ارائه ساختار امن سامانه مدیریت لیست انتظار بیماران پیوند عضو مبتنی بر فناوری بلاک‌چین و ذخیره‌سازی توزیع شده پرونده Providing and Implementing the Secure Structure of the Waiting List Management System for Organ Transplantation Patients with Blockchain Technology based on IPFS 1 1 مقدمه: مدیریت و حفظ امنیت اطلاعات لیست انتظار بیماران نیازمند پیوند عضو در دهه‌های اخیر با چالش‌های متعددی مواجه بوده است. عدم اعتماد بین مشارکت‌کنندگان و نگرانی‌ها درباره حفظ حریم خصوصی بیماران و اهداکنندگان، لزوم یافتن راهکارهای امنیتی جدید را برجسته کرده است. روش کار: در این مطالعه روشی امن و قابل اعتماد برای بهبود مدیریت لیست انتظار پیوند عضو با استفاده از فناوری بلاک‌چین و شبکه سیستم پرونده توزیع شده مبنی بر IPFS ارائه و پیاده‌سازی شده است که علاوه بر ذخیره‌سازی امن اطلاعات، چالش نگهداری اسناد پزشکی حجیم را نیز حل نموده است. در ساختار پیشنهادی اطلاعات بیمار با کمک الگوریتم‌های مناسب، گمنام‌سازی و سپس ذخیره‌سازی شده و به شبکه بلاک‌چین نیز متصل می‌شوند. یافته‌ها: پس از بررسی روش‌های مشابه، چالش‌های موجود (حفاظت از هویت بیماران، نگهداری امن اسناد پزشکی و ...) شناسایی و سپس روشی یکپارچه و نوآورانه در مدیریت پیوند عضو با کمک الگوریتم‌های رمزنگاری و شبکه IPFS پیشنهاد و فراهم نموده که نه‌تنها امنیت و حریم خصوصی بیماران را به صورت جامع تأمین می‌کند، بلکه باعث کاهش نابرابری‌های اجتماعی و افزایش اعتماد به‌ فرآیند اهدای عضو نیز می‌شود و به مدیریت عادلانه لیست انتظار بیماران پیوند عضو و حل چالش‌های اساسی حوزه پزشکی کمک می‌کند. نتیجه‌گیری: سیستم پیشنهادی با به کارگیری معماری میکروسرویس، یک سیستم مقیاس‌پذیر و کارا را فراهم نموده است و می‌تواند به عنوان ابزاری مطمئن در اختیار دست اندرکاران قرار گیرد. 2 Introduction: In recent decades, the medical field has faced many challenges in managing and maintaining information security on waiting lists for organ transplantation patients. The lack of trust of the participants in this process, which requires more efforts to ensure the security and privacy of patients and donors, highlights the necessity for finding new security solutions. Method: In this study, a safe and reliable method was presented and implemented using blockchain technology based on the Network Distributed File System (IPFS) to improve waiting list management and solve the challenge of maintaining voluminous medical documents. In this method, patient information is anonymized using appropriate algorithms, and then, stored and linked to the blockchain network. Results: The implemented system provides an integrated and innovative method in organ transplantation management, which not only comprehensively provides the security and privacy of patients, but also reduces social inequalities and increases trust in the organ donation process, as well as fair management of patient waiting lists. Conclusion: The proposed system has provided a scalable and efficient system using microservices architecture and can be provided as a reliable tool for medical stakeholders. 101 114 2024/01/26 1402/11/6 2024/09/11 1403/6/21 محمد امین صمصامی Mohamahd Amin Samsami دانشجوی کارشناسی ارشد، مهندسی فناوری اطلاعات و کامپیوتر، دانشکده علوم و فناوری های نوین، دانشگاه صنعتی ارومیه، ارومیه، ایران ایران amin.samsami2@gmail.com پرویز رشیدی خزاعی Parviz Rashidi-Khazaee دکتری تخصصی مهندسی فناوری اطلاعات، استادیار، گروه مهندسی فناوری اطلاعات و کامپیوتر، دانشکده علوم و فناوری های نوین، دانشگاه صنعتی ارومیه، ارومیه، ایران ایران p.rashidi@uut.ac.ir امیدرضا بلوکی اسپیلی Omid Reza Boloki Speily دکتری تخصصی مهندسی فناوری اطلاعات، استادیار، گروه مهندسی فناوری اطلاعات و کامپیوتر، دانشکده علوم و فناوری های نوین، دانشگاه صنعتی ارومیه، ارومیه، ایران ایران omid.speily@gmail.com Blockchain Organ Transplant Waiting List Anonymization of Medical Documents Storage of Patients' Medical Documents Patient Privacy security بلاک‌چین لیست انتظار پیوند عضو گمنام‌سازی اسناد پزشکی ذخیره‌سازی اسناد پزشکی بیماران امنیت حریم خصوصی بیماران [1]. Fishman JA. Infection in organ transplantation. American Journal of Transplantation 2017;17(4):856-79. https://doi.org/10.1111/ajt.14208##[2]. Merrill JP, Murray JE, Harrison JH, Guild WR. Successful homotransplantation of the human kidney between identical twins. Journal of the American Medical Association 1956;160(4):277-82. ##[3]. LI PK, Chu KH, Chow KM, Lau MF, Leung CB, Kwan BC, et al. Cross sectional survey on the concerns and anxiety of patients waiting for organ transplants. Nephrology 2012;17(5):514-8. https://doi.org/10.1111/j.1440-1797.2012.01615.x##[4]. 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##[5]. Tagde P, Tagde S, Bhattacharya T, Tagde P, Chopra H, Akter R, et al. Blockchain and artificial intelligence technology in e-Health. Environ Sci Pollut Res Int 2021;28(38):52810-31. doi: 10.1007/s11356-021-16223-0##[6]. Zouarhi S. Kidner – A Worldwide Decentralised Matching System for Kidney Transplants. Journal of the International Society for Telemedicine and EHealth 2017; 5;e62:1-4.##[7]. Dajim LA, Al-Farras SA, Al-Shahrani BS, Al-Zuraib AA, Mathew RM. Organ donation decentralized application using blockchain technology. 2nd International Conference on Computer Applications & Information Security (ICCAIS); 2019 May 1-3; Riyadh, Saudi Arabia: IEEE; 2019. p. 1-4. doi: 10.1109/CAIS.2019.8769459##[8]. Soni A, Kumar SG. Creating organ donation system with blockchain technology. European Journal of Molecular & Clinical Medicine 2021;8(03):2021. ##[9]. Hawashin D, Jayaraman R, Salah K, Yaqoob I, Simsekler MC, Ellahham S. Blockchain-based management for organ donation and transplantation. IEEE Access 2022;10:59013-25. doi: 10.1109/ACCESS.2022.3180008##[10]. Alandjani G. Blockchain based auditable medical transaction scheme for organ transplant services. 3C Tecnología 2019;31(2):41-63.##[11]. Yahaya CA, Firdaus A, Khen YY, Yaakub CY, Abd Razak MF. An Organ Donation Management System (ODMS) based on Blockchain Technology for Tracking and Security Purposes. International Conference on Software Engineering & Computer Systems and 4th International Conference on Computational Science and Information Management (ICSECS-ICOCSIM); 2021 Aug 24; Pekan, Malaysia: IEEE; 2021. p. 377-82. doi: 10.1109/ICSECS52883.2021.00075##[12]. Daniel IA, Pop C, Anghel I, Antal M, Cioara T. A blockchain based solution for managing transplant waiting lists and medical records. 16th International Conference on Intelligent Computer Communication and Processing (ICCP) 2020 Sep 3-5; Cluj-Napoca, Romania: IEEE; 2020. p. 505-10. doi: 10.1109/ICCP51029.2020.9266214##[13]. Kiani M, Abbasi M, Ahmadi M, Salehi B. Organ transplantation in Iran; current state and challenges with a view on ethical consideration. J Clin Med 2018;7(3): 45. https://doi.org/10.3390/jcm7030045##[14]. Kumari S, Dixit T, Prakash P, Sharma V. Public Fund Care Tracking System based on Blockchain. 2nd Asian Conference on Innovation in Technology (ASIANCON); 2022 Aug 26; Ravet, India: IEEE; 2022. p. 1-5. doi: 10.1109/ASIANCON55314.2022.9908651##[15]. Hussien HM, Yasin SM, Udzir NI, Ninggal MI, Salman S. Blockchain technology in the healthcare industry: Trends and opportunities. Journal of Industrial Information Integration 2021;22:100217. https://doi.org/10.1016/j.jii.2021.100217##[16]. Wu K. An empirical study of blockchain-based decentralized applications. arXiv preprint arXiv:1902.04969. 2019. https://doi.org/10.48550/arXiv.1902.04969##[17]. Johari R, Kumar V, Gupta K, Vidyarthi DP. BLOSOM: BLOckchain technology for Security of Medical records. ICT Express 2022;8(1):56-60. https://doi.org/10.1016/j.icte.2021.06.002##[18]. Wu H, Dwivedi AD, Srivastava G. Security and privacy of patient information in medical systems based on blockchain technology. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM). 2021;17(2s):1-7. https://doi.org/10.1145/3408321##[19]. Azbeg K, Ouchetto O, Andaloussi SJ. BlockMedCare: A healthcare system based on IoT, Blockchain and IPFS for data management security. Egyptian Informatics Journal 2022;23(2):329-43. https://doi.org/10.1016/j.eij.2022.02.004##[20]. Kumar R, Marchang N, Tripathi R. Distributed off-chain storage of patient diagnostic reports in healthcare system using IPFS and blockchain. International Conference on Communication Systems & Networks (COMSNETS) 2020 Jan 7-11; Bengaluru, India: IEEE; 2020. p. 1-5. doi: 10.1109/COMSNETS48256.2020.9027313##[21]. Olatunji IE, Rauch J, Katzensteiner M, Khosla M. A review of anonymization for healthcare data. Big Data 2022. doi: 10.1089/big.2021.0169##[22]. Long S. A comparative analysis of the application of hashing encryption algorithms for MD5, SHA-1, and SHA-512. Journal of Physics Conference Series 2019;(1):012210. doi:10.1088/1742-6596/1314/1/012210##[23]. Nishi FK, Shams-E-Mofiz M, Khan MM, Alsufyani A, Bourouis S, Gupta P, et al. [Retracted] Electronic Healthcare Data Record Security Using Blockchain and Smart Contract. Journal of Sensors 2022;2022(1):7299185. https://doi.org/10.1155/2022/7299185##[24]. Koutmos D. Network activity and ethereum gas prices. J. Risk Financial Manag 2023;16(10): 431. https://doi.org/10.3390/jrfm16100431## ##

تشخیص هوشمند سرطان حنجره با استفاده از روش‌های یادگیری ماشین Intelligent Diagnosis of Larynx Cancer Using Machine Learning Methods 1 1 مقدمه: سرطان حنجره بر اساس عوامل مختلف می‌توانند خوش‌خیم یا بدخیم باشند. هدف این پژوهش بهبود مدلی مبتنی بر یادگیری ماشین جهت ارتقاء تشخیص افراد درگیر با سرطان حنجره می‌باشد. روش کار: گام نخست، صداهای افرادی که به مراکز درمانی مراجعه کرده‌اند (شامل آواهای (آ)، (ای)، (او)) ضبط شده و به عنوان مجموعه داده در نظر گرفته شده‌اند؛ در گام دوم داده‌ها توسط پزشک متخصص به سه کلاس سرطان خوش‌خیم، سرطان بدخیم و سالم تقسیم شده‌اند؛ در گام سوم مرحله پاکسازی داده‌ها انجام شده است؛ در گام چهارم ویژگی‌های مرتبط با صدا از داده‌ها استخراج و در گام پنجم، 5 مدل یادگیری ماشین SVM، Decision Tree، Naïve Bayes، MLP و Random Forest بر روی مجموعه داده‌ها پیاده‌سازی شده است و در آخر با استفاده از معیارهای ارزیابی مانند دقت، F-score و دیگر معیارهای ارزیابی، عملکرد مدل‌ها ارزیابی شده است. یافته‌ها: نتایج پیاده‌سازی نشان داد که مدل SVM برای آوای (آ) و آوای (او) با دقت 0/818، دقت بالاتری نسبت به سایر مدل‌ها از خود نشان داده است، آوای (ای) با دقت 0/818 در مدل MLP بالاترین دقت را دارا می‌باشد. نتیجه‌گیری: پژوهش حاضر، به ارزیابی مدل‌های یادگیری ماشین برای تشخیص سرطان حنجره بر اساس داده‌های صوتی پرداخته است، نتایج نشان داد که استفاده از مدل SVM برای تشخیص سرطان حنجره می‌تواند با دقت بیشتری در تشخیص این بیماری کمک کند و ارائه نتایج قابل اعتمادی را فراهم آورد. 2 Introduction: Larynx cancer can be benign or malignant based on various factors. This research aimed to provide a machine learning-based model to improve the diagnosis of individuals with larynx cancer. Method: In the first step, the voices of the people who visited the medical centers (including the sounds (A), (E), and (O)) were recorded and considered as a data set. In the second step, the data were classified into three classes (benign cancer, malignant cancer, and healthy) by a specialist. In the third step, the data cleaning was done. In the fourth step, the features related to sound were extracted from the data. In the fifth step, five machine learning models including SVM, Decision Tree, Naïve Bayes, MLP, and Random Forest were implemented on the data set. Finally, the performance of the models was evaluated using evaluation criteria such as accuracy, F-score, and other evaluation criteria. Results: The results of the implementation showed that the SVM model had a higher accuracy than other models for the sound (A) and sound (O) with an accuracy of 0.818, and the sound (E) with an accuracy of 0.818 in the model MLP had the highest accuracy. Conclusion: The present study evaluated machine learning models for the diagnosis of laryngeal cancer based on audio data. The results showed that the use of the SVM model for the diagnosis of laryngeal cancer can help diagnose this disease more accurately and provide reliable results. 115 130 2024/01/262024/03/12 1402/12/22 2024/09/112024/08/3 1403/5/13 فرشته آراد Fereshteh Arad پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران ایران fereshteh_arad@math.uk.ac.ir سید محمد موسوی Seyyed Mohammad Mousavi مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mr.mousavi.khj@gmail.com سوده حسینی Soodeh Hosseini پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران ایران so_hosseini@uk.ac.ir مریم عامی زاده Maryam Amizade پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران ایران m.amizadeh@kmu.ac.ir ایوب شیخی Ayyub Sheikhi پژوهشکده ریاضی ماهانی، پژوهشگاه افضلی پور، دانشگاه شهید باهنر کرمان، کرمان، ایران ایران sheikhy.a@uk.ac.ir Laryngeal cancer Machine learning Deep learning Artificial intelligence سرطان حنجره یادگیری ماشین یادگیری عمیق هوش مصنوعی [1]. Sarmah SS. Concept of artificial intelligence, its impact and emerging trends. International Research Journal of Engineering and Technology 2019;6(11):2164-8.##[2]. Zhang Y. New Advances in Machine Learning. Intechopen; 2010.##[3]. Alatrany AS, Hussain AJ, Mustafina J, Al-Jumeily D. Machine learning approaches and applications in genome wide association study for Alzheimer’s disease: A systematic review. IEEE Access 2022;10:62831-47. doi: 10.1109/ACCESS.2022.3182543##[4]. Maimon O, Rokach L, editors. Data Mining and Knowledge Discovery Handbook. New York: Springer; 2005.##[5]. Zhou Y, Qiu G. Random forest for label ranking. Expert systems with Applications 2018;112:99-109.##[6]. Rani A, Kumar N, Kumar J, Sinha NK. Machine learning for soil moisture assessment. In Deep learning for sustainable agriculture. Academic Press; 2022. p. 143-68.##[7]. Chaudhuri K.D. Building Naive Bayes Classifier from Scratch to Perform Sentiment Analysis. Analytics Vidya.com. 2022. [2023 Aug 16]. Available from: https://www.analyticsvidhya.com/blog/2022/03/building-naive-bayes-classifier-from-scratch-to-perform-sentiment-analysis.##[8]. Nazzal JM, El-Emary IM, Najim SA, Ahliyya A. Multilayer perceptron neural network (MLPs) for analyzing the properties of Jordan oil shale. World Applied Sciences Journal. 2008;5(5):546-52.##[9]. Hamedi S, Kordrostami Z, Yadollahi A. Artificial neural network approaches for modeling absorption spectrum of nanowire solar cells. Neural Computing and Applications 2019;31(12):8985-95. doi:10.1007/s00521-019-04406-3##[10]. Al-Dhief FT, Latiff NM, Malik NN, Salim NS, Baki MM, Albadr MA, Mohammed MA. A survey of voice pathology surveillance systems based on internet of things and machine learning algorithms. IEEE Access 2020;8:64514-33. doi: 10.1109/ACCESS.2020.2984925##[11]. Sayadi M, Varadarajan V, Langarizadeh M, Bayazian G, Torabinezhad F. A systematic review on machine learning techniques for early detection of mental, neurological and laryngeal disorders using patient’s speech. Electronics 2022;11(24):4235. https://doi.org/10.3390/electronics11244235##[12]. Mesallam TA, Farahat M, Malki KH, Alsulaiman M, Ali Z, Al-Nasheri A, et al. Development of the arabic voice pathology database and its evaluation by using speech features and machine learning algorithms. Journal of healthcare engineering. 2017;2017(1):8783751. https://doi.org/10.1155/2017/8783751##[13]. Saloni, Sharma RK, Gupta AK. Disease detection using voice analysis: A review. International Journal of Medical Engineering and Informatics 2014;6(3):189-209. https://doi.org/10.1504/IJMEI.2014.063173##[14]. Kim H, Jeon J, Han YJ, Joo Y, Lee J, Lee S, et al. Convolutional neural network classifies pathological voice change in laryngeal cancer with high accuracy. J. Clin Med 2020, 9(11): 3415. https://doi.org/10.3390/jcm9113415.##[15]. Gour GB, Udayashankara V, Badakh DK, Kulkarni YA. Voice-Disorder Identification of Laryngeal Cancer Patients. International Journal of Advanced Computer Science and Applications. 2020;11(11). doi: 10.14569/IJACSA.2020.0111145## [16]. McFee B, Raffel C, Liang D, Ellis DP, McVicar M, Battenberg E, Nieto O: librosa: Audio and music signal analysis in python. In: SciPy: 2015; 2015: 18-24.##[17]. Larynx_Cancer code [cited 2024 May 14]. Available from: https://github.com/muhammadmo/Larynx_cancer.## ##

بررسی مسیرهای سیگنالی متابولیسمی در سلول‌های بنیادی سرطان گلیوبلاستوما به واسطه آنالیز‌های بیوانفورماتیک Bioinformatics Analysis of Metabolic Signaling Pathways in Glioblastoma Cancer Stem Cells 1 1 مقدمه: گلیوبلاستوما یکی از سرطان‌های شایع مغزی بوده که نرخ مرگ و میر بالایی دارد. در این مطالعه با استفاده از آنالیز بیوانفورماتیک به بررسی و کاندید نمودن ژن‌های موجود در مسیرهای متابولیسمی سلول‌های بنیادی گلیوبلاستوما پرداخته شد. روش کار: در این مطالعه با مراجعه به پایگاه داده GEO دیتاست مناسب برای آنالیز انتخاب گردید. این دیتاست شامل پروفایل بیان ژنی در سلول‌های بنیادی جدا شده از بیماران گلیوبلاستوما بود. کلاسترهای ژنی با بیان بالا و پایین دسته‌بندی شدند. برای ارزیابی دقیق‌تر داده از پایگاه های داده غنی همچون Enrichr، STRING و GEPIA استفاده شد. در نهایت ژن‌هایی کاندید و جدا شدند. یافته‌ها: 1250 ژن در مسیر‌های بیوسنتز کلسترول، متابولیسم اینوزیتول تری فسفات، متابولیسم گرانیل گرانیل دی فسفات، بیوسنتز زیموسترول و متابولیسم فسفاتیدیل اینوزیتول بیان بالا داشته و 1030 ژن در مسیرهای کوندروییتین سولفات، درماتان سولفات، N استیل گلوکوزآمین، مسیر گلیکولیز بیان پایین داشتند. پس از ارزیابی ارتباط بین شبکه‌های پروتئینی، ژن‌های با بیان بالا و ژن‌های با بیان پایین انتخاب شدند. تمامی این ژن‌‌ها در منحنی بقاء، در بازه حدود 20 ماه، زنده مانی بیماران کمتر از 10% مشاهده شد. نتیجه‌گیری: نتایج این مطالعه نشان داد که ژن DHCR7 به طور معنی‌داری افزایش بیان داشته و ژن ENO2 نیز به طور معنی‌داری کاهش بیان داشته و بقیه ژن‌ها افزایش بیان و کاهش بیان نسبی داشتند. 2 Introduction: Glioblastoma is one of the common brain cancers that has a high mortality rate. In this study, the genes present in the metabolic pathways of glioblastoma stem cells were examined and nominated using bioinformatics analysis. Method: In this study, an appropriate dataset was selected for analysis by referring to GEO database. This dataset included gene expression profiles in stem cells isolated from glioblastoma patients. Gene clusters with high and low expression were categorized. Rich databases such as Enrichr, STRING, and GEPIA were used for more accurate data evaluation. Finally, candidate genes were isolated. Results: 1250 genes were highly expressed in cholesterol biosynthesis, inositol triphosphate metabolism, geranyl diphosphate metabolism, zymosterol biosynthesis, and phosphatidylinositol metabolism, and 1030 genes were low in chondroitin sulfate, dermatan sulfate, N acetyl glucosamine, and glycolysis pathways. After evaluating the relationship between protein networks, genes with high and low expression were selected. All these genes were observed in the survival curve, in about 20 months. The survival rate of patients was less than 10%. Conclusion: The results of this study showed that the DHCR7 gene had a significant increase in expression. However, the ENO2 gene had a significant decrease in expression. The rest of the genes had a relative increase and decrease in expression. 131 148 2024/01/262024/03/122024/06/9 1403/3/20 2024/09/112024/08/32024/08/3 1403/5/13 مهدی نظاملی Mehdi Nizamali کارشناس ارشد زیست شناسی، گروه زیست شناسی، واحد اسلامشهر دانشگاه آزاد اسلامی، اسلامشهر، تهران، ایران ایران Mehdi.nezamly@gmail.com مهناز محمدی Mahnaz Mohammadi دکتری زیست شناسی، استادیار گروه زیست شناسی، گروه زیست شناسی، واحد اسلامشهر دانشگاه آزاد اسلامی ، اسلامشهر، تهران، ایران ایران mh_mohamadi@yahoo.com معصومه نژادعلی لفمجانی Masoumeh Nezhad Ali Lampajani دکتری زیست شناسی، استادیار گروه زیست شناسی، گروه زیست شناسی، واحد اسلامشهر دانشگاه آزاد اسلامی ، اسلامشهر، تهران، ایران ایران Ma_nejadali@yahoo.com Glioblastoma Cancer Stem Cells Gene Expression Profiles Bioinformatics Analysis گلیوبلاستوما سلول‌های بنیادی سرطانی پروفایل بیان ژن و آنالیز بیوانفورماتیک [1]. Taylor OG, Brzozowski JS, Skelding KA. Glioblastoma multiforme: an overview of emerging therapeutic targets. Front Oncol 2019; 9: 963. doi: 10.3389/fonc.2019.00963##[2]. Ouyang L, Shi Z, Zhao S, Wang F, Zhou T, Liu B, et al. Programmed cell death pathways in cancer : a review of apoptosis, autophagy and programmed necrosis. Cell Prolif 2012; 45(6): 487–98. doi: 10.1111/j.1365-2184.2012.00845.x##[3]. Foster I. Cancer : A cell cycle defect. Radiography 2008; 14(2):144–9. https://doi.org/10.1016/j.radi.2006.12.001 ##[4]. Biology C. Molecular theory of cancer. Cancer Biol Ther 2005;4(6):621-7. doi: 10.4161/cbt.4.6.1818##[5]. Jacquemet G, Hamidi H, Ivaska J. Filopodia in cell adhesion, 3D migration and cancer cell invasion. Curr Opin Cell Biol 2015:36:23-31. doi: 10.1016/j.ceb.2015.06.007##[6]. Yadav L, Puri N, Rastogi V, Satpute P, Sharma V. Tumour Angiogenesis and Angiogenic Inhibitors : A Review. 2015;9(6):4–8. doi: 10.7860/JCDR/2015/12016.6135##[7]. Ozdemir-Kaynak E, Qutub AA, Yesil-Celiktas O. Advances in glioblastoma multiforme treatment: new models for nanoparticle therapy. Front Physiol 2018; 9: 170. doi: 10.3389/fphys.2018.00170##[8]. Clarke MF. Clinical and therapeutic implications of cancer stem cells. N Engl J Med 2019;380(23):2237-45. doi: 10.1056/NEJMra1804280##[9]. Najafi M, Farhood B, Mortezaee K. Cancer stem cells (CSCs) in cancer progression and therapy. J Cell Physiol 2019;234(6):8381-95. doi: 10.1002/jcp.27740##[10]. Mazor G, Levin L, Picard D, Ahmadov U, Carén H, Borkhardt A, et al. The lncRNA TP73-AS1 is linked to aggressiveness in glioblastoma and promotes temozolomide resistance in glioblastoma cancer stem cells. Cell Death Dis 2019;10(3):246. doi: 10.1038/s41419-019-1477-5##[11]. Alvarado AG, Thiagarajan PS, Mulkearns-Hubert EE, Silver DJ, Hale JS, Alban TJ, et al. Glioblastoma cancer stem cells evade innate immune suppression of self-renewal through reduced TLR4 expression. Cell Stem Cell 2017;20(4):450-61.e4. doi: 10.1016/j.stem.2016.12.001##[12]. Cristofaro I, Alessandrini F, Spinello Z, Guerriero C, Fiore M, Caffarelli E, et al. Cross interaction between M2 muscarinic receptor and Notch1/EGFR pathway in human glioblastoma cancer stem cells: effects on cell cycle progression and survival. Cells. 2020;9(3):657. doi: 10.3390/cells9030657##[13]. Yang ZF, Ho DW, Ng MN, Lau CK, Yu WC, Ngai P, et al. Significance of CD90+ cancer stem cells in human liver cancer. Cancer Cell 2008;13(2):153-66. doi: 10.1016/j.ccr.2008.01.013##[14]. Du Z, Jia D, Liu S, Wang F, Li G, Zhang Y, et al. Oct4 is expressed in human gliomas and promotes colony formation in glioma cells. Glia 2009;57(7):724-33. doi: 10.1002/glia.20800##[15]. Fukaya R, Ohta S, Yamaguchi M, Fujii H, Kawakami Y, Kawase T, et al. Isolation of cancer stem-like cells from a side population of a human glioblastoma cell line, SK-MG-1. Cancer Lett 2010;291(2):150-7. doi: 10.1016/j.canlet.2009.10.010##[16]. Maira SM, Stauffer F, Schnell C, García-Echeverría C. PI3K inhibitors for cancer treatment: where do we stand? Biochem Soc Trans. 2009;37(Pt 1):265-72. doi: 10.1042/BST0370265##[17]. Hambardzumyan D, Becher OJ, Rosenblum MK, Pandolfi PP, Manova-Todorova K, Holland EC. PI3K pathway regulates survival of cancer stem cells residing in the perivascular niche following radiation in medulloblastoma in vivo. Genes Dev 2008; 22(4): 436–48. doi: 10.1101/gad.1627008##[18]. Nalini V, Segu R, Deepa PR, Khetan V, Vasudevan M, Krishnakumar S. Molecular insights on post-chemotherapy retinoblastoma by microarray gene expression analysis. Bioinform Biol Insights 2013;7:289-306. doi: 10.4137/BBI.S12494##[19]. Leidinger P, Keller A, Bioinformatics C. The miRNome of Alzheimer’s disease: consistent downregulation of the miR-132/212 cluster. Neurobiol Aging 2016;50(4):167–77. http://dx.doi.org/10.1016/j.neurobiolaging.2016.09.019##[20]. Venkatesan N, Deepa PR, Vasudevan M, Khetan V, Reddy AM, Krishnakumar S. Integrated analysis of dysregulated miRNA-gene expression in HMGA2-silenced retinoblastoma cells. Bioinform Biol Insights 2014;8:177-91. doi: 10.4137/BBI.S16958##[21]. Lu VM, Jue TR, McDonald KL, Rovin RA. The survival effect of repeat surgery at glioblastoma recurrence and its trend: a systematic review and meta-analysis. World Neurosurg 2018;115:453–9. doi: 10.1016/j.wneu.2018.04.016##[22]. Jeon HY, Ham SW, Kim JK, Jin X, Lee SY, Shin YJ, et al. Ly6G+ inflammatory cells enable the conversion of cancer cells to cancer stem cells in an irradiated glioblastoma model. Cell Death & Differ 2019;26(10):2139–56. doi: 10.1038/s41418-019-0282-0##[23]. Ryskalin L, Gaglione A, Limanaqi F, Biagioni F, Familiari P, Frati A, et al. The autophagy status of cancer stem cells in gliobastoma multiforme: From cancer promotion to therapeutic strategies. Int J Mol Sci 2019;20(15):3824. doi: 10.3390/ijms20153824##[24]. Angelucci C, D’Alessio A, Lama G, Binda E, Mangiola A, Vescovi AL, et al. Cancer stem cells from peritumoral tissue of glioblastoma multiforme: The possible missing link between tumor development and progression. Oncotarget. 2018;9(46):28116. doi: 10.18632/oncotarget.25565##[25]. Ma Q, Long W, Xing C, Chu J, Luo M, Wang HY, et al. Cancer stem cells and immunosuppressive microenvironment in glioma. Front Immunol 2018;9:2924. doi: 10.3389/fimmu.2018.02924##[26]. van Schaijik B, Wickremesekera AC, Mantamadiotis T, Kaye AH, Tan ST, Stylli SS, et al. Circulating tumor stem cells and glioblastoma: A review. J Clin Neurosci 2019;61:5–9. doi: 10.1016/j.jocn.2018.12.019##[27]. Yin J, Kim SS, Choi E, Oh YT, Lin W, Kim TH, et al. ARS2/MAGL signaling in glioblastoma stem cells promotes self-renewal and M2-like polarization of tumor-associated macrophages. Nat Commun 2020;11(1):1–15. doi: 10.1038/s41467-020-16789-2##[28]. Takashima Y, Kawaguchi A, Yamanaka R. Promising prognosis marker candidates on the status of epithelial--mesenchymal transition and glioma stem cells in glioblastoma. Cells 2019;8(11):1312. doi: 10.3390/cells8111312##[29]. Wen J, Li J, Liang X, Wang A. Association of Polymorphisms in Vitamin D-Metabolizing Enzymes DHCR7 and CYP2R1 with Cancer Susceptibility: A Systematic Review and Meta-Analysis. Dis Markers 2021; 2021: 6615001.doi: 10.1155/2021/6615001##[30]. Zhang D, Wang Y, Tang J, Mu H. Random laser marked PLCD1 gene therapy effect on human breast cancer. J Appl Phys 2019;125(20):203102. https://doi.org/10.1063/1.5095834##[31]. Sanchez-Solana B, Wang D, Qian X, Velayoudame P, Simanshu DK, Acharya JK, et al. The tumor suppressor activity of DLC1 requires the interaction of its START domain with Phosphatidylserine, PLCD1, and Caveolin-1. Mol Cancer 2021;20(1):141. doi: 10.1186/s12943-021-01439-y##[32]. He X, Meng F, Yu Z, Zhu X, Qin L, Wu X, et al. PLCD1 suppressed cellular proliferation, invasion, and migration via inhibition of Wnt/$β$-catenin signaling pathway in esophageal squamous cell carcinoma. Dig Dis Sci 2021;66(2):442-51. doi: 10.1007/s10620-020-06218-1## [33]. Chen W, Jiang J, Gong L, Shu Z, Xiang D, Zhang X, et al. Hepatitis B virus P protein initiates glycolytic bypass in HBV-related hepatocellular carcinoma via a FOXO3/miRNA-30b-5p/MINPP1 axis. J Exp Clin Cancer Res 2021;40(1):1. doi: 10.1186/s13046-020-01803-8##[34]. Zheng X, Liu H, Zhong X, Liu X, Cai Z, Chen Y, et al. HK1 induces epithelial-mesenchymal transition and promotes metastasis of colorectal cancer. Cancer Res (2021) 81 (13_Supplement): 2840. https://doi.org/10.1158/1538-7445.AM2021-2840##[35]. Liu D, Mao Y, Chen C, Zhu F, Lu W, Ma H. Expression patterns and clinical significances of ENO2 in lung cancer: an analysis based on Oncomine database. Ann Transl Med 2020; 8(10): 639. doi: 10.21037/atm-20-3354##[36]. Zheng Y, Wu C, Yang J, Zhao Y, Jia H, Xue M, et al. Insulin-like growth factor 1-induced enolase 2 deacetylation by HDAC3 promotes metastasis of pancreatic cancer. Signal Transduct Target Ther 2020;5(1):53. doi: 10.1038/s41392-020-0146-6## ##

شناسایی و معرفی الزامات طراحی برنامه خودمدیریتی تلفن‌همراه برای بیماران همودیالیز: یک مطالعه مقطعی Identifying and Introducing the Design Requirements of a Mobile Self-Management Application for Hemodialysis Patients: A Cross-Sectional Study 1 1 مقدمه: همودیالیز یکی از رایج‌ترین روش‌های درمان بیماران مبتلا به نارسایی مزمن کلیه است. افرادی که تحت همودیالیز قرار دارند، با چالش‌های مختلف خودمدیریتی از قبیل مشکلات جسمی، عاطفی و روانی روبه‌رو می‌شوند. برنامه‌های کاربردی تلفن‌همراه به عنوان ابزاری مفید جهت روند خودمدیریتی بیماران مزمن می‌باشند. هدف از این مطالعه شناسایی و معرفی الزامات مورد نیاز در طراحی یک برنامه‌کاربردی خودمدیریتی مبتنی بر تلفن‌همراه برای بیماران تحت همودیالیز می‌باشد. روش کار: این مطالعه به صورت توصیفی-مقطعی در سال 1403 انجام شد. ابزار گردآوری داده‌ها یک پرسشنامه الکترونیکی محقق‌ساخته بود که شامل نیازهای اطلاعاتی-آموزشی و قابلیت‌های برنامه‌کاربردی بود. نیازسنجی از 33 نفر (11 پزشک و 22 بیمار) در بیمارستان افضلی‌پور شهر کرمان انجام شد. تجزیه و تحلیل داده‌ها با استفاده از نرم‌افزار SPSS نسخه 27 و آماری توصیفی صورت گرفت. یافته‌ها: در مجموع 89 نیازهای اطلاعاتی- آموزشی و قابلیت‌های برنامه‎کاربردی برای بیماران تحت همودیالیز شناسایی شد. عناصر داده شناسایی شده برای قابلیت‌های برنامه‌کاربردی در ده گروه پروفایل بیمار، داده بالینی، مدیریت مصرف دارو، مدیریت تغذیه و رژیم‌غذایی، مدیریت چالش‌های روانشناسی و روانپزشکی، مدیریت خواب، مدیریت درد، برقراری ارتباط، ورزش و ابزار‌‍‌های جانبی تقسیم شدند. مطابق با دیدگاه پزشکان و بیماران تمامی نیازهای اطلاعاتی- آموزشی (26 عنصر داده) و قابلیت‌های برنامه‌کاربردی (63 عنصر داده) به جزء نام‌خانوادگی، کد ملی و شماره تماس با کسب میانگینی بزرگ‌تر و مساوی 2/50 (50 درصد) برای طراحی برنامه‌کاربردی ضروری تلقی شدند. نتیجه‌گیری: نیازهای اطلاعاتی-آموزشی و قابلیت‌های برنامه‌کاربردی شناسایی شده در این مطالعه می‌تواند به طراحان در طراحی کارآمد و کاربرپسندبودن برنامه‌های کاربردی خودمدیریتی همودیالیز کمک کند. 2 Introduction: Hemodialysis is one of the most common methods of treating patients with chronic kidney failure. People undergoing hemodialysis face various self-management challenges such as physical, emotional, and psychological problems. Mobile phone applications are useful tools for the self-management process of chronic patients. The purpose of this study was to identify and introduce the requirements needed in designing a mobile phone-based self-management application for hemodialysis patients. Method: This descriptive cross-sectional study was conducted in 2024. The data collection tool was a researcher-made electronic questionnaire that included information-educational needs and application capabilities. A needs assessment was conducted on 33 people (11 doctors and 22 patients) in Afzalipour Hospital in Kerman. Data analysis was done using SPSS version 27 and descriptive statistics. Results: A total of 89 information-educational needs and application capabilities were identified for hemodialysis patients. The data elements identified for application capabilities were divided into 10 groups: patient profile, clinical data, medication administration, nutrition and dietary management, psychological and psychiatric challenges management, sleep management, pain management, communication, and exercise. According to the views of doctors and patients, all information-educational needs (26 data elements) and application capabilities (63 data elements) except surname, national code, and contact number, with an average greater than and equal to 2.50 (50 percent) were considered essential for designing an application program. Conclusion: The identified information-educational needs and the application capabilities in this study, can assist designers in creating efficient and user-friendly self-management applications for hemodialysis. 149 161 2024/01/262024/03/122024/06/92024/09/22 1403/7/1 2024/09/112024/08/32024/08/32024/10/2 1403/7/11 فاطمه دیناری Fatemeh Dinari دانشجوی دکتری مدیریت اطلاعات سلامت، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، مرکز تحقیقات منابع انسانی سلامت، دانشگاه علوم پزشکی شیراز، شیراز، ایران ایران fatemehdinari67@yahoo.com آزاده بشیری Azadeh Bashiri دکتری مدیریت اطلاعات سلامت، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، مرکز تحقیقات منابع انسانی سلامت، دانشگاه علوم پزشکی شیراز، شیراز، ایران ایران bashiri.azadeh@gmail.com راضیه رئوفی Raziyeh Raufi کارشناسی ارشد کتابداری و اطلاع‌رسانی پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران r.raufi@yahoo.com خدیجه مولایی Khadijah Moulai دکترای انفورماتیک پزشکی، استادیار، گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران ایران moulaei.kh91@gmail.com رضا مولایی Reza Moulai رزیدنت ارتوپدی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران ایران Rezamoulaei@yahoo.com Hemodialysis Self-management Application program Mobile health همودیالیز خودمدیریتی برنامه‌کاربردی سلامت همراه [1]. Levey AS, Inker LA, Coresh J. Chronic kidney disease in older people. JAMA 2015;314(6):557-8. doi: 10.1001/jama.2015.6753##[2]. Thomas B, Matsushita K, Abate KH, Al-Aly Z, Ärnlöv J, Asayama K, et al. Global cardiovascular and renal outcomes of reduced GFR. J Am Soc Nephrol 2017;28(7):2167-79. doi: 10.1681/ASN.2016050562##[3]. Abedi Samakoosh M, Aghaie N, Gholami F, Shirzad M, Yosefi E, Teymoorzadeh Baboli M. Assesment dialysis adequacy in hemodialysis patients of Qaemshar Razi Hospital in 2012. J Mazandaran Univ Med Sci 2013;23(107):20-7.##[4]. Wagner LA, Tata AL, Fink JC. Patient safety issues in CKD: core curriculum 2015. Am J Kidney Dis 2015;66(1):159-69. doi: 10.1053/j.ajkd.2015.02.343##[5]. Webster AC, Nagler EV, Morton RL, Masson P. Chronic kidney disease. doi: 10.1016/S0140-6736(16)32064-5. doi: 10.1016/S0140-6736(16)32064-5##[6]. Moran A, Scott P, Darbyshire P. Existential boredom: the experience of living on haemodialysis therapy. Med Humanit 2009;35(2):70-5. doi: 10.1136/jmh.2009.001511##[7]. Morehouse RE, Colvin E, Maykut P, Frauman AC. Nephrology nurse-patient relationships in the outpatient dialysis setting/commentary and response. Nephrol Nurs J 2001;28(3):295-300.##[8]. National Institute of Diabetes and Digestive and Kidney Diseases. Overweight and Obesity Statistics. Available from: https://www.niddk.nih.gov/health-information/health-statistics/overweight-obesity##[9]. Crews DC, Gutiérrez OM, Fedewa SA, Luthi JC, Shoham D, Judd SE, et al. Low income, community poverty and risk of end stage renal disease. BMC Nephrology 2014;15(1):1-9.##[10]. Curtin RB, Bultman Sitter DC, Schatell D, Chewning BA. Self-management, knowledge, and functioning and well-being of patients on hemodialysis. Nephrol Nurs J 2004;31(4):378-86, 396; quiz 387.##[11]. White Y, Grenyer BF. The biopsychosocial impact of end‐stage renal disease: the experience of dialysis patients and their partners. J Adv Nurs 1999;30(6):1312-20. doi: 10.1046/j.1365-2648.1999.01236.x##[12]. Ahmadvand A, Sepehrmanesh Z, Akasheh G, Saei R. Evaluation of sexual dysfunction disorders in hemodialysis patients in Akhavan Hospital in Kashan, 2013, Iran. Q Qom Univ Med Sci J 2014; 8(2):20-7. [In Persian] doi: 20.1001.1.17357799.1393.8.2.3.1##[13]. Murtagh FE, Addington-Hall J, Higginson IJ. The prevalence of symptoms in end-stage renal disease: a systematic review. Adv Chronic Kidney Dis 2007;14(1):82-99. doi: 10.1053/j.ackd.2006.10.001##[14]. Saran R, Robinson B, Abbott KC, Agodoa LY, Albertus P, Ayanian J, Balkrishnan R, Bragg-Gresham J, Cao J, Chen JL, Cope E. US renal data system 2016 annual data report: epidemiology of kidney disease in the United States. American Journal of Kidney Diseases 2017;69(3):A7-8. doi: 10.1053/j.ajkd.2016.12.004##[15]. Ghadam MS, Poorgholami F, Jahromi ZB, Parandavar N, Kalani N, Rahmanian E. Effect of self-care education by face-to-face method on the quality of life in hemodialysis patients (relying on ferrans and powers questionnaire). Glob J Health Sci. 2016; 8(6): 121–7. doi: 10.5539/gjhs.v8n6p121##[16]. Bard R. A team approach to better care. Canadian Nurse 2010;106(1).##[17]. Loscalzo J, Fauci A, Kasper DL, Hauser S, Longo D, Jameson JL. Harrison's Principles of Internal Medicine, 21th ed. States of America: McGraw Hill Professional; 2012.##[18]. Howells LA. Self-efficacy and diabetes: why is emotional ‘education’important and how can it be achieved? Horm Res 2002:57 Suppl 1:69-71. doi: 10.1159/000053317##[19]. Gatmiri SM, Shamspour N, Minoo FS, Lessan-Pezeshki M, Shamspour N, Tabatabei A. Evaluation of Iranian Patients with Chronic Renal Failure and End-Stage Renal Disease Admitted to Medical Centers in Mecca and Medina during Hajj in 2012 and 2013: Causes and Outcomes. Iran Red Crescent Med J 2020; 22(9):e143. https://doi.org/10.32592/ircmj.2020.22.9.143##[20]. McAndrew L, Schneider SH, Burns E, Leventhal H. Does patient blood glucose monitoring improve diabetes control? Diabetes Educ 2007;33(6):991-1011; discussion 1012-3. doi: 10.1177/0145721707309807##[21]. Diamantidis CJ, Becker S. Health information technology (IT) to improve the care of patients with chronic kidney disease (CKD). BMC Nephrol 2014:15:7. doi: 10.1186/1471-2369-15-7##[22]. Molaei K, Ahmadi M. The role of mobile health apps to facilitate self-care. Journal of Modern Medical Information Science 2017;3(1):44-55. [In Persian]##[23]. Siddique AB, Krebs M, Alvarez S, Greenspan I, Patel A, Kinsolving J, Koizumi N. Mobile apps for the care management of chronic kidney and end-stage renal diseases: Systematic search in app stores and evaluation. JMIR Mhealth Uhealth. 2019 Sep; 7(9): e12604. doi: 10.2196/12604##[24]. Min Y, Park M. Effects of a mobile-app-based self-management support program for elderly hemodialysis patients. Healthc Inform Res 2020; 26(2): 93–103. doi: 10.4258/hir.2020.26.2.93##[25]. Welch JL, Astroth KS, Perkins SM, Johnson CS, Connelly K, Siek KA, et al. Using a mobile application to self‐monitor diet and fluid intake among adults receiving hemodialysis. Res Nurs Health 2013;36(3):284-98. doi: 10.1002/nur.21539##[26]. Singh K, Diamantidis CJ, Ramani S, Bhavsar NA, Mara P, Warner J, et al. Patients’ and nephrologists’ evaluation of patient-facing smartphone apps for CKD. Clin J Am Soc Nephrol 2019;14(4):523-9. doi: 10.2215/CJN.10370818##[27]. Hallberg I, Taft C, Ranerup A, Bengtsson U, Hoffmann M, Höfer S, et al. Phases in development of an interactive mobile phone-based system to support self-management of hypertension. Integr Blood Press Control. 2014; 7: 19–28. doi: 10.2147/IBPC.S59030##[28]. Abasi S, Yazdani A, Kiani S, Mahmoudzadeh‐Sagheb Z. Effectiveness of mobile health‐based self‐management application for posttransplant cares: A systematic review. Health Sci Rep. 2021;4(4):e434. doi: 10.1002/hsr2.434##[29]. Song T. Application of Mobile Health Services to Support Patient Self-Management of Chronic Conditions [dissertation]. Australia: University of Wollongong, School of Computing and Information Technology; 2021.##[30]. Hayashi A, Yamaguchi S, Waki K, Fujiu K, Hanafusa N, Nishi T, et al. Testing the feasibility and usability of a novel smartphone-based self-management support system for dialysis patients: a pilot study. JMIR Res Protoc 2017;6(4):e63. doi: 10.2196/resprot.7105##[31]. Ong SW, Jassal SV, Miller JA, Porter EC, Cafazzo JA, Seto E, et al. Integrating a smartphone–based self–management system into usual care of advanced CKD. Clin J Am Soc Nephrol 2016;11(6):1054-62. doi: 10.2215/CJN.10681015##[32]. Sheikhtaheri A, Ghandali F, Zamani Ghaletaki G. Determination of the required educational content in the development of educational mobile application for patients with epilepsy: perspectives of patients and physicians. Journal of Health and Biomedical Informatics 2017;4(1):11-20. [In Persian]##[33]. Safdari R, Hasan Nejadasl H, Rostam Niakan-Kalhori S, Nikmanesh B. Design and evaluation of mobile based self-management system for tuberculosis. Payavard Salamat. 2018;12(3):230-8. [In Persian]##[34]. Sheikhtaheri A, Khanahmadi S, Sourtiji H. A mobile-based sensory diet application to educate parents of children with attention deficit/hyperactivity disorder. 2022;24(4): 12-22. [In Persian]##[35]. Li H, Jiang YF, Lin CC. Factors associated with self-management by people undergoing hemodialysis: a descriptive study. Int J Nurs Stud 2014;51(2):208-16. doi: 10.1016/j.ijnurstu.2013.05.012##[36]. Horigan AE. Fatigue in hemodialysis patients: a review of current knowledge. J Pain Symptom Manage 2012;44(5):715-24. doi: 10.1016/j.jpainsymman.2011.10.015##[37]. Abbasi Z, Kavoosi J, Moghadaci A, Raesi R. Identification of Barriers to Patient Education in the Coronavirus Ward from the Perspective of Nurses Caring for COVID-19 Patients. Qom Univ Med Sci J 2023;17(1):2-13. [In Persian] doi:10.32598/qums.17.2839.1##[38]. Stoeckel PR. Client education: Theory and practice: Jones & Bartlett Learning; 2017.##[39]. Bastable SB. Nurse as Educator: Principles of Teaching and Learning for Nursing Practice. Jones & Bartlett Learning; 2021.##[40]. Caldeira D, Amaral T, David C, Sampaio C. Educational strategies to reduce serum phosphorus in hyperphosphatemic patients with chronic kidney disease: systematic review with meta-analysis. J Ren Nutr 2011;21(4):285-94. doi: 10.1053/j.jrn.2010.11.006##[41]. Narasimhan P, Bakshi A, Kittusami S, Prashant S, Mathai D, Bakshi K, et al. A customized m-Health system for improving Tuberculosis treatment adherence and follow-up in south India. Health and Technology 2014;4:1-10.##[42]. Peng Y, Wang H, Fang Q, Xie L, Shu L, Sun W, Liu Q. Effectiveness of mobile applications on medication adherence in adults with chronic diseases: a systematic review and meta-analysis. J Manag Care Spec Pharm 2020;26(4):550-61. doi: 10.18553/jmcp.2020.26.4.550##[43]. Fallah M, Yasini M. A medication reminder mobile app: does it work for different age ranges. Informatics for Health: Connected Citizen-Led Wellness and Population Health: IOS press; 2017. p. 68-72. doi:10.3233/978-1-61499-753-5-68##[44]. Zeek ML, Savoie MJ, Song M, Kennemur LM, Qian J, Jungnickel PW, Westrick SC. Sleep duration and academic performance among student pharmacists. Am J Pharm Educ 2015; 79(5): 63. doi: 10.5688/ajpe79563##[45]. Cho JH, Lee JY, Lee S, Park H, Choi S-W, Kim JC. Effect of intradialytic exercise on daily physical activity and sleep quality in maintenance hemodialysis patients. Int Urol Nephrol 2018;50(4):745-54. doi: 10.1007/s11255-018-1796-y##[46]. Yang B, Xu J, Xue Q, Wei T, Xu J, Ye C, et al. Non-pharmacological interventions for improving sleep quality in patients on dialysis: systematic review and meta-analysis. Sleep Med Rev 2015:23:68-82. doi: 10.1016/j.smrv.2014.11.005##[47]. Kawadler JM, Hemmings NR, Ponzo S, Morelli D, Bird G, Plans D. Effectiveness of a smartphone app (BioBase) for reducing anxiety and increasing mental well-being: pilot feasibility and acceptability study. JMIR Form Res 2020;4(11):e18067. doi: 10.2196/18067##[48]. Aston J, Wilson KA, Terry DR. The treatment-related experiences of parents, children and young people with regular prescribed medication. Int J Clin Pharm 2019;41(1):113-21. doi: 10.1007/s11096-018-0756-z##[49]. Millar E, Gurney J, Stanley J, Stairmand J, Davies C, Semper K, et al. Pill for this and a pill for that: A cross‐sectional survey of use and understanding of medication among adults with multimorbidity. Australas J Ageing 2019;38(2):91-7. doi: 10.1111/ajag.12606##[50]. Mallet L, Spinewine A, Huang A. The challenge of managing drug interactions in elderly people. Lancet 2007;370(9582):185-91. doi: 10.1016/S0140-6736(07)61092-7##[51]. Løventoft PK, Nørregaard LB, Frøkjær E. Designing daybuilder: an experimental app to support people with depression. PDC '12: Proceedings of the 12th Participatory Design Conference: Exploratory Papers, Workshop Descriptions, Industry Cases - Volume 2; 2012 Aug 12-16; Roskilde Denmark: CPSR, Roskilde University; 2012. p. 1-4. https://doi.org/10.1145/2348144.2348146##[52]. Park JYE, Li J, Howren A, Tsao NW, De Vera M. Mobile phone apps targeting medication adherence: quality assessment and content analysis of user reviews. JMIR Mhealth Uhealth 2019 ;7(1):e11919. doi: 10.2196/11919##[53]. Kusuma JD, Yang HL, Yang YL, Chen ZF, Shiao SY. Validating Accuracy of a Mobile Application against Food Frequency Questionnaire on Key Nutrients with Modern Diets for mHealth Era. Nutrients 2022;14(3):537. doi: 10.3390/nu14030537##[54]. Ahn Y, Bae J, Kim H-S. The development of a mobile u-Health program and evaluation for self-diet management for diabetic patients. Nutr Res Pract 2016; 10(3): 342–51. doi: 10.4162/nrp.2016.10.3.342##[55]. Holmen H, Torbjørnsen A, Wahl AK, Jenum AK, Småstuen MC, Årsand E, Ribu L. A mobile health intervention for self-management and lifestyle change for persons with type 2 diabetes, part 2: one-year results from the Norwegian randomized controlled trial Renewing Health. JMIR Mhealth Uhealth 2014 ;2(4):e57. doi: 10.2196/mhealth.3882## ##

دوقلوی دیجیتال در سلامت Digital Twins in Healthcare 1 1 مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد. 2 The article is a letter to the editor, so it does not have an abstract. 162 165 2024/01/262024/03/122024/06/92024/09/222024/07/22 1403/5/1 2024/09/112024/08/32024/08/32024/10/22024/07/31 1403/5/10 امیرحسین نبی زاده رفسنجانی Amir Hossein Nabizadeh مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران / مؤسسه تحقیقاتی سیستم‌ها و کامپیوتر – تحقیق و توسعه، لیسبون، پرتغال ایران hossein.nabizadeh.r@gmail.com Digital Twins دوقلوی دیجیتال [1]. Björnsson B, Borrebaeck C, Elander N, Gasslander T, Gawel DR, Gustafsson M, et al. Digital twins to personalize medicine. Genome Med 2019;12(1):4. doi: 10.1186/s13073-019-0701-3##[2]. Singh M, Fuenmayor E, Hinchy EP, Qiao Y, Murray N, Devine D. Digital Twin: Origin to Future. Appl Syst Innov 2021; 4(2): 36. https://doi.org/10.3390/asi4020036##[3]. Fuller A, Fan Z, Day C, Barlow C. Digital twin: Enabling technologies, challenges and open research. IEEE Access. 2020;8:108952-71. doi:10.1109/ACCESS.2020.2998358##[4]. Nabizadeh AH, Leal JP, Rafsanjani HN, Shah RR. Learning path personalization and recommendation methods: A survey of the state-of-the-art. Expert Systems with Applications 2020;159:113596. https://doi.org/10.1016/j.eswa.2020.113596##[5]. Bruynseels K, Santoni de Sio F, Van den Hoven J. Digital twins in health care: ethical implications of an emerging engineering paradigm. Front Genet 2018:9:31. doi: 10.3389/fgene.2018.00031##[6]. Chen Y, Yang O, Sampat C, Bhalode P, Ramachandran R, Ierapetritou M. Digital twins in pharmaceutical and biopharmaceutical manufacturing: a literature review. Processes 2020;8(9):1088. https://doi.org/10.3390/pr8091088##[7]. Tao F, Qi Q, Wang L, Nee AY. Digital twins and cyber–physical systems toward smart manufacturing and industry 4.0: Correlation and comparison. Engineering 2019;5(4):653-61. https://doi.org/10.1016/j.eng.2019.01.014##[8]. Saeed MM, Saeed RA, Ahmed ZE. Data Security and Privacy in the Age of AI and Digital Twins. InDigital Twin Technology and AI Implementations in Future-Focused Businesses IGI Global; 2024. p. 99-124. doi: 10.4018/979-8-3693-1818-8.ch008## ##

تحلیل قوانین ارتباطی در تجویز داروها با استفاده از الگوریتم FP-Growth به منظور بررسی تداخلات دارویی Investigation of Drug Interactions through Analysis of Prescribed Medications Association Rules Using the FP-growth Algorithm 1 1 مقدمه: اکتشاف الگوهای پنهان در داده‌های دارویی، می‌تواند به بهبود عملکرد داروخانه‌های بیمارستانی کمک کند. یکی از کاربردهای الگوهای پیشرفته تحلیل داده‌ها، شناسایی تداخلات دارویی است. روش کار: این مطالعه به روش داده‌کاوی با استفاده از الگوریتم FP-growth در محیط نرم‌افزار RapidMiner Studio® 10.1 برای استخراج قواعد ارتباطی و الگوهای پرتکرار دارویی انجام گرفت. پیش‌پردازش داده‌ها و مدل‌سازی بر اساس مدل CRISP-DM انجام شد. نوع و سطح تداخلات دارویی بر اساس نتایج الگوریتم و با مراجعه به پایگاه اطلاعاتی www.drugs.com تعیین گردید. یافته ها: نتایج شامل 17 قاعده ارتباطی و 126 الگوی تجویز دارو بود که از تک دارویی تا چهار دارویی متغیر است. از 64 الگوی تجویز دو دارویی، 56 مورد فاقد تداخل، 6 مورد با تداخل متوسط (Moderate)، 1 مورد با تداخل جزئی (‌‌Minor) و 1 مورد با تداخل شدید (Major) گزارش شد. همچنین، از 19 الگوی سه دارویی، 18 مورد بدون تداخل و تنها 1 مورد دارای تداخل متوسط بود. در الگوی تجویز چهار دارویی هیچ تداخلی مشاهده نشد.. نتیجه‌گیری: یافته‌های این مطالعه می‌تواند به ذی‌نفعان در بهبود زنجیره تأمین دارو، تجویز بهینه، کاهش تداخلات دارویی، کاهش هزینه‌ها کمک کند. چه بسا الگوهای کشف شده می‌توانند به عنوان بخشی از یک سیستم تصمیم یار بالینی مورد استفاده قرار بگیرند. هر چند که تداخلات دارویی قابل توجهی در این مطالعه مشاهده نشد، اما کشف حتی یک تداخل شدید (Major) اهمیت بسزایی دارد و نقش کاربردی کامپیوتر را در پزشکی می‌تواند آشکارتر سازد. 2 Introduction: The discovery of hidden patterns in pharmaceutical data can contribute to improving the performance of hospital pharmacies. One of the applications of advanced data analysis techniques is the identification of drug interactions. Method: This study was conducted using data mining techniques with the FP-growth algorithm in the RapidMiner Studio® 10.1 environment to extract association rules and frequent pharmaceutical patterns. Data preprocessing and modeling were performed based on the CRISP-DM model. The type and level of drug interactions were determined based on the algorithm's results and by referencing the database at www.drugs.com. Results: The results included 17 association rules and 126 prescribing patterns, ranging from single-drug to four-drug combinations. Of the 64 two-drug prescribing patterns, 56 had no interaction, 6 had moderate interactions, 1 had a minor interaction, and 1 had a major interaction. Additionally, of the 19 three-drug patterns, 18 had no interaction, and only 1 had a moderate interaction. No interactions were observed in the four-drug prescribing pattern. Conclusion: The findings of this study can assist stakeholders in improving the pharmaceutical supply chain, optimizing prescriptions, reducing drug interactions, and lowering costs. The discovered patterns may also be used as part of a clinical decision support system. Although no significant drug interactions were observed in this study, the discovery of even one major interaction highlights its importance and further underscores the practical role of computer applications in medicine. 166 175 2024/01/262024/03/122024/06/92024/09/222024/07/222024/09/11 1403/6/21 2024/09/112024/08/32024/08/32024/10/22024/07/312024/11/5 1403/8/15 علی حسن احمدی پور Alihasan Ahmadipour دانشجوی دکتری انفورماتیک پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران alihasanahmadipour@gmail.com افشین صرّافی نژاد Afshin Sarafinejad دکترای انفورماتیک پزشکی، دانشیار انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران asarafinejad@kmu.ac.ir FP-Growth CRISP-DM Drug Interactions RapidMiner Association Rules FP-Growth CRISP-DM تداخلات دارویی RapidMiner قواعد همبستگی [1]. Clark M. Management sciences for health. mds-3: Managing access to medicines and health technologies. Arlington, VA: Management Science for Health Drug Supply; 2012.##[2]. Chen PT, Lin CL, Wu WN. Big data management in healthcare: Adoption challenges and implications. International Journal of Information Management 2020;53:102078. https://doi.org/10.1016/j.ijinfomgt.2020.102078##[3]. Yoosofan A, Ghajar FG, Ayat S, Hamidi S, Mahini F. Identifying association rules among drugs in prescription of a single drugstore using Apriori method. Intelligent Information Management 2015;7(5):253-9. doi:10.4236/iim.2015.75020##[4]. Blower P, De Wit R, Goodin S, Aapro M. Drug–drug interactions in oncology: why are they important and can they be minimized?. Critical Reviews in Oncology/Hematology 2005;55(2):117-42. https://doi.org/10.1016/j.critrevonc.2005.03.007##[5]. Smets HL, De Haes JF, De Swaef A, Jorens PG, Verpooten GA. Exposure of the elderly to potential nephrotoxic drug combinations in Belgium. Pharmacoepidemiology and drug safety 2008;17(10):1014-9. https://doi.org/10.1002/pds.1641##[6]. Kass-Bartelmes BL. Reducing and preventing adverse drug events to decrease hospital costs. Rockville, MD: Agency for Healthcare Research and Quality; 2001.##[7]. Zhang T, Leng J, Liu Y. Deep learning for drug–drug interaction extraction from the literature: a review. Briefings in Bioinformatics 2020;21(5):1609-27. https://doi.org/10.1093/bib/bbz087##[8]. Segura-Bedmar I. Application of information extraction techniques to pharmacological domain: extracting drug-drug interactions; 2010.##[9]. García-Blasco S, Danger Mercaderes R, Rosso P. Drug-Drug interaction detection: A new approach based on maximal frequent sequences; 2010. Available from: http://hdl.handle.net/10045/85174 [In Spanish]##[10]. Kuo MH, Kushniruk AW, Borycki EM, Greig D. Application of the Apriori algorithm for adverse drug reaction detection. InDetection and Prevention of Adverse Drug Events. IOS Press; 2009. p. 95-101.##[11]. Santos MF, Azevedo CS. Preâmbulo [a]" Data mining: descoberta de conhecimento em bases de dados". FCA-Editora de informática, Lda; 2005.##[12]. Rowland M, Tozer TN. Clinical pharmacokinetics: concepts and applications. (No Title). 1980.##[13]. Bushra R, Aslam N, Khan AY. Food-drug interactions. Oman Med J 2011;26(2):77–83. doi: 10.5001/omj.2011.21##[14]. Niazkhani Z, Amiri P, Pirnejad H. Drug-Drug Interaction Clinical Decision Support Systems: Advantages, Challenges and Barriers, and Strategies to Overcome Them. Journal of Health and Biomedical Informatics 2020; 6 (4): 333-42. [In Persian]##[15]. Badwan AA, Nabulsi LN, Al Omari MM, Daraghmeh NH, Ashour MK, Abdoh AM, et al. Pantoprazole sodium. Analytical Profiles of Drug Substances and Excipients 2002; 29: 213-59. https://doi.org/10.1016/S1075-6280(02)29008-4##[16]. Bertolini A, Ferrari A, Ottani A, Guerzoni S, Tacchi R, Leone S. Paracetamol: new vistas of an old drug. CNS Drug Reviews 2006;12(3‐4):250-75. https://doi.org/10.1111/j.1527-3458.2006.00250.x##[17]. David F. The pattern of compounded medicines prescribing for pediatric patients using fp growth analysis in the installation of hospital pharmacy [ dissertation]. UKSW: Magister Sistem Informasi Program Pascasarjana FTI-UKSW); 2016. ##[18]. Khader N, Yoon SW. The performance of sequential and parallel implementations of fp-growth in mining a pharmacy database. IISE Annual Conference. Norcross: Institute of Industrial and Systems Engineers (IISE); 2016. p. 2601.##[19]. Park C, Seo J. Consideration of purchase dependence in inventory management. Computers & Industrial Engineering 2013;66(2):274-85. doi:10.1016/j.cie.2013.06.015##[20]. Neve BV, Schmidt CP. Point-of-use hospital inventory management with inaccurate usage capture. Health Care Manag Sci 2022;25(1):126-45. doi: 10.1007/s10729-021-09573-1##[21]. Rosales CR, Magazine MJ, Rao US. Dual sourcing and joint replenishment of hospital supplies. IEEE Transactions on Engineering Management 2019 ;67(3):918-31. doi:10.1109/TEM.2019.2895242## ##