbj.2016.12.005.##8. Chaki J, Ganesh ST, Cidham S, Theertan SA. Machine learning and artificial intelligence based Diabetes Mellitus detection and self-management: A systematic review. Journal of King Saud University-Computer and Information Sciences 2022;34(6):3204-25. https://doi.org/10.1016/j.jksuci.2020.06.013##9. Ganesan V, De S, Shkumat N, Marchini G, Monga M. Accurately diagnosing uric acid stones from conventional computerized tomography imaging: development and preliminary assessment of a pixel mapping software. J Urol 2018;199(2):487-494. doi: 10.1016/j.juro.2017.09.069.##10. Legouis D, Rinaldi A, Malpetti D, Arnoux G, Verissimo T, Faivre A, et al. A transfer learning framework to elucidate the clinical relevance of altered proximal tubule cell states in kidney disease. iScience 2024;27(3):109271. doi: 10.1016/j.isci.2024.109271##11. Hinterwimmer F, Serena RS, Wilhelm N, Breden S, Consalvo S, Seidl F, et al. Recommender-based bone tumour classification with radiographs-a link to the past. Eur Radiol 2024. doi: 10.1007/s00330-024-10672-0.##12. Khan S, Khan MA, Noor A, Fareed K. SASAN: ground truth for the effective segmentation and classification of skin cancer using biopsy images. Diagnosis (Berl) 2024. doi: 10.1515/dx-2024-0012.##13. Subramani S, Varshney N, Anand MV, Soudagar MEM, Al-Keridis LA, Upadhyay TK, et al. Cardiovascular diseases prediction by machine learning incorporation with deep learning. Front Med (Lausanne) 2023:10:1150933. doi: 10.3389/fmed.2023.1150933 ##14. Aminah R, Saputro AH, editors. Diabetes prediction system based on iridology using machine learning. 6th International Conference on Information Technology, Computer and Electrical Engineering (ICITACEE); 2019 Sep 26-27; Semarang, Indonesia: IEEE; 2019. doi: 10.1109/ICITACEE.2019.8904125##15. Muzamil S, Hussain T, Haider A, Waraich U, Ashiq U, Ayguadé E. An intelligent iris based chronic kidney identification system. Symmetry. 2020;12(12):2066. doi:10.3390/sym12122066##16. Samant P, Agarwal R. Machine learning techniques for medical diagnosis of diabetes using iris images. Comput Methods Programs Biomed 2018:157:121-8. doi: 10.1016/j.cmpb.2018.01.004.##17. Özbilgin F, Kurnaz Ç, Aydın E. Prediction of coronary artery disease using machine learning techniques with iris analysis. Diagnostics 2023;13(6):1081. https://doi.org/10.3390/diagnostics13061081##18. Yohannes C, Nurtanio I, Halim K. Potential of Heart Disease Detection Based on Iridology. IOP Conference Series: Materials Science and Engineering. IOP Conference Series Materials Science and Engineering 2020; 875(1):012034. doi:10.1088/1757-899X/875/1/012034##19. Agarwal R, Samant P, Bansal A, Agarwal R. Artificial Intelligence for Iris-Based Diagnosis in Healthcare. Handbook of Metrology and Applications: Springer; 2023. p. 1-31.## ##