1403 11 3 41 281

ارزیابی کاربردپذیری سامانه آزمون وزارت بهداشت از دیدگاه کاربران Usability Evaluation of the Ministry of Health Exam System: Viewpoint the Users 1 1 مقدمه: استفاده از آموزش الکترونیک با توجه به رشد فناوری و از طرفی شیوع  ویروس کرونا و لزوم حفظ فاصله‌گذاری اجتماعی افزایش یافته است. همچنین برای ارزیابی دانشجویان از سامانه‌های آزمون الکترونیک استفاده می‌شود. این مطالعه با هدف ارزیابی کاربردپذیری سامانه آزمون از دید کاربران انجام شده است. روش بررسی: این پژوهش یک مطالعه توصیفی -مقطعی است. جامعه آماری تمام دانشجویان و اعضای هیئت علمی دانشکده بهداشت دانشگاه علوم پزشکی شهید صدوقی یزد بوده است. تعداد  318 دانشجو به عنوان نمونه به صورت تصادفی و نیز اعضای هیئت علمی به صورت سرشماری انتخاب شدند. داده‌های پژوهش براساس پرسشنامه استاندارد ارزیابی کاربردپذیری کوئیز نسخه 5.5 که روایی و پایایی آن توسط مطالعات قبل ارزیابی شده، به دست آمد. یافته‌ها: به‌طور‌کلی کاربردپذیری سامانه آزمون از دیدگاه دانشجویان در سطح «متوسط» و از دیدگاه اساتید سطح  «خوب» ارزیابی شد. از دیدگاه هر دو گروه دانشجویان و اساتید بیشترین میانگین امتیاز دریافتی به بخش «قابلیت یادگیری نرم­ افزار کاربردی توسط کاربر» تعلق داشته، اما از نظر کمترین امتیاز نظر آن‌ها متفاوت بود به‌طوری‌که دانشجویان «قابلیت‌های کلی نرم­ افزار» و اساتید «اصطلاحات و اطلاعات استفاده شده در نرم­ افزار کاربردی» را انتخاب کردند. نتیجه‌گیری: با توجه به نتایج این پژوهش، باید به نظرات دانشجویان در مورد سامانه آزمون الکترونیک بیشتر توجه نمود و مشکلات آن را برطرف کرد، همچنین انجام مطالعات بیشتر در سایر دانشگاه‌ها باعث بهبود کیفیت و افزایش کاربردپذیری و مقبولیت آموزش و آزمون الکترونیک از دیدگاه کاربران خواهد شد. 2 Introduction: Electronic education has increased due to the growth of technology, the spread of the Coronavirus, and the need to maintain social distancing. Electronic test systems are used to evaluate students. This study aims to evaluate the usability of the test system from the users' perspective. Method: This research is a descriptive cross-sectional study. The statistical population was all the students and faculty members of Shahid Sadoughi University of Medical Sciences. A random sample of 318 students was selected, and faculty members were selected using a Census approach. The research data were obtained based on the standard questionnaire for evaluating the usability of Quiz version 5.5. Results: Students rated the usability of the test system as "average," whereas faculty members rated it as "good." Both groups identified "Learning by the user" as the section with the highest average score. However, their opinions diverged regarding the lowest-scoring section: students indicated "system capabilities," while faculty members pointed to "terminology and system information." Conclusion: The findings of this research suggest that more attention should be given to students' opinions regarding the electronic testing system, and its problems should be addressed. Furthermore, conducting additional studies with other universities could enhance the system and increase user satisfaction. 176 185 2024/06/18 1403/3/29 2024/11/9 1403/8/19 جلال نیکوکاران Jalal Nikokaran دکتری شبیه‌سازی کامپیوتری، گروه مدیریت اطلاعات سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران ایران jalal.nikukaran@yahoo.com سیدعلی فاطمی عقدا Seyed Ali Fatemi Aghda دانشجوی دکتری انفورماتیک پزشکی، کمیته تحقیقات دانشجویی دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی ایران، تهران، ایران ایران afatamy@yahoo.com حمیدرضا دهقان Hamidreza Dehghan مرکز تحقیقات ارزیابی فناوری سلامت و انفورماتیک پزشکی، دانشکده بهداشت، دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران ایران hamidreza.dehghan@gmail.com مژگان میرفخرائی Mojgan Mirfakhraei کارشناسی ارشد مهندسی کامپیوتر، مرکز تحقیقات ارزیابی فناوری سلامت و انفورماتیک پزشکی، دانشکده بهداشت، دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران ایران mirfakhraei.mj@gmail.com محمدمهدی پورنعمتی Mohammad Mehdi Poornematy کارشناسی هوشبری، مرکز تحقیقات ارزیابی فناوری سلامت و انفورماتیک پزشکی، دانشکده بهداشت، دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران ایران mpornematy100@yahoo.com مهدی میرفخرائی Mahdi Mirfakhraei کارشناسی ارشد مهندسی کامپیوتر، مرکز تحقیقات ارزیابی فناوری سلامت و انفورماتیک پزشکی، دانشکده بهداشت، دانشگاه علوم پزشکی شهید صدوقی، یزد، ایران ایران mirfakhraei@ssu.ac.ir Online test Usability Evaluation E-Education e-test E-Test Technical issues of the exam University of Medical Sciences آزمون آنلاین ارزیابی کاربردپذیری آموزش الکترونیکی آزمون الکترونیکی مسائل فنی آزمون دانشگاه علوم پزشکی [1]. Zahedi Z, Salehiniya H, Zarei A, Abbaszadeh H. Assessing the Quality of Electronic Exams During the COVID-19 Pandemic. Strides in Development of Medical Education 2022;19(1):150-4. https://doi.org/10.22062/sdme.2021.196760.1086##[2]. bin Ibrahim MN, Nazir NB, Osman SB. The effectiveness of FYPMS in increasing the quality of final year students project management. International Journal of Technical Vocational And Engineering Technology 2019;1(1):54-63.##[3]. Amien MS, Hidayatullah A. Assessing students' metacognitive strategies in e-learning and their role in academic performance. Jurnal Inovasi Teknologi Pendidikan 2023;10(2):158-66. doi:10.21831/jitp.v10i2.60949##[4]. Shi D, Wang T, Xing H, Xu H. A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning. Knowledge-Based Systems 2020;195:105618. https://doi.org/10.1016/j.knosys.2020.105618##[5]. Jo H, Park DH. Mechanisms for successful management of enterprise resource planning from user information processing and system quality perspective. Scientific Reports 2023;13(1):12678.##[6]. Sri Suryaningsum S, Rakyan Widhowati Tanjung S, Berliana Kusumastutik S, Bour BA, Ak S, Andre Juanda et al. Strategi Pendanaan Penelitian pada Perguruan Tinggi untuk Meningkatkan Kinerja Penelitian: Nugra Media; 2020.##[7]. Umiyatun U, Purnomo ME, Indrawati S. Moodle based worksheet on scientific article writing: A students perceptions. Jurnal Pendidikan Progresif 2020;10(1):117-32. doi: http://dx.doi.org/10.23960/jpp.v10.i1.202013##[8]. Qutieshat AS, Abusamak MO, Maragha TN. Impact of blended learning on dental students' performance and satisfaction in clinical education. J Dent Educ 2020;84(2):135-42. doi: 10.21815/JDE.019.167.##[9]. Macur G. Making Assessment Engaging for Elementary/Primary Students in Online Learning. Paris: Conference on Education; 2023. p. 503-8. doi:10.22492/issn.2758-0962.2023.42##[10]. Farman H, Sedik A, Nasralla MM, Esmail MA. Facial Emotion Recognition in Smart Education Systems: A Review. 2023 IEEE International Smart Cities Conference (ISC2); 2023; Sep 24-27; Bucharest, Romania: IEEE; 2023. doi: 10.1109/ISC257844.2023.10293353##[11]. Sharif-Nia H, Marôco J, Rahmatpour P, Ghahrani N, Muhammad Ibrahim F, Mohammad Ibrahim M, et al. Psychometrics evaluation of the University student engagement inventory in online learning among Arab students. BMC Nursing 2023;22(1):1-8.##[12]. Sharif Nia H, Azad Moghddam H, Marôco J, Rahmatpour P, Allen KA, Kaur H, et al. A psychometric lens for e-learning: examining the validity and reliability of the Persian Version of University Students’ Engagement Inventory (P-USEI). The Asia-Pacific Education Researcher 2023;32(4):573-82.##[13]. Heinzel A, Marienhagen J, Yekta-Michael SS, Mottaghy FM, Krzemien J, Lemos M. Pilot study of a newly developed eLearning tool to teach CT and PET/CT in radiology and nuclear medicine. Nuklearmedizin 2020;59(2):79-84. doi: 10.1055/a-1111-8425.##[14]. Al-Fraihat D, Joy M, Sinclair J. Evaluating E-learning systems success: An empirical study. Computers in Human Behavior 2020;102:67-86. https://doi.org/10.1016/j.chb.2019.08.004##[15]. Langarizadeh M, Zahedi H, Allahquli L. Developing a smartphone-based educational application for women at risk of endometriosis. Journal of Health and Biomedical Informatics 2022;9(2):84-91. [In Persian]##[16]. Hasannejad M. Developing a web-based system for self-care management of type 1-diabetes [dissertation]. Tehran: Iran University of Medical Sciences; 2013. [In Persian]##[17]. Langarizadeh M, Moghbeli F, Ahmadi S, Langarizadeh MH, Sayadi M, Sarpourian F, et al. Design and evaluation of an educational mobile program for liver transplant patients. BMC Health Serv Res 2023;23(1):974. doi: 10.1186/s12913-023-09989-1. ##[18]. Chekin N, Ayatollahi H, Zarchi MK. A Clinical Decision Support System for Assessing the Risk of Cervical Cancer: Development and Evaluation Study. JMIR Medical Informatics 2022;10(6):e34753. doi: 10.2196/34753##[19]. Alshahrani SM, Mohamed H, Mukhtar M, Asma’Mokhtar U. The adoption of the e-portfolio management system in the Technical and Vocational Training Corporation (TVTC) in Saudi Arabia. International Journal of Information Management Data Insights 2023;3(1):100148. https://doi.org/10.1016/j.jjimei.2022.100148##[20]. Rezaei A. Student learning evaluation during the Corona: Challenges and Strategies. Educational Psychology. 2020;16(55):179-214. https://doi.org/10.22054/jep.2020.52660.3012##[21]. Zaer Sabet F, Pourghane P, Besharati F, Khoshrang H, Ebrahiminia A. Comparing two methods of traditional and electronics tests based on attitude and experiences of medical students: A combined study. Research in Medical Education 2020;12(3):32-43. doi: 10.52547/rme.12.3.32##[22]. Quintero A, Shavelson R, Rodríguez A, Duplat R, Calderón A. On the comparability of scores from paper-and computer-based achievement tests: Challenges and findings from quasi-experiments; 2022.##[23]. Maunula M, Maunumäki M, Marôco J, Harju-Luukkainen H. Developing Students Well-Being and Engagement in Higher Education during COVID-19—A Case Study of Web-Based Learning in Finland. Sustainability 2023;15(4):3838. https://doi.org/10.3390/su15043838##[24]. Ahmadi S, Hosseini SM, Shirbagi N. A Systematic literature Review of ICT in the Educational System of Iran. School Administration 2023;10(4):109-35.##[25]. Faghihi A, Daryazadeh S. Medical students’ experiences of pre-internship electronic exam in isfahan and Kashan universities of medical sciences in 2016. Iranian Journal of Medical Education 2017;17(1):15-31. [In Persian]##[26]. Abdulahi A, Labaf A, Mafinejad M, Azmoudeh Ardalan F, Anwari S. Conducting an electronic exam for pathology assistants in the conditions of the corona pandemic: an experience report. Royesh in Medical Education 2020;13(17):7-12. [In Persian]##[27]. Pourasghar F, Tabrizi J, Yarifard K, Alizadeh Bipanah G, Najafi M. Evaluation of the application of the electronic test system from the perspective of students, professors and teaching staff in the Faculty of Medical Information and Management of Tabriz University of Medical Sciences in 2012. National Conference on Medical Science Education; 2014 Apr-May 29-1; Yazd: Yazd Shahid Sadoughi University of Medical Sciences Campus; 2013.## ##

بررسی میکروارناهای دخیل در ایجاد فاز حاد هپاتوسلولار کارسینوما به واسطه ویروس هپاتیت C Investigating the microRNAs Involved in the Acute Phase of Hepatocellular Carcinoma Caused by Hepatitis C Virus 1 1 مقدمه:  هپاتوسلولار کارسینوما یکی از سرطان‌های شایع در دنیا  است. در این مطالعه با استفاده از آنالیز بیوانفورماتیک به بررسی و کاندید نمودن ژن‌های موجود در مسیرهای هپاتوسلولار کارسینوما با HCV پرداخته شد. روش کار: با مراجعه به پایگاه داده GEO دیتاست مناسب برای آنالیز انتخاب گردید. این دیتاست شامل پروفایل بیان ژنی در هپاتوسلولار کارسینوما همراه با HCV بود. کلاسترهای ژنی با بیان بالا و پایین دسته‌بندی شدند. همچنین از پایگاه‌های داده غنی همچون Enrichr، STRING و GEPIA استفاده شد. در نهایت ژن‌های کاندید شده جدا شدند. یافته‌ها: 512 ژن با بیان بالا و 500 ژن با بیان پایین در مسیرهای پیشرفت سرطان هپاتوسلولار کارسینوما نقش داشتند. مسیر‌های چرخه سلولی، چسبندگی سلولی، AMPK, PPAR و MAPK به صورت بارزی مشاهده شدند. پس از ارزیابی ارتباط بین شبکه‌های پروتئینی، ADH4, FBP1 و ACS1 افزایش بیان و ژن‌های CDK4 و E2F1 و MAPK3  کاهش بیان داشتند. تمامی این ژن‌ها در منحنی بقا، در بازه حدود 15 ماه، زنده مانی بیماران کمتر از 20% مشاهده شدند.  mir-21-5p، hsa-mir-24-3p و hsa-mir-25-3p به صورت بارزی در تنظیم این ژن‌ها مؤثرتر بودند. نتیجه‌گیری: آنالیزهای بیوانفورماتیک ژن‌های کلیدی و مهمی را با بررسی در سطح داده‌های پروفایل بیان ژن معرفی کردند، ژن‌های ADH4, FBP1 و ACS1 افزایش بیان و ژن‌های CDK4 و E2F1 و MAPK3  کاهش بیان داشت. که می‌توانند نقش مهمی را در هدف قرار دادن ژن‌های دخیل در هپاتوسلولار کارسینوما با HCV به همراه داشته باشند. 2 Introduction: Hepatocellular carcinoma is one of the most common cancers in the world. In this study, we examined and nominated the genes present in the pathways of hepatocellular carcinoma associated with HCV using bioinformatics analysis. Method: The appropriate dataset for analysis was selected from the GEO database. This dataset included gene expression profiles in hepatocellular carcinoma associated with HCV. Gene clusters with high and low expression levels were categorized. Rich databases such as Enrichr, STRING, and GEPIA were also used. Finally, the candidate genes were isolated. Results: A total of 512 genes with high expression and 500 genes with low expression were involved in the progression pathways of hepatocellular carcinoma. The pathways associated with the cell cycle, cell adhesion, AMPK, PPAR, and MAPK were clearly observed. After evaluating the relationship between protein networks, ADH4, FBP1, and ACS1 showed increased expression, while CDK4, E2F1, and MAPK3 genes displayed decreased expression. All these genes were noted in the survival curve; over a period of about 15 months, the survival rate of patients was less than 20%. miR-21-5p, hsa-miR-24-3p, and hsa-miR-25-3p were significantly more effective in regulating these genes. Conclusion: Bioinformatics analyses of key and important genes were introduced through the examination of gene expression profile data. ADH4, FBP1, and ACS1 genes showed increased expression, whereas the CDK4, E2F1, and MAPK3 genes displayed decreased expression, which may play an important role in targeting the genes involved in hepatocellular carcinoma associated with HCV. 186 202 2024/06/182024/06/30 1403/4/10 2024/11/92024/12/19 1403/9/29 سیده فاطمه موسوی کاردار Seyedeh Fatemeh Mousavi Kardar کارشناس ارشد رشته میکروبیولوژی، گروه زیست شناسی، دانشگده علوم پایه، دانشگاه آزاد اسلامی، واحد اسلامشهر دانشگاه آزاد اسلامی، اسلامشهر، تهران، ایران ایران nazaninmousavi1374@gmail.com مهناز محمدی Mahnaz Mohammadi استادیار، گروه زیست شناسی، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران ایران mh_mohamadi@yahoo.com بهناز اسفندیاری Behnaz Esfandiari استادیار، گروه زیست شناسی، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران ایران me_esfandiari2000@yahoo.com Hepatocellular Carcinoma MiRNAs Gene Expression Profile Bioinformatics Analysis Hepatitis C virus هپاتوسلولار کارسینوما MiRNAs پروفایل بیان ژن آنالیز بیوانفورماتیک ویروس هپاتیت C [1]. Goto K, Roca Suarez AA, Wrensch F, Baumert TF, Lupberger J. Hepatitis C virus and hepatocellular carcinoma: when the host loses its grip. Int J Mol Sci 2020;21(9):3057. doi: 10.3390/ijms21093057##[2]. Ioannou GN, Green PK, Beste LA, Mun EJ, Kerr KF, Berry K. Development of models estimating the risk of hepatocellular carcinoma after antiviral treatment for hepatitis C. J Hepatol 2018;69(5):1088-98. doi: 10.1016/j.jhep.2018.07.024.##[3]. Goto K, Roca Suarez AA, Wrensch F, Baumert TF, Lupberger J. Hepatitis C virus and hepatocellular carcinoma: when the host loses its grip. Int J Mol Sci 2020;21(9):3057. doi: 10.3390/ijms21093057.##[4]. Simon TG, Duberg AS, Aleman S, Chung RT, Chan AT, Ludvigsson JF. Association of aspirin with hepatocellular carcinoma and liver-related mortality. N Engl J Med 2020;382(11):1018–28. doi: 10.1056/NEJMoa1912035##[5]. Kim D, Li AA, Perumpail BJ, Gadiparthi C, Kim W, Cholankeril G, et al. Changing trends in etiology-based and ethnicity-based annual mortality rates of cirrhosis and hepatocellular carcinoma in the United States. Hepatology. 2019;69(3):1064–74. doi: 10.1002/hep.30161##[6]. Petruzziello A. Epidemiology of Hepatitis B Virus (HBV) and Hepatitis C Virus (HCV) Related Hepatocellular Carcinoma. Open Virol J 2018;12:26–32. doi: 10.2174/1874357901812010026##[7]. Mansoori B, Duijf PH, Mohammadi A, Safarzadeh E, Ditzel HJ, Gjerstorff MF, Cho WC, Baradaran B. MiR-142-3p targets HMGA2 and suppresses breast cancer malignancy. Life Sciences 2021;276:119431. https://doi.org/10.1016/j.lfs.2021.119431## [8]. Pichler S, Gu W, Hartl D, Gasparoni G, Leidinger P, Keller A, et al . The miRNome of Alzheimer's disease: consistent downregulation of the miR-132/212 cluster. Neurobiology of Aging 2017;50:167-e1. https://doi.org/10.1016/j.neurobiolaging.2016.09.019##[9]. Balaji S, Rao A, Saraswathi KK, Sethu Nagarajan R, Santhi R, Kim U, et al. Focused cancer pathway analysis revealed unique therapeutic targets in retinoblastoma. Medical Oncology 2024;41(7):168. doi: 10.1007/s12032-024-02391-9##[10]. Flynn MJ, Sayed AA, Sharma R, Siddique A, Pinato DJ. Challenges and opportunities in the clinical development of immune checkpoint inhibitors for hepatocellular carcinoma. Hepatology 2019;69(5):2258–70. doi: 10.1002/hep.30337##[11]. Chen CJ. Global elimination of viral hepatitis and hepatocellular carcinoma: opportunities and challenges. Gut 2018;67(4):595-8. doi: 10.1136/gutjnl-2017-315407##[12]. Berkan-Kawińska A, Piekarska A. Hepatocellular carcinoma in non-alcohol fatty liver disease--changing trends and specific challenges. Curr Med Res Opin 2020;36(2):235–43. doi: 10.1080/03007995.2019.1683817. ##[13]. Baumert TF, Hoshida Y. Addressing the challenges of hepatitis C cure and persistent risk of hepatocellular carcinoma. Viruses 2019;11(5):441. https://doi.org/10.3390/v11050441##[14]. Pradat P, Virlogeux V, Trepo E. Epidemiology and elimination of HCV-related liver disease. Viruses. 2018;10:545. doi: 10.3390/v10100545##[15]. Sanduzzi-Zamparelli M, Boix L, Leal C, Reig M. Hepatocellular carcinoma recurrence in HCV patients treated with direct antiviral agents. Viruses 2019;11:406. doi: 10.3390/v11050406##[16]. Alazard-Dany N, Denolly S, Boson B, Cosset FL. Overview of HCV life cycle with a special focus on current and possible future antiviral targets. Viruses 2019;11(1):30. doi: 10.3390/v11010030##[17]. Virzi A, Roca Suarez AA, Baumert T.F, Lupberger J. Oncogenic signaling induced by HCV infection. Viruses 2018;10:538. doi: 10.3390/v10100538.## [18]. Luxenburger H, Neumann-Haefelin C, Thimme R, Boettler T. HCV-specific T cell responses during and after chronic HCV infection. Viruses 2018;10(11):645. doi: 10.3390/v10110645##[19]. Hayes CN, Zhang P, Zhang Y, Chayama K. Molecular mechanisms of hepatocarcinogenesis following sustained virological response in patients with chronic hepatitis C virus infection. Viruses 2018;10:531. doi: 10.3390/v10100531##[20]. Plissonnier ML, Herzog K, Levrero M, Zeisel MB. Non-coding RNAs and hepatitis C virus-induced hepatocellular carcinoma. Viruses 2018;10(11):591. doi: 10.3390/v10110591##[21]. Guan J, Ren Y, Wang J, Zhu H. The knowledge on HCV: from the discovery to the elimination. Infectious Microbes & Diseases 2022;4(1):1-6.##[22]. Wang H, Liao P, Zeng SX, Lu H. Co-targeting p53-R249S and CDK4 synergistically suppresses survival of hepatocellular carcinoma cells. Cancer Biol Ther 2020;21(3):269-77. doi: 10.1080/15384047.2019.1685289.##[23]. Wan J, Liu H, Yang L, Ma L, Liu J, Ming L. JMJD6 promotes hepatocellular carcinoma carcinogenesis by targeting CDK4. Int J Cancer 2019;144(10):2489-500. doi: 10.1002/ijc.31816.##[24]. Kang J, Huang X, Dong W, Zhu X, Li M, Cui N. Long non-coding RNA LINC00630 facilitates hepatocellular carcinoma progression through recruiting transcription factor E2F1 to up-regulate cyclin-dependent kinase 2 expression. Hum & Exp Toxicol 2021;40(12_suppl):S257--S68.## [25]. González-Romero F, Mestre D, Aurrekoetxea I, O’Rourke CJ, Andersen JB, Woodhoo A, et al. E2F1 and E2F2-Mediated Repression of CPT2 Establishes a Lipid-Rich Tumor-Promoting EnvironmentE2F1 and E2F2 Promote NAFLD-Related HCC. Cancer Res 2021;81(11):2874-87. doi: 10.1158/0008-5472.CAN-20-2052.##[26]. Wang X, Chen Y, Dong K, Ma Y, Jin Q, Yin S, et al. Effects of FER1L4-miR-106a-5p/miR-372-5p-E2F1 regulatory axis on drug resistance in liver cancer chemotherapy. Mol Ther Nucleic Acids 2021:24:449-61. doi: 10.1016/j.omtn.2021.02.006.## [27]. Chen S. LINC00852 Regulates Cell Proliferation, Invasion, Migration and Apoptosis in Hepatocellular Carcinoma Via the miR-625/E2F1 Axis. Cell Mol Bioeng 2021;15(2):207-17. doi: 10.1007/s12195-021-00714-8.##[28]. Rashad NM, El-Shal AS, Shalaby SM, Mohamed SY. Serum miRNA-27a and miRNA-18b as potential predictive biomarkers of hepatitis C virus-associated hepatocellular carcinoma. Mol Cell Biochem 2018;447(1-2):125-36. doi: 10.1007/s11010-018-3298-8.##[29]. Sun Q, Li J, Jin B, Wang T, Gu J. Evaluation of miR-331-3p and miR-23b-3p as serum biomarkers for hepatitis c virus-related hepatocellular carcinoma at early stage. Clin Res Hepatol Gastroenterol 2020;44(1):21-8. doi: 10.1016/j.clinre.2019.03.011.##[30]. Li J, Jin B, Wang T, Li W, Wang Z, Zhang H, et al. Serum microRNA expression profiling identifies serum biomarkers for HCV-related hepatocellular carcinoma. Cancer Biomark 2019;26(4):501-12. doi: 10.3233/CBM-181970.## ##

دوقلوی دیجیتال در سلامت: ملزومات، مزایا، چالش‌ها و آینده Digital Twins in Healthcare: Necessities, Pros, Cons, and Future Directions 1 1 مقدمه: دوقلوی دیجیتال (Digital Twins) یک مدل دیجیتالی از یک محصول، سیستم یا فرآیند فیزیکی است که برای شبیه‌سازی، نظارت و بهینه‌سازی استفاده می‌شود. در حوزه سلامت، این فناوری با ایجاد مدل‌های مجازی از بیماران، تحولی در مراقبت‌های درمانی ایجاد کرده و امکان پیش‌بینی و بهینه‌سازی نتایج سلامتی را فراهم می‌کند. در این مطالعه، ما به بررسی مزایا، چالش‌ها، الزامات پیاده سازی وجهت گیری‌های آینده این تکنولوژی در سلامت می‌پردازیم و هدف این مطالعه مرور و جمع‌‌بندی مقالات پیشین و جلوگیری از تکرار مطالعات است. روش: این مطالعه به شکل روایتی (Narrative) در زمینه دوقلوی دیجیتالی در حوزه سلامت نوشته شده به طوری که در این مطالعه از روش نظام‌مندی استفاده نشد و تنها با استفاده از تجریبات خود و مدل‌ها و فرضیه‌های موجود، نتیجه‌گیری کلی را ارائه شده است. نتایج: در این مطالعه بیان شد که چگونه دوقلوی دیجیتالی توانسته پزشکی شخصی‌سازی شده، نتایج جراحی، بیماری‌های مزمن، آزمایشات بالینی، و عملیات بیمارستان‌ها را ساده‌سازی، مدیریت و بهینه کند. علاوه بر این، چالش‌های این تکنولوژی از جمله پیامدهای اخلاقی، حریم خصوصی و نظارتی این فناوری را بیان کرد و بر نیاز به حاکمیت قوی داده‌ها و همکاری میان رشته‌ای برای تحقق کامل قابلیت های این تکنولوژی تأکید کرد. در آخر، این مطالعه به بحث در مورد برخی از زمینه‌های بالقوه و کلیدی توسعه آینده این تکنولوژی پرداخت. نتیجه‌گیری:  الزامات، چالش‌ها، مزایا و سوگیری‌های آینده ارائه شده در این مطالعه می‌تواند به طراحی و پیاده سازی یک دوقلوی دیجیتال دقیق و هوشمند در حوزه سلامت کمک کند.   2 Introduction: Digital Twin (DT) refers to a digital model of a physical product, system, or process used for simulation, monitoring, and optimization. In healthcare, this technology has transformed patient care by generating virtual models of patients, enabling the prediction and optimization of health outcomes. This study examines the benefits, challenges, implementation requirements, and future directions of this technology in healthcare, aiming to review and summarize prior studies while avoiding duplication of research. Method: This study employs a narrative approach in the context of digital twins in healthcare. It does not follow a systematic methodology but rather relies on existing models, hypotheses, and personal expertise to derive general conclusions. Results: This study describes how DT has facilitated personalized medicine, improved surgical outcomes, managed chronic diseases, streamlined clinical trials, and optimized hospital operations. Additionally, it highlights challenges associated with DT in healthcare, such as ethical implications, privacy concerns, and regulatory issues. It emphasizes the need for strong data governance and interdisciplinary collaboration to fully leverage the potential of DT. Finally, this research explores key areas for the future development of this technology. Conclusion: The requirements, challenges, benefits, and future directions presented in this study can guide the design and implementation of accurate and intelligent DT in the healthcare domain 203 213 2024/06/182024/06/302024/08/12 1403/5/22 2024/11/92024/12/192024/09/30 1403/7/9 امیرحسین نبی زاده Amir Hossein Nabizadeh استادیار هوش مصنوعی، 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 محمدمهدی قائمی Mohammad Mehdi Ghaemi استادیار انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران Digital Twins Healthcare Artificial Intelligence دوقلوی دیجیتال همزاد دیجیتال سلامت هوش مصنوعی [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]. Rafsanjani HN, Nabizadeh AH. Towards digital architecture, engineering, and construction (AEC) industry through virtual design and construction (VDC) and digital twin. Energy and Built Environment 2023;4(2):169-78. doi:10.1016/j.enbenv.2021.10.004##[4]. 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##[5]. Mohamed N, Al-Jaroodi J, Jawhar I, Kesserwan N. Leveraging digital twins for healthcare systems engineering. IEEE Access 2023; 69841 –53. doi: 10.1109/ACCESS.2023.3292119##[6]. Sahal R, Alsamhi SH, Brown KN. Personal digital twin: a close look into the present and a step towards the future of personalised healthcare industry. Sensors (Basel) 2022;22(15):5918. doi: 10.3390/s22155918##[7]. Angulo C, Gonzalez-Abril L, Raya C, Ortega JA. A proposal to evolving towards digital twins in healthcare. International Work-Conference on Bioinformatics and Biomedical Engineering 2020 Apr 30 Cham: Springer International Publishing; 2020. p. 418-26.##[8]. Liu Y, Zhang L, Yang Y, Zhou L, Ren L, Wang F, et al. A novel cloud-based framework for the elderly healthcare services using digital twin. IEEE Access 2019;7:49088-101. doi: 10.1109/ACCESS.2019.2909828##[9]. Jørgensen CS, Shukla A, Katt B. Digital Twins in Healthcare: Security, Privacy, Trust and Safety Challenges. InEuropean Symposium on Research in Computer Security; 2023 Sep 25; Cham: Springer Nature Switzerland; 2023. p. 140-53.##[10]. Elkefi S, Asan O. Digital twins for managing health care systems: rapid literature review. J Med Internet Res 2022;24(8):e37641. doi: 10.2196/37641##[11]. Schwartz SM, Wildenhaus K, Bucher A, Byrd B. Digital twins and the emerging science of self: implications for digital health experience design and “small” data. Frontiers in Computer Science 2020;2:31. https://doi.org/10.3389/fcomp.2020.00031##[12]. Armeni P, Polat I, De Rossi LM, Diaferia L, Meregalli S, Gatti A. Digital twins in healthcare: is it the beginning of a new era of evidence-based medicine? A critical review. J Pers Med 2022;12(8):1255. doi: 10.3390/jpm12081255##[13]. De Maeyer C, Markopoulos P. Future outlook on the materialisation, expectations and implementation of Digital Twins in healthcare. 34th British HCI Conference; 2021 Jul 20-21; UK: BCS Learning & Development; 2021. p. 180-91.##[14]. Mashaly M. Connecting the twins: A review on digital twin technology & its networking requirements. Procedia Computer Science 2021;184:299-305. https://doi.org/10.1016/j.procs.2021.03.039##[15]. Kamel Boulos MN, Zhang P. Digital twins: from ersonalized medicine to precision public health. J Pers Med 2021;11(8):745. doi: 10.3390/jpm11080745##[16]. Ahmadi-Assalemi G, Al-Khateeb H, Maple C, Epiphaniou G, Alhaboby ZA, Alkaabi S, Alhaboby D. Digital Twins for Precision Healthcare. Cyber Defence in the Age of AI, Smart Societies and Augmented Humanity. Cham: Springer; 2020. p.133-58. https://doi.org/10.1007/978-3-030-35746-7_8##[17]. Vallée A. Digital twin for healthcare systems. Front Digit Health 2023:5:1253050. doi: 10.3389/fdgth.2023.1253050##[18]. Venkatesh KP, Brito G, Kamel Boulos MN. Health digital twins in life science and health care innovation. Annu Rev Pharmacol Toxicol 2024:64:159-170. doi: 10.1146/annurev-pharmtox-022123-022046##[19]. Erol T, Mendi AF, Doğan D. The digital twin revolution in healthcare. 4th international symposium on multidisciplinary studies and innovative technologies (ISMSIT); 2020 Oct 22; Istanbul, Turkey: IEEE; 202. p. 1-7. doi: 10.1109/ISMSIT50672.2020.9255249##[20]. Popa EO, van Hilten M, Oosterkamp E, Bogaardt MJ. The use of digital twins in healthcare: socio-ethical benefits and socio-ethical risks. Life Sci Soc Policy 2021;17(1):6. doi: 10.1186/s40504-021-00113-x##[21]. Blasiak A, Sapanel Y, Leitman D, Ng WY, De Nicola R, Lee VV, et al. Omnichannel communication to boost patient engagement and behavioral change with digital health interventions. J Med Internet Res 2022;24(11):e41463. doi: 10.2196/41463##[22]. Maddahi Y, Chen S. Applications of digital twins in the healthcare industry: case review of an IoT-enabled remote technology in dentistry. Virtual Worlds 2022; 1(1): 20-41. https://doi.org/10.3390/virtualworlds1010003##[23]. Croatti A, Gabellini M, Montagna S, Ricci A. On the integration of agents and digital twins in healthcare. J Med Syst 2020;44(9):161. doi: 10.1007/s10916-020-01623-5##[24]. Al-Dalati I. Digital twins and cybersecurity in healthcare systems. Digital Twin for Healthcare 2023.195-221. https://doi.org/10.1016/B978-0-32-399163-6.00015-9##[25]. Rasheed A, San O, Kvamsdal T. Digital twin: Values, challenges and enablers. arXiv preprint arXiv:1910.01719. 2019. https://doi.org/10.48550/arXiv.1910.01719##[26]. Winter PD, Chico TJ. Using the non-adoption, abandonment, scale-up, spread, and sustainability (NASSS) framework to identify barriers and facilitators for the implementation of digital twins in cardiovascular medicine. Sensors 2023;23(14):6333. doi: 10.3390/s23146333##[27]. Huang PH, Kim KH, Schermer M. Ethical issues of digital twins for personalized health care service: preliminary mapping study. J Med Internet Res 2022;24(1):e33081. doi: 10.2196/33081##[28]. Ness RB, Joint Policy Committee, Societies of Epidemiology. Influence of the HIPAA privacy rule on health research. JAMA 2007;298(18):2164-70. doi: 10.1001/jama.298.18.2164##[29]. Voigt P, Von dem Bussche A. The EU General Data Protection Regulation (GDPR): A Practical Guide. 1st ed. Cham: Springer; 2017. doi:10.1007/978-3-319-57959-7##[30]. Juarez MG, Botti VJ, Giret AS. Digital twins: Review and challenges. J Comput Inf Sci Eng 2021;21(3):030802. https://doi.org/10.1115/1.4050244##[31]. Sun T, He X, Song X, Shu L, Li Z. The digital twin in medicine: a key to the future of healthcare?. Front Med (Lausanne) 2022;9:907066. doi: 10.3389/fmed.2022.907066##[32]. Sun T, He X, Li Z. Digital twin in healthcare: Recent updates and challenges. Digit Health 2023:9:20552076221149651. doi: 10.1177/20552076221149651##[33]. Vidovszky AA, Fisher CK, Loukianov AD, Smith AM, Tramel EW, Walsh JR, et al. Increasing acceptance of AI‐generated digital twins through clinical trial applications. Clin Transl Sci 2024;17(7):e13897. doi: 10.1111/cts.13897##[34]. Aydın Ö, Karaarslan, E. OpenAI ChatGPT Generated Literature Review: Digital Twin in Healthcare. In Ö. Aydın (Ed.), Emerging Computer Technologies. İzmir Akademi Dernegi; 2022. p. 22-31. http://dx.doi.org/10.2139/ssrn.4308687##[35]. Nabizadeh Rafsanjani H, Nabizadeh AH. Towards human-centered artificial intelligence (AI) in architecture, engineering, and construction (AEC) industry. Computers in Human Behavior Reports 2023:100319. https://doi.org/10.1016/j.chbr.2023.100319##[36]. Nabizadeh A. Artificial intelligence in healthcare. Journal of Health and Biomedical Informatics 2022;9(3):193-5. [In Persian] doi: 10.34172/jhbmi.2022.08##[37]. Elayan H, Aloqaily M, Guizani M. Digital twin for intelligent context-aware IoT healthcare systems. IEEE Internet of Things Journal 2021;8(23):16749-57. doi: 10.1109/JIOT.2021.3051158##[38]. Meijer C, Uh HW, El Bouhaddani S. Digital twins in healthcare: Methodological challenges and opportunities. J Pers Med 2023;13(10):1522. doi: 10.3390/jpm13101522##[39]. Lonsdale H, Gray GM, Ahumada LM, Yates HM, Varughese A, Rehman MA. The perioperative human digital twin. Anesth Analg 2022;134(4):885-92. doi: 10.1213/ANE.0000000000005916##[40]. Mazumder A, Sahed MF, Tasneem Z, Das P, Badal FR, Ali MF, et al. Towards next generation digital twin in robotics: Trends, scopes, challenges, and future. Heliyon 2023;9(2): e13359. doi: 10.1016/j.heliyon.2023.e13359##[41]. Hein J, Giraud F, Calvet L, Schwarz A, Cavalcanti NA, Prokudin S, et al. Creating a Digital Twin of Spinal Surgery: A Proof of Concept. InProceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2024. p. 2355-64. https://doi.org/10.48550/arXiv.2403.16736##[42]. Akash SS, Ferdous MS. A blockchain based system for healthcare digital twin. IEEE Access 2022;10:50523-47. doi: 10.1109/ACCESS.2022.3173617##[43]. Voigt I, Inojosa H, Dillenseger A, Haase R, Akgün K, Ziemssen T. Digital twins for multiple sclerosis. Frontiers in Immunology 2021;12:669811. https://doi.org/10.3389/fimmu.2021.669811##[44]. Eumi EM. A systematic review of Digital Twins in efficient pandemic management with challenges and emerging trends. Decision Analytics Journal 2024:100502. https://doi.org/10.1016/j.dajour.2024.100502## ##

بررسی برهمکنش ترکیبات گیاهی دارویی علیه پروتئاز Mpro در گونه‌های ویروس SARS-CoV-2 Investigating the Interaction of Herbal Medicinal Compounds Against Mpro Protease in SARS-CoV-2 Virus Strains 1 1 مقدمه:  بیماری کرونا (COVID-19) یک بیماری عفونی است که توسط ویروس SARS-CoV-2 ایجاد می­شود. شناسایی ترکیبات گیاهی مفید و به‌کارگیری آن­ها جهت هدف­ گیری پروتئین­ های مهم دخیل در آلوده‌سازی و تکثیر ویروس کرونا، گزینه ­ای کارآمد در مبارزه علیه این بیماری محسوب می­شود. هدف از این پژوهش بررسی برهمکنش ترکیبات گیاهی دارویی بومی علیه پروتئازMpro گونه ­های مختلف ویروس SARS -COV2 و تعیین و ارزیابی ترکیب نهایی با روش HPLC بود. روش کار: ساختار سه‌بعدی پروتئاز Mpro از بانک داده PDB به دست آمد. ترکیبات مختلف ضدویروسی گیاهی از پایگاه­ های داده و مقالات مختلف گردآوری شد. داکینگ مولکولی با استفاده از AutoDock Vina انجام شد. با استفاده از سرورهای مختلف ویژگی­ ها و خصوصیات ترکیبات منتخب بررسی شد. جهش­ زایی برای آمینواسید متیونین 49 انجام و ساختار جدید سه‌بعدی پروتئین Mpro در گونه‌های مختلف ویروس مدل­سازی شد. آنالیز داکینگ برای چهار ترکیب منتخب به لحاظ انرژی اتصال انجام شد. شبیه­ سازی دینامیک مولکولی (MD) برای بررسی پایداری ساختار نهایی و HPLC برای ارزیابی حضور ترکیب موثره در گیاه موردنظر انجام شد. یافته‌ها: نتایج داکینگ نشان داد ترکیب Cyanidin-3 5-di-o-glucoside به لحاظ مجموع انرژی اتصال برای مهار Mpro مطلوب است. خصوصیات فارماکوکینتیک این ترکیب تعیین شد. نتایج MD نشان داد کمپلکس Mpro-Cyanidin-3 5-di-o-glucoside  دارای ثبات است. با روش HPLC تأیید شد که  Cyanidin-3 5-di-o-glucoside در عصاره انار ایرانی موجود است. نتیجه‌گیری: ترکیب  Cyanidin-3 5-di-o-glucoside که در عصاره انار بومی ایران یافت می­شود می‌تواند با میل اتصال بالایی به Mpro متصل شده و آن را مهار کند و به ­عنوان دارویی که مستقیم بر ویروس کرونا تأثیر بگذارد مورد ارزیابی قرار گیرد.   2 Introduction: COVID-19 is an infectious disease caused by the SARS-CoV-2 virus. The identification of beneficial plant compounds and their use for targeting important proteins involved in the infection and replication of the coronavirus is considered an effective option in the fight against this disease. The aim of this research was to investigate the interaction of native medicinal plant compounds against the Mpro protease of different SARS-CoV-2 strains and to determine and evaluate the final compound using the HPLC method. Methods: The three-dimensional structure of the Mpro protease was obtained from the PDB database. Various antiviral plant compounds were collected from databases and articles. Molecular docking was performed using AutoDock Vina. The features and properties of the selected compounds were examined using different servers. Mutagenesis for the methionine amino acid 49 was performed, and a new three-dimensional structure of the Mpro protein was modeled for different virus strains. Docking analysis for four selected compounds was conducted based on binding energy. Molecular dynamics simulation (MD) was carried out to examine the stability of the final structure, and HPLC was used to evaluate the presence of the effective compound in the desired plant. Results: Docking results showed that the compound Cyanidin-3, 5-di-o-glucoside is effective in inhibiting Mpro, as indicated by its favorable total binding energy. The pharmacokinetic properties of this compound were also determined. MD results indicated that the Mpro-Cyanidin-3, 5-di-o-glucoside complex is stable. HPLC confirmed the presence of Cyanidin-3, 5-di-o-glucoside in Iranian pomegranate extract. Conclusion: The compound Cyanidin-3, 5-di-o-glucoside found in Iranian pomegranate extract can bind to Mpro with high affinity and inhibit its activity, potentially serving as a drug that directly targets the coronavirus. 214 228 2024/06/182024/06/302024/08/122024/07/11 1403/4/21 2024/11/92024/12/192024/09/302024/12/19 1403/9/29 رویا فلاح پور Roya Fallah Pour کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد علو پزشکی، تهران، ایران ایران royafalahpour@yahoo.com سید حمید جمال الدینی Seyed Hamid Jamaldini استادیار، دانشگاه آزاد اسلامی، واحد علو پزشکی، تهران، ایران ایران hjam1358@yahoo.co.uk نجف الهیاری فرد Najaf Allahyari Fard استادیار، پژوهشگاه ملی مهندسی ژنتیک و زیست فناوری، تهران، ایران ایران allahyar@nigeb.ac.ir Mpro Protein Coronavirus Native plants Molecular docking Molecular dynamics Mpro کرونا گیاهان بومی داکینگ مولکولی شبیه‌سازی دینامیک مولکولی [1]. Chan JF, Yuan S, Kok KH, To KK, Chu H, Yang J, et al. A familial cluster of pneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission: a study of a family cluster. Lancet 2020;395(10223):514-23 doi: 10.1016/S0140-6736(20)30154-9##[2]. Xiao K, Zhai J, Feng Y, Zhou N, Zhang X, Zou JJ, et al. Isolation and characterization of 2019-nCoV-like coronavirus from Malayan pangolins. Nature 2020;583(7815):286-9. doi: 10.1038/s41586-020-2313-x##[3]. Chan HC, Shan H, Dahoun T, Vogel H, Yuan S. Advancing Drug Discovery via Artificial Intelligence. Trends Pharmacol Sci 2019;40(8):592-604. doi: 10.1016/j.tips.2019.06.004##[4]. Parvathaneni V, Kulkarni NS, Muth A, Gupta V. Drug repurposing: a promising tool to accelerate the drug discovery process. Drug Discovery Today 2019;24(10):2076-85. https://doi.org/10.1016/j.drudis.2019.06.014##[5]. Berdigaliyev N, Aljofan M. An overview of drug discovery and development. Future Med Chem 2020;12(10):939-47. doi: 10.4155/fmc-2019-0307##[6]. Eder J, Herrling PL. Trends in Modern Drug Discovery. Handb Exp Pharmacol 2016:232:3-22. doi: 10.1007/164_2015_20##[7]. Batool M, Ahmad B, Choi S. A Structure-Based Drug Discovery Paradigm. Int J Mol Sci 2019;20(11):2783. doi: 10.3390/ijms20112783##[8]. Morris GM, Lim-Wilby M. Molecular docking. Methods Mol Biol 2008:443:365-82. doi: 10.1007/978-1-59745-177-2_19##[9]. Ferreira LG, Dos Santos RN, Oliva G, Andricopulo AD. Molecular docking and structure-based drug design strategies. Molecules 2015;20(7):13384-421. doi: 10.3390/molecules200713384##[10]. Pinzi L, Rastelli G. Molecular Docking: Shifting Paradigms in Drug Discovery. Int J Mol Sci 2019;20(18):4331. doi: 10.3390/ijms20184331##[11]. Chaudhary A, Tomar R, Asdaq SMB, Imran M, Alaqel SI, Alamri AS, et al. In silico Screening of Phytochemicals as Potential Inhibitors of SARS-CoV-2 Mpro and Human ACE-2. International Journal of Pharmacology 2022;18(1):104-15. doi: 10.3923/ijp.2022.104.115##[12]. Das SK, Mahanta S, Tanti B, Tag H, Hui PK. Identification of phytocompounds from Houttuynia cordata Thunb. as potential inhibitors for SARS-CoV-2 replication proteins through GC-MS/LC-MS characterization, molecular docking and molecular dynamics simulation. Mol Divers 2022;26(1):365-88. doi: 10.1007/s11030-021-10226-2##[13]. Teli DM, Shah MB, Chhabria MT. In silico Screening of Natural Compounds as Potential Inhibitors of SARS-CoV-2 Main Protease and Spike RBD: Targets for COVID-19. Front Mol Biosci 2021:7:599079. doi: 10.3389/fmolb.2020.599079##[14]. Houchi S, Messasma Z. Exploring the inhibitory potential of Saussurea costus and Saussurea involucrata phytoconstituents against the Spike glycoprotein receptor binding domain of SARS-CoV-2 Delta (B.1.617.2) variant and the main protease (Mpro) as therapeutic candidates, using Molecular docking, DFT, and ADME/Tox studies. Journal of Molecular Structure 2022;1263. https://doi.org/10.1016/j.molstruc.2022.133032##[15]. Hatada R, Okuwaki K, Mochizuki Y, Handa Y, Fukuzawa K, Komeiji Y, et al. Fragment Molecular Orbital Based Interaction Analyses on COVID-19 Main Protease - Inhibitor N3 Complex (PDB ID: 6LU7). J Chem Inf Model 2020;60(7):3593-602. doi: 10.1021/acs.jcim.0c00283##[16]. Abdalla M, Mohapatra RK, Sarangi AK, Mohapatra PK, Eltayb WA, Alam M, et al. In silico studies on phytochemicals to combat the emerging COVID-19 infection. Journal of Saudi Chemical Society 2021;25(12): 101367. https://doi.org/10.1016/j.jscs.2021.101367##[17]. Alves DR, da Rocha MN, de Sousa DS, Oliveira ICM, Marinho MM, de Morais SM, et al. Virtual Screening of Natural Curcumins and Related Compounds Against SARS-CoV-2. Journal of Computational Biophysics and Chemistry 2021;20(1):53-70. doi:10.1142/S2737416521500046##[18]. Baby K, Maity S, Mehta CH, Suresh A, Nayak UY, Nayak Y. Targeting SARS-CoV-2 Main Protease: A Computational Drug Repurposing Study. Arch Med Res 2021;52(1):38-47. doi: 10.1016/j.arcmed.2020.09.013##[19]. Sinha SK, Prasad SK, Islam MA, Chaudhary SK, Singh S, Shakya A. Potential Leads from Liquorice Against SARS-CoV-2 Main Protease using Molecular Docking Simulation Studies. Comb Chem High Throughput Screen 2021;24(4):591-7. doi: 10.2174/1386207323999200817103148##[20]. Tang BW, He FM, Liu DP, He F, Wu T, Fang MJ, et al. AI-Aided Design of Novel Targeted Covalent Inhibitors against SARS-CoV-2. Biomolecules 2022;12(6):746. doi: 10.3390/biom12060746##[21]. El-Demerdash A, Metwaly AM, Hassan A, Abd El-Aziz TM, Elkaeed EB, Eissa IH, et al. Comprehensive Virtual Screening of the Antiviral Potentialities of Marine Polycyclic Guanidine Alkaloids against SARS-CoV-2 (COVID-19). Biomolecules 2021;11(3):460. doi: 10.3390/biom11030460##[22]. Pandey M, Radaeva M, Mslati H, Garland O, Fernandez M, Ester M, et al. Ligand Binding Prediction Using Protein Structure Graphs and Residual Graph Attention Networks. Molecules 2022;27(16):5114. doi: 10.3390/molecules27165114.##[23]. Gul F, Khan I, Iqbal J, Abbasi BA, Shahbaz A, Capasso R, et al. Phytochemistry, biological activities and in silico molecular docking studies of Oxalis pes-caprae L. compounds against SARS-CoV-2. J King Saud Univ Sci 2022;34(6):102136. doi: 10.1016/j.jksus.2022.102136##[24]. Rajamanickam R, Mannangatty R, Sampathkumar J, Senthamaraikannan K, Diravidamani B. Synthesis, crystal structure, DFT and molecular docking studies of N-acetyl-2,4- diaryl-3-azabicyclo 3.3.1 nonan-9-yl -9-spiro-4'-acetyl-2' - (acetylamino)-4',9-dihydro- 1',3',4' -thiadiazoles: A potential SARS-nCoV-2 Mpro (COVID-19) inhibitor. Journal of Molecular Structure 2022;1259. https://doi.org/10.1016/j.molstruc.2022.132747##[25]. Kumar B, Zaidi S, Haque S, Dasgupta N, Hussain A, Pramodh S, et al. In Silico Studies Reveal Antiviral Effects of Traditional Indian Spices on COVID-19. Curr Pharm Des 2021;27(32):3462 75. doi: 10.2174/1381612826666201223095548##[26]. Prajapati J, Patel R, Goswami D, Saraf M, Rawal RM. Sterenin M as a potential inhibitor of SARS-CoV-2 main protease identified from MeFSAT database using molecular docking, molecular dynamics simulation and binding free energy calculation. Comput Biol Med 2021:135:104568. doi: 10.1016/j.compbiomed.2021.104568##[27]. Mukherjee S, Sharma D, Sharma AK, Jaiswal S, Sharma N, Borah S, et al. Flavan-based phytoconstituents inhibit Mpro, a SARS-COV-2 molecular target, in silico. Journal of Biomolecular Structure & Dynamics. 2022; 40(22): 11545-59. https://doi.org/10.1080/07391102.2021.1960196##[28]. Dallocchio RN, Dessi A, De Vito A, Delogu G, Serra PA, Madeddu G. Early combination treatment with existing HIV antivirals: an effective treatment for COVID-19? European review for medical and pharmacological sciences. Eur Rev Med Pharmacol Sci 2021;25(5):2435-48. doi: 10.26355/eurrev_202103_25285##[29]. Choudhary MI, Shaikh M, Atia tul W, Atta ur R. In silico identification of potential inhibitors of key SARS-CoV-2 3CL hydrolase (Mpro) via molecular docking, MMGBSA predictive binding energy calculations, and molecular dynamics simulation. PLoS One 2020;15(7):e0235030. doi: 10.1371/journal.pone.0235030##[30]. Boufissiou A, Abdalla M, Sharaf M, Al-Resayes SI, Imededdine K, Alam M, et al. In-silico investigation of phenolic compounds from leaves of Phillyrea angustifolia L. as a potential inhibitor against the SARS-CoV-2 main protease (M-pro PDB ID:5R83) using a virtual screening method. Journal of Saudi Chemical Society 2022;26(3):101473. doi: 10.1016/j.jscs.2022.101473##[31]. Thirumalaisamy R, Aroulmoji V, Iqbal MN, Deepa M, Sivasankar C, Khan R, et al. Molecular insights of hyaluronic acid-hydroxychloroquine conjugate as a promising drug in targeting SARS-CoV-2 viral proteins. J Mol Struct 2021:1238:130457. doi: 10.1016/j.molstruc.2021.130457##[32]. Muhammad I, Rahman N, Gul EN, Niaz S, Basharat Z, Rastrelli L, et al. Screening of potent phytochemical inhibitors against SARS-CoV-2 protease and its two Asian mutants. Comput Biol Med 2021:133:104362. doi: 10.1016/j.compbiomed.2021.104362.##[33]. Eberhardt J, Santos-Martins D, Tillack AF, Forli S. AutoDock Vina 1.2. 0: New docking methods, expanded force field, and python bindings. J Chem Inf Model 2021;61(8):3891-8.##[34]. Van Der Spoel D, Lindahl E, Hess B, Groenhof G, Mark AE, Berendsen HJ. GROMACS: fast, flexible, and free. Journal of computational chemistry. J Comput Chem 2005;26(16):1701-18. doi: 10.1002/jcc.20291##[35]. Rollie C, Chevallereau A, Watson BN, Chyou TY, Fradet O, McLeod I, et al. A new coronavirus associated with human respiratory disease in China. Nature 2020;579(7798):265-269. doi: 10.1038/s41586-020-2008-3.##[36]. Hegyi A, Ziebuhr J. Conservation of substrate specificities among coronavirus main proteases. J Gen Virol 2002;83(Pt 3):595-9. doi: 10.1099/0022-1317-83-3-595##[37]. Bacha U, Barrila J, Velazquez-Campoy A, Leavitt SA, Freire E. Identification of novel inhibitors of the SARS coronavirus main protease 3CLpro. Biochemistry 2004;43(17):4906-12. doi: 10.1021/bi0361766##[38]. Wu CY, Jan JT, Ma SH, Kuo CJ, Juan HF, Cheng YS, et al. Small molecules targeting severe acute respiratory syndrome human coronavirus. Proc Natl Acad Sci U S A 2004;101(27):10012-7. doi: 10.1073/pnas.0403596101##[39]. Wu MY, Dai DQ, Yan H. PRL‐dock: Protein‐ligand docking based on hydrogen bond matching and probabilistic relaxation labeling. Proteins 2012;80(9):2137-53. doi: 10.1002/prot.24104##[40]. Masimirembwa CM, Bredberg U, Andersson TB. Metabolic stability for drug discovery and development: pharmacokinetic and biochemical challenges. Clin Pharmacokinet 2003;42(6):515-28. doi: 10.2165/00003088-200342060-00002##[41]. Arnott JA, Planey SL. The influence of lipophilicity in drug discovery and design. Expert Opin Drug Discov 2012;7(10):863-75. doi: 10.1517/17460441.2012.714363##[42]. Tsopelas F, Giaginis C, Tsantili-Kakoulidou A. Lipophilicity and biomimetic properties to support drug discovery. Expert Opin Drug Discov 2017;12(9):885-96. doi: 10.1080/17460441.2017.1344210## ##

شناسایی ویژگی‌های مهم برای پیش‌بینی مرگ و میر 30 روزه بیماران نارسایی قلبی دارای شوک کاردیوژنیک Identification of Important Features to Predict 30-Day Mortality in Heart Failure Patients with Cardiogenic Shock 1 1 مقدمه:  بیماری قلبی یکی از علل اصلی مرگ‌ومیر است و پیش‌بینی می‌شود تا سال 2030 مرگ‌ومیر ناشی از بیماری‌های قلبی- عروقی به 23/3 میلیون نفر افزایش یابد. نارسایی قلبی و شوک کاردیوژنیک سهم بالایی از این مرگ‌ومیرها دارند و به‌عنوان اورژانس پزشکی نیازمند درمان به‌موقع هستند. هدف این پژوهش، پیش‌بینی سریع مرگ در بیماران نارسایی قلبی با شوک کاردیوژنیک با استفاده از ویژگی‌های کمتر است. روش کار: این پژوهش به روش تحلیلی - مقطعی با نمونه‌گیری تمام شماری صورت گرفت. داده‌های 201 بیمار قلبی بالای 18 سال که در سال 2020 در بیمارستان روحانی بابل دچار شوک کاردیوژنیک شده بودند، بررسی شدند. از 34 ویژگی مانند سن، سابقه جراحی قلب باز، pH، لاکتات، دیابت و فشارخون استفاده شد و مرگ یک‌ماهه از طریق تماس تلفنی بررسی شد. برای پیش‌بینی مرگ از رگرسیون لجستیک و الگوریتم GBM استفاده شد. یافته ها: میانگین سن بیماران 69/44±15/71 سال بود. از این تعداد، 47/7 درصد فوت کردند. چهار ویژگی شامل سن، لاکتات، دیابت و گیجی به‌عنوان مهم‌ترین ویژگی‌ها انتخاب شدند. با یک سال افزایش در سن، احتمال مرگ 7 درصد افزایش می‌یابد. احتمال مرگ در افراد دیابتی بیش از دوبرابر است. گیجی خطر مرگ را 4 برابر و افزایش لاکتات خطر مرگ را 1/5 برابر افزایش می‌دهد. نتیجه‌گیری: نتایج نشان داد انتخاب ویژگی‌های مؤثر در پیش‌بینی مرگ بیماران نارسایی قلبی با شوک کاردیوژنیک با رگرسیون لجستیک و الگوریتم GBM امکان‌پذیر است و می‌تواند به بهبود برنامه‌های ارجاع درمانی و کاهش هزینه‌های پزشکی کمک کند.   2 Introduction: Cardiovascular diseases remain a leading global cause of mortality, with ischemic heart disease projected to account for 23.3 million deaths by 2030. Heart failure and cardiogenic shock account for a significant proportion of these deaths and require timely treatment as medical emergencies. This study aims to predict mortality within one month in patients experiencing cardiogenic shock secondary to heart failure using a concise set of predictive features. Method: An analytical cross-sectional study was conducted at Babol Razi Hospital, involving 201 adult patients (≥18 years) treated for cardiogenic shock in 2020. Data from 34 clinical variables, including age, history of cardiac surgery, pH levels, lactate concentration, diabetes status, and blood pressure, were meticulously analyzed. Mortality outcomes within one month were assessed via structured telephone follow-up. Logistic regression and Gradient Boosting Machine (GBM) algorithms were used for predictive modeling. Results: The average age of patients was 69.44 ±15.71 years. Among them, 47.7% died. The study identified age, lactate levels, diabetes, and initial confusion as significant predictors of mortality risk. Each additional year of age was associated with a 7% higher probability of mortality. Diabetic patients faced more than double the mortality risk compared to non-diabetics. Confusion at presentation increased the mortality risk fourfold, while elevated lactate levels raised it by 1.5 times. Conclusion: Logistic regression and GBM algorithms demonstrated effectiveness in predicting one-month mortality among cardiogenic shock patients with heart failure based on selected features. This approach holds promise for improving referral processes and reducing costs in healthcare settings. 229 243 2024/06/182024/06/302024/08/122024/07/112024/07/13 1403/4/23 2024/11/92024/12/192024/09/302024/12/192024/11/9 1403/8/19 شیوا کنعانی Shiva Kanani دانشجوی دکتری مهندسی صنایع، دانشگاه علوم و فنون بابل، بابل، ایران ایران shiva.kanani400@gmail.com ایرج مهدوی Iraj Mahdavi استاد، گروه مهندسی صنایع، دانشگاه علوم و فنون بابل، بابل، ایران ایران irajustmb@gmail.com نغمه ضیایی Naghmeh Ziaie استادیار، گروه قلب فلوشیپ نارسایی قلب و پیوند، دانشگاه علوم پزشکی بابل، مرکز تحقیقات بیمارستان روحانی بابل، بابل، ایران ایران ziaiexn@yahoo.com باقر رحیم پور کامی Bagher Rahimpour Cami استادیار، گروه مهندسی کامپیوتر، دانشگاه علوم و فنون بابل، بابل، ایران ایران Rc_bagher@yahoo.com Heart Failure Cardiogenic Shock Death Prediction Logistic Regression Feature Selection نارسایی قلبی شوک کاردیوژنیک پیش‌بینی مرگ رگرسیون لجستیک انتخاب ویژگی [1]. Bahrami B, Hosseini Shirvani MS. Diagnosis of heart disease by using datamining technique. Second National Conference on Applied Research in Computer Science and Information Technology; 2014 May 10-11; Tehran, Iran. Tehran: National Conference Publications; 2014. [Persian]##[2]. Ponikowski P, Voors AA, Anker SD, Bueno H, Cleland JG, Coats AJ, et al. 2016 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure. Eur Heart J 2016;37(27):2129-200. doi: 10.1093/eurheartj/ehw128##[3]. Jentzer JC, Chonde MD, Dezfulian C. Myocardial dysfunction and shock after cardiac arrest. BioMed Research International 2015;2015(1):314796. https://doi.org/10.1155/2015/314796##[4]. Killip III T, Kimball JT. Treatment of myocardial infarction in a coronary care unit: a two year experience with 250 patients. The American Journal of Cardiology. 1967;20(4):457-64. https://doi.org/10.1016/0002-9149(67)90023-9##[5]. Vahdatpour C, Collins D, Goldberg S. Cardiogenic Shock. J Am Heart Assoc 2019;8(8):e011991. doi: 10.1161/JAHA.119.011991.##[6]. Reyentovich A, Thiele H. Clinical manifestations and diagnosis of cardiogenic shock in acute myocardial infarction. [2020 Nov 20]. Available from: https://www.uptodate.com/contents/clinical-manifestations-and-diagnosis-of-cardiogenic-shock-in-acute-myocardial-infarction##[7]. Ostberg NP, Smilowitz NR. Emergency department presentation of patients diagnosed with cardiogenic shock. Journal of the American College of Cardiology 2022;79(9_Supplement):385.##[8]. Krittanawong C, Virk HU, Hahn J, Al-Azzam FA, Greason K, Isath A, et al. Leveraging Machine Learning Models to Predict In-Hospital Mortality After Mitraclip. Journal of the American College of Cardiology 2021;77(18_Supplement_1):940.##[9]. Awan SE, Bennamoun M, Sohel F, Sanfilippo FM, Chow BJ, Dwivedi G. Feature selection and transformation by machine learning reduce variable numbers and improve prediction for heart failure readmission or death. PloS one 2019;14(6):e0218760. https://doi.org/10.1371/journal.pone.0218760##[10]. Rahman F, Finkelstein N, Alyakin A, Gilotra NA, Trost J, Schulman SP, et al. Using machine learning for early prediction of cardiogenic shock in patients with acute heart failure. Journal of the Society for Cardiovascular Angiography & Interventions 2022;1(3):100308. https://doi.org/10.1016/j.jscai.2022.100308##[11]. Chang Y, Antonescu C, Ravindranath SR, Dong J, Lu M, Vicario F, et al. Machine Learning for Early Prediction of Cardiogenic Shock. Journal of the American College of Cardiology 2022;79(9_Supplement):278.##[12]. Alotaibi FS. Implementation of machine learning model to predict heart failure disease. International Journal of Advanced Computer Science and Applications 2019;10(6). doi: 10.14569/IJACSA.2019.0100637##[13]. Li X, Sousa-Casasnovas I, Devesa C, Juarez M, Fernandez-Aviles F, Martinez-Selles M. Predictors of in-hospital mortality among cardiogenic shock patients. Prognostic and therapeutic implications. International Journal of Cardiology 2016;224:114-8.##[14]. König S, Pellissier V, Hohenstein S, Bernal A, Ueberham L, Meier‐Hellmann A, Kuhlen R, Hindricks G, Bollmann A. Machine learning algorithms for claims data‐based prediction of in‐hospital mortality in patients with heart failure. ESC Heart Failure 2021;8(4):3026-36. https://doi.org/10.1002/ehf2.13398##[15]. Acharya D. Predictors of outcomes in myocardial infarction and cardiogenic shock. Cardiology in Review 2018;26(5):255-66. doi: 10.1097/CRD.0000000000000190##[16]. Ueki Y, Mohri M, Matoba T, Tsujita Y, Yamasaki M, Tachibana E, et al. Characteristics and predictors of mortality in patients with cardiovascular shock in Japan–results from the japanese circulation society cardiovascular shock registry–. Circulation Journal 2016;80(4):852-9. https://doi.org/10.1253/circj.CJ-16-0125##[17]. Rong F, Xiang H, Qian L, Xue Y, Ji K, Yin R. Machine learning for prediction of outcomes in cardiogenic shock. Frontiers in Cardiovascular Medicine 2022;9:849688.##[18]. Ali MM, Al-Doori VS, Mirzah N, Hemu AA, Mahmud I, Azam S, et al. A machine learning approach for risk factors analysis and survival prediction of Heart Failure patients. Healthcare Analytics 2023;3:100182. https://doi.org/10.1016/j.health.2023.100182##[19]. Harjola VP, Lassus J, Sionis A, Køber L, Tarvasmäki T, Spinar J, et al. Clinical picture and risk prediction of short‐term mortality in cardiogenic shock. European Journal of Heart Failure 2015;17(5):501-9. https://doi.org/10.1002/ejhf.260##[20]. Chaggar PS, McKay E, Williams SG, Barnard J, Yonan N, Venkateswaran R, et al. Predictors of Survival in Critical Cardiogenic Shock Admissions to a Quaternary Heart Failure Unit in the UK. The Journal of Heart and Lung Transplantation 2017;36(4):S219-20.##[21]. Demondion P, Fournel L, Golmard JL, Niculescu M, Pavie A, Leprince P. Predictors of 30-day mortality and outcome in cases of myocardial infarction with cardiogenic shock treated by extracorporeal life support. European Journal of Cardio-Thoracic Surgery 2014;45(1):47-54. https://doi.org/10.1093/ejcts/ezt207##[22]. Jain A, Zongker D. Feature selection: Evaluation, application, and small sample performance. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997;19(2):153-8. doi: 10.1109/34.574797##[23]. De Stefano C, Fontanella F, Marrocco C, Di Freca AS. A GA-based feature selection approach with an application to handwritten character recognition. Pattern Recognition Letters 2014;35:130-41. https://doi.org/10.1016/j.patrec.2013.01.026##[24]. Malik A, Saggi MK, Rehman S, Sajjad H, Inyurt S, Bhatia AS, et al. Deep learning versus gradient boosting machine for pan evaporation prediction. Engineering Applications of Computational Fluid Mechanics 2022;16(1):570-87. https://doi.org/10.1080/19942060.2022.2027273##[25]. Friedman JH. Greedy function approximation: a gradient boosting machine. Annals of statistics 2001:1189-232. doi:10.1214/aos/1013203451##[26]. Bardenheier BH, Shefer A, Barker L, Winston CA, Sionean CK. Public health application comparing multilevel analysis with logistic regression: immunization coverage among long-term care facility residents. Annals of Epidemiology 2005; 15(10): 749- 55. https://doi.org/10.1016/j.annepidem.2005.03.001##[27]. Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters 2006;27(8):861-74. https://doi.org/10.1016/j.patrec.2005.10.010##[28]. Chawla NV. Data Mining for Imbalanced Datasets: An Overview. In: Maimon O, Rokach L. Data Mining and Knowledge Discovery Handbook. 1st ed. Boston: Springer; 2005. p. 853-67.##[29]. Witten IH, Frank E, Hall AM. Data Mining: Practical Machine Learning Tools and Techniques. 3rd ed. Burlington, MA: Morgan Kaufmann; 2011##[30]. Kubat M, Matwin S. Addressing the Curse of Imbalanced Training Sets: One Sided Selection. Proceedings of the Fourteenth Intemational Conference on Machine Learning; 1997 Jul 8-12; Nashville, TN, USA. San Francisco: Morgan Kaufmann; 1997. p. 179-86.##[31]. Davodian LW, Larsen JK, Povlsen AL, Josiassen J, Helgestad OK, Udesen NL, et al. Timing and causes of death in acute myocardial infarction complicated by cardiogenic shock (from the RETROSHOCK cohort). The American Journal of Cardiology 2022;171:15-22. https://doi.org/10.1016/j.amjcard.2022.01.050## ##

ارائه یک مدل آینده‌پژوهی برای انتخاب مدل مناسب تشخیص سرطان سینه Providing a Foresight Model for Selecting the Appropriate Breast Cancer Diagnosis Model 1 1 مقدمه: انتخاب مدل مناسب برای تشخیص سرطان سینه اهمیت زیادی دارد، زیرا مدل‌های نامناسب ممکن است دقت تشخیص را کاهش دهند و منجر به نتایج نادرست شوند. این خطاها می‌توانند به تصمیم‌گیری‌های نادرست بالینی منجر شوند. در این راستا، آینده‌پژوهی می‌تواند ابزار مؤثری برای شناسایی و انتخاب مدل‌های مناسب تشخیصی باشد. روش کار: این مطالعه با استخراج مقالات مرتبط با تشخیص سرطان سینه مبتنی بر هوش مصنوعی آغاز شد. تعداد مقالات مربوط به هر الگوریتم مشخص و الگوریتم‌هایی با کمتر از 50 مقاله حذف شدند. سپس روند سالانه انتشار مقالات تحلیل شد. یک مدل سری زمانی مبتنی بر شبکه عصبی مصنوعی برای پیش‌بینی روند تحقیقات در دو سال آینده طراحی شد که الگوریتم‌های با بیشترین تمرکز پژوهشی را شناسایی می‌کند. یافته‌ها: پس از حذف مقالات زیر حد آستانه، 2308 مقاله در هشت دسته شامل یادگیری عمیق، شبکه عصبی مصنوعی، ماشین بردار پشتیبان، منطق فازی، خوشه‌بندی، درخت تصمیم، بیزین و رگرسیون لجستیک قرار گرفتند. هشت مدل سری زمانی با استفاده از داده‌های هفت سال گذشته، پیش‌بینی کردند که یادگیری عمیق و شبکه عصبی مصنوعی بیشترین تمرکز پژوهشی آینده را به خود اختصاص خواهند داد. نتیجه‌گیری: این پژوهش نشان داد که آینده‌پژوهی رویکردی مؤثر برای انتخاب روش‌های تشخیص سرطان سینه است. نتایج نشان می‌دهد که الگوریتم‌های شبکه عصبی مصنوعی و یادگیری عمیق بهترین عملکرد را دارند و می‌توانند راهنمایی برای پژوهش‌های آینده باشند.   2 Introduction: Selecting an appropriate model for breast cancer diagnosis is critical. Unsuitable models can compromise diagnostic accuracy, lead to incorrect outcomes, and impact clinical decision-making. In this context, foresight models are valuable tools for identifying and selecting the most effective diagnostic models. The objective of this study was to identify optimal models for breast cancer detection using foresight models.  Method: This study began by extracting articles related to artificial intelligence-based breast cancer diagnosis. The number of articles associated with each algorithm was determined, and algorithms referenced in fewer than 50 articles were excluded. Subsequently, annual publication trends were analyzed. A time series model based on artificial neural networks was developed to predict research trends over the next two years and to identify the algorithms expected to receive more research attention.  Results: After applying the exclusion criteria, a total of 2,308 articles were categorized into eight groups: deep learning, artificial neural networks, support vector machines, fuzzy logic, clustering, decision trees, Bayesian methods, and logistic regression.  Additionally, eight time series models were constructed using data from the past seven years, predicting that deep learning and artificial neural networks will lead future research efforts in breast cancer diagnosis.  Conclusion: This study highlights the effectiveness of foresight as a methodological approach for selecting optimal techniques for breast cancer diagnosis. The results indicate that artificial neural networks and deep learning demonstrate superior performance and are likely to be pivotal methodologies for future research in this area. 244 256 2024/06/182024/06/302024/08/122024/07/112024/07/132024/09/16 1403/6/26 2024/11/92024/12/192024/09/302024/12/192024/11/92024/12/25 1403/10/5 عبدالحسین شکیبایی نیا Abdolhossein Shakibaeinia گروه مهندسی کامپیوتر، واحد دزفول‌، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران ایران h.shakibaeenia@iau.ac.ir محسن چگین Mohsen Chegin گروه مهندسی کامپیوتر، واحد دزفول‌، دانشگاه آزاد اسلامی، دزفول، ایران ایران chegin@iaud.ac.ir امین گلاب پور Amin Golabpour دانشگاه علوم پزشکی شاهرود، شاهرود، ایران ایران a.golabpour@shmu.ac.ir احمد خسروی Ahmad Khosravi دانشگاه علوم پزشکی شاهرود، شاهرود، ایران ایران a.khosravi@shmu.ac.ir Foresight Diagnosis Breast Cancer Artificial Neural Network Deep Learning آینده‌پژوهی تشخیص سرطان سینه شبکه عصبی مصنوعی یادگیری عمیق [1]. Alain F, Liñán F. The future of research on entrepreneurial intentions. Journal of Business Research. 2014;67(5):663-6. doi:10.1016/j.jbusres.2013.11.024##[2]. Cohen J, Vincent JL, Adhikari NK, Machado FR, Angus DC, Calandra T, et al. Sepsis: a roadmap for future research. Lancet Infect Dis 2015;15(5):581-614. doi: 10.1016/S1473-3099(15)70112-X##[3]. Graham E, Gariépy G, Orpana H. System dynamics models of depression at the population level: a scoping review. Health Res Policy Syst 2023;21(1):50. doi: 10.1186/s12961-023-00995-7.##[4]. Currie DJ, Smith C, Jagals P. The application of system dynamics modelling to environmental health decision-making and policy - a scoping review. BMC Public Health 2018;18(1):402. doi: 10.1186/s12889-018-5318-8.##[5]. Sansone M, Holmstrom P, Hallberg S, Nordén R, Andersson LM, Westin J. System dynamic modelling of healthcare associated influenza -a tool for infection control. BMC Health Services Research 2022;22(1):709.##[6]. Yinusa A, Faezipour M, Faezipour M. A study on ckd progression and health disparities using system dynamics modeling. Healthcare 2022; 10(9):1628. https://doi.org/10.3390/healthcare10091628##[7]. Kniffin KM, Narayanan J, Anseel F, Antonakis J, Ashford SP, Bakker AB, et al. COVID-19 and the workplace: Implications, issues, and insights for future research and action. Am Psychol 2021;76(1):63-77. doi: 10.1037/amp0000716.##[8]. Diener E, Pressman SD, Hunter J, Delgadillo-Chase D. If, Why, and When Subjective Well-Being Influences Health, and Future Needed Research. Appl Psychol Health Well Being 2017;9(2):133-67. doi: 10.1111/aphw.12090.##[9]. Loyo HK, Batcher C, Wile K, Huang P, Orenstein D, Milstein B. From model to action: using a system dynamics model of chronic disease risks to align community action. Health Promot Pract 2013;14(1):53-61. doi: 10.1177/1524839910390305##[10]. Makwana S. Optimizing Breast Cancer Diagnosis with Machine Learning Algorithms. Journal of Electrical Systems. 2024;20(10):4046-54. doi: https://doi.org/10.52783/jes.5970##[11]. Davahli MR, Karwowski W, Taiar R. A System Dynamics Simulation Applied to Healthcare: A Systematic Review. Int J Environ Res Public Health 2020;17(16):5741. doi: 10.3390/ijerph17165741.##[12]. Durstewitz D, Koppe G, Thurm MI. Reconstructing computational system dynamics from neural data with recurrent neural networks. Nat Rev Neurosci 2023;24(11):693-710. doi: 10.1038/s41583-023-00740-7.##[13]. Robeson S, Willmott C. Decomposition of the mean absolute error (MAE) into systematic and unsystematic components. PLoS One 2023;18(2):e0279774. doi: 10.1371/journal.pone.0279774.##[14]. Hussain N. Deep Learning Architectures Enabling Sophisticated Feature Extraction and Representation for Complex Data Analysis. International Journal of Innovative Science and Research Technology 2024;9(10):11. doi: https://doi.org/10.38124/ijisrt/IJISRT24OCT1521##[15]. Liu J. Exploring the power of KANs: Overcoming MLP limitations in complex data analysis. Applied and Computational Engineering 2024;83(1):1-7. doi:10.54254/2755-2721/83/2024GLG0057##[16]. Alrikabi JM, Muhammad SS. Deep Feature Extraction with SVM Classifier for Brain Tumor Classification. Journal of Education for Pure Science-University of Thi-Qar 2024;14(3). doi: https://doi.org/10.32792/jeps.v14i3.539##[17]. Guo X, Wei M, Jiang H, Feng Z, Sun Y. Data Feature Extraction Methods Based on Deep Learning. 4th International Conference on Electronic Technology, Communication and Information (ICETCI); 2024 May 24; Changchun, China: IEEE; 2024. p. 1485-9. doi: 10.1109/ICETCI61221.2024.10594224##[18]. Alsuhimat FM, Mohamad FS. A Hybrid Method of Feature Extraction for Signatures Verification Using CNN and HOG a Multi-Classification Approach. IEEE Access 2023;11:21873-82. doi: 10.1109/ACCESS.2023.3252022##[19]. Elmes A, Estes L, Avery R, Caylor K, Eastman R, Fishgold L, et al. Accounting for training data error in machine learning applied to Earth observations. Remote Sens 2020, 12(6): 1034. https://doi.org/10.3390/rs12061034##[20]. Verma U. Breast Cancer Detection: A Comprehensive Study on Machine Learning and Deep Learning Techniques; 2024. In Press doi: 10.20944/preprints202411.0859.v1##[21]. Elmes A, Alemohammad H, Avery R, Caylor K, Eastman JR, Fishgold L, et al. Accounting for training data error in machine learning applied to earth observations. Remote Sensing 2020;12(6):1034. doi:10.55041/IJSREM38054##[22]. Khalid A, Mehmood A, Alabrah A, Alkhamees BF, Amin F, AlSalman H, et al. Breast Cancer Detection and Prevention Using Machine Learning. Diagnostics (Basel) 2023;13(19):3113. doi: 10.3390/diagnostics13193113.## ##

شناسایی عوامل مؤثر در سیستم نسخه نویسی الکترونیکی داروخانه‌‌‌ها از دیدگاه داروسازان و تکنسین‌‌‌های دارویی منتخب در شهر ارومیه Identifying Effective Factors in the Electronic Prescribing System of Pharmacies from the Point of view of Selected Pharmacists and Pharmaceutical Technicians in Urmia 1 1 مقدمه: ظهور نسخه‌نویسی الکترونیکی، شیوه تجویز و توزیع دارو‌ها را در داروخانه‌‌ها متحول کرده است هدف این مطالعه، تبیین عوامل مؤثر بر گردش کاری، تعامل با بیمار و ایمنی دارو در سیستم نسخه‌نویسی الکترونیکی داروخانه‌‌ها از دیدگاه داروسازان و تکنسین‌‌های دارویی است. روش کار: این پژوهش، از نوع مطالعه توصیفی – کاربردی بوده که به صورت مقطعی در سال 1402 در داروخانه‌های منتخب شهر ارومیه در دو مرحله انجام شد. در مرحله اول، با مرور نظام‌مند و انتخاب مطالعات مرتبط و بر اساس معیارهای ورود، عوامل مؤثر مشخص و در مرحله دوم با روش نمونه‌گیری هدفمند دلفی دو مرحله‌ای و گلوله برفی، عوامل تعیین شده، نهایی گردید. تحلیل داده‌‌ها با استفاده از آمار توصیفی در نرم‌افزار SPSS نسخه 26 انجام شد.     یافته‌ها: متخصصین داروسازی و تکنسین‌‌های دارویی منتخب در سطح داروخانه‌‌های ارومیه که در مرحله اول دلفی مشارکت داشتند وارد مرحله دوم دلفی شدند. از این تعداد 50 درصد داروساز و 50 درصد تکنسین دارویی بوده‌اند و زنان و مردان به صورت مساوی در این مرحله مشارکت داشته‌اند. بیشترین گروه سنی مشارکت کنندگان بین 39-35 سال و بیشترین سابقه کار 10-5 سال بود. بعد از دو مرحله دلفی 11 گویه متغییر گردش کاری، 6 گویه تعامل با بیمار و 11 گویه ایمنی دارو تأیید شدند. نتیجه‌گیری: در این مطالعه، عوامل تأثیرگذار شناسایی شده اند.  این عوامل می‌تواند از جانب سیاست‌گذاران سلامت و توسعه‌دهندگان چنین سیستم‌هایی در بهبود کارایی سیستم نسخه‌نویسی الکترونیک مورد استفاده قرار گرفته و به عنوان چارچوبی برای تدوین برنامه‌های بلندمدت و کوتاه مدت ایشان عمل کند. 2 Introduction: The emergence of electronic prescriptions has transformed the methods of prescribing and distributing medications in pharmacies. The aim of this study is to explain the factors affecting workflow, patient communication, and medication safety within the electronic prescription system from the perspectives of pharmacists and pharmacy technicians. Method: This research is a descriptive and cross-sectional study conducted in 2023 in selected pharmacies in the city of Urmia. It was carried out in two stages. In the first stage, relevant studies were systematically reviewed and selected based on entry criteria to identify the influencing factors. In the second stage, the two-stage Delphi method was used with purposive and snowball sampling to finalize the identified factors. Results: The results of this study consisted of two stages. In the first stage, the factors affecting workflow, patient communication, and medication safety in pharmacies within the electronic prescription system were identified. In the second stage, the validity of the factors identified in the first stage was determined using a two-stage Delphi method. After two rounds of Delphi, 11 items related to workflow variables, 6 items for patient communication, and 11 items for medication safety were confirmed. Conclusion: This study has identified the factors that can be utilized by health policymakers and developers of electronic prescription systems to improve efficiency and serve as a framework for formulating both long-term and short-term plans. 257 270 2024/06/182024/06/302024/08/122024/07/112024/07/132024/09/162024/10/2 1403/7/11 2024/11/92024/12/192024/09/302024/12/192024/11/92024/12/252024/12/19 1403/9/29 مریم محقق منتظری Maryam Mohaghegh-Montazeri دانشجوی کارشناسی ارشد، فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران maryam.mohaghegh.montazeri1@gmail.com الهه گوزلی Elahe Gozali مرکز تحقیقات انفورماتیک سلامت و زیست پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران ایران elahe.gozali@gmail.com محمد جبرائیلی Mohamad Jebraeily مرکز تحقیقات انفورماتیک سلامت و زیست پزشکی، دانشگاه علوم پزشکی ایران، ارومیه، ایران ایران jabraily@gmail.com نعمت الله آهنگر Nematollah Ahangar دکترای فارماکولوژی، استاد گروه فارماکولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی گیلان، رشت، ایران ایران dr.n.ahangar@gmail.com Electronic Prescription Workflow Patient Communication Medication Safety سیستم نسخه‌نویسی الکترونیکی گردش کاری تعامل با بیمار ایمنی دارو [1]. Rosa MB, Nascimento MMGd, Cirilio PB, Santos RA, Batista LF, Perini E, Couto RC. Electronic prescription: frequency and severity of medication errors. Rev Assoc Med Bras 2019;65:1349–55. doi: 10.1590/1806-9282.65.11.1349##[2]. Samadbeik M, Ahmadi M, Sadoughi F, Garavand A. A copmarative review of electronic prescription systems: lessons learned from developed countries. J Res Pharm Pract 2017;6(1):3–11. doi: 10.4103/2279-042X.200993##[3]. Jebraeily M, Rashidi A, Mohitmafi T, Muossazadeh R. Evaluation of Outpatient Electronic prescription system capabilities from the perspective of Physicians in Specialized Polyclinics of Urmia Social Security Organization. Journal of Payavard Salamat 2021;14(6):557–68. [In Persian]##[4]. Romanow D, Rai A, Keil M. CPOE-enabled coordination: appropria-tion for deep structure use and impacts on patient outcomes. MIS Q 2018;42(1):189–212. doi: 10.25300/MISQ/2018/13275##[5]. Motulsky A, Sicotte C, Gagnon MP, Payne-Gagnon J, Langué-Dubé JA,Rochefort CM, et al. Challenges to the implementation of a nationwide electronic prescribing network in primary care: a qualitative study of users’perceptions. J Am Med Inf Assoc 2015;22(4):838–48. doi: 10.1093/jamia/ocv026##[6]. Kaushal R, Kern LM, Barrón Y, Quaresimo J, Abramson EL. Electronic prescribing improves medication safety in community-based office practices. J Gen Intern Med. 2010;25(6):530-6. doi: 10.1007/s11606-009-1238-8.##[7]. Thomas CP, Kim M, McDonald A, Kreiner P, Kelleher Jr SJ, Blackman MB, et al. Prescribers' expectations and barriers to electronic prescribing of controlled substances. J Am Med Inform Assoc. 2012;19(3):375-81. doi: 10.1136/amiajnl-2011-000209.##[8]. Bigler L. E-prescribing benefits beyond achieving meaningful use. Drug Store News 2012;34(8):94.##[9]. Porterfield A, Engelbert K, Coustasse A. Electronic prescribing: improving the efficiency and accuracy of prescribing in the ambulatory care setting. Perspect Health Inf Manag 2014;11(Spring):1g.##[10]. Hsiao CJ. Electronic health record systems and intent to apply for meaningful use incentives among office-based physician practices: United States, 2001-2011. California: U.S. Department of Health and Human Services, Centers for Disease Control and Prevention, National Center for Health Statistics; 2011.##[11]. Warholak TL, Rupp MT. Analysis of community chain pharmacists’ interventions on electronic prescriptions. J Am Pharm Assoc (2003) 2009;49(1):59-64. doi: 10.1331/JAPhA.2009.08013##[12]. Angelo LB, Christensen DB, Ferreri SP. Impact of community pharmacy automation on workflow, workload, and patient interaction. J Am Pharm Assoc 2005;45(2):138-44. doi: 10.1331/1544345053623537##[13]. Odukoya OK, Chui MA. Relationship between e-prescriptions and community pharmacy workflow. J Am Pharm Assoc (2003) 2012;52(6):e168–e74. doi: 10.1331/JAPhA.2012.12066##[14]. Edrees H, Amato MG, Wong A, Seger DL, Bates DW. High-priority drug-drug interaction clinical decision support overrides in a newly implemented commercial computerized provider order-entry system: override appropriateness and adverse drug events. J Am Med Inform Assoc 2020;27(6):893–900. doi: 10.1093/jamia/ocaa034##[15]. Lappe V, Dinh TS, Harder S, Brueckle M-S, Fessler J, Marschall U, et al. Multimedication guidelines: assessment of the size of the target group for medication review and description of the frequency of their potential drug safety problems with routine data. Pharmacoepidemiology 2022;1(1):12-25. https://doi.org/10.3390/pharma1010002##[16]. Woudenberg F. An evaluation of Delphi. Technological Forecasting and Social Change. 1991;40(2):131-50.##[17]. Huang YM, Wang YH, Chan HY, Ho YF. A qualitative approach to exploring workflow and cost factors of dispensing services in community pharmacies in Taiwan. J Multidiscip Healthc 2023:16:3179-88. doi: 10.2147/JMDH.S432828##[18]. Kauppinen H, Ahonen R, Timonen J. The impact of electronic prescriptions on medication safety in Finnish community pharmacies: a survey of pharmacists. Int J Med Inform 2017:100:56-62. doi: 10.1016/j.ijmedinf.2017.01.014.##[19]. Sayyadi-Tooranloo H, Mirghafouri H, Namjo M, Saghafi S. Assessing the efficient factors on implementing electronic extinction in pharmacies of Yazd, Iran. Health Information Management 2019;16(4):154-60. https://doi.org/10.22122/him.v16i4.3903##[20]. Alzahrani AM, Alzhrani AA, Felix HC, Alharbi KK, Shahzad MW, Arbaein TJ, et al. Patient Satisfaction with Private Community Pharmacies versus Pharmacies in Primary Health Care Centers in Saudi Arabia. Saudi Pharm J 2024;32(6):102091. https://doi.org/10.3390/healthcare10050806##[21]. Almaghaslah D, Alsayari A, Almaghaslah S, Alsanna H. Patients’ satisfaction with E-Prescribing (Wasfaty) in Saudi Arabia: a survey of country-level implementation. Healthcare 2022; 10(5): 806; https://doi.org/10.3390/healthcare10050806##[22]. Alipour J, Sharifian R, Haghighi JD, Hashemzehi M, Karimi A. Patients’ perceptions, experiences, and satisfaction with e-prescribing system: A cross-sectional study. Int J Med Inform 2024:181:105282. doi: 10.1016/j.ijmedinf.2023.105282.##[23]. Patel PM, Vaidya V, Osundina F, Comoe DA. Determining patient preferences of community pharmacy attributes: a systematic review. J Am Pharm Assoc (2003) 2020;60(2):397-404. doi: 10.1016/j.japh.2019.10.008.##[24]. Kenawy AS, Kett V. The impact of electronic prescription on reducing medication errors in an Egyptian outpatient clinic. Int J Med Inform 2019:127:80-7. doi: 10.1016/j.ijmedinf.2019.04.005.##[25]. Peikari HR, Rezazadeh M. Investigating the relationship between electronic prescription system and reduction of pharmacists' errors using UTAUT Model. Health Research Journal 2021;6(2):139-46. [In Persian]## ##

مداخلات سلامت همراه برای تسهیل تصمیم‌گیری مشترک: یک مرور نظام مند Mobile Health Interventions to Facilitate Shared Decision Making: A Systematic Review 1 1 مقدمه:  تصمیم‌گیری مشترک فرآیندی است که در آن ارائه‌دهندگان خدمات بهداشتی شواهد را با بیماران به اشتراک می‌گذارند و به آن‌ها این امکان را می‌دهند که بر اساس ارزش‌ها و ترجیحات خود تصمیمات آگاهانه‌ای اتخاذ کنند. سلامت همراه می‌تواند به تسهیل تصمیم گیری مشترک کمک کند که منجر به بهبود نتایج بالینی می‌شود. بنابراین، این مطالعه به بررسی مطالعات مربوط به مداخلات سلامت همراه که تصمیم گیری مشترک را تسهیل می‌کنند، می‌پردازد. روش کار: در نوامبر 2022، سه پایگاه داده پابمد، اسکوپوس و وب آو ساینس  جهت بازیابی مقالاتی درباره مداخلات سلامت همراه که تسهیل‌کننده تصمیم‌گیری مشترک هستند، مورد جستجو قرار گرفتند. نام نویسنده اول، سال انتشار، کشور مورد مطالعه، هدف مطالعه، نوع بیماری، نوع مداخله سلامت همراه و نتایج مداخلات از مطالعات انتخاب شده استخراج شد. از آمار توصیفی برای تحلیل داده‌ها استفاده شد. یافته ها: از ۳۲ مقاله وارد شده در مطالعه، بیشتر مطالعات در سال 2021 (25%) و 2022 (21%) منتشر شده‌اند. اغلب مطالعات (43/5%) در ایالات متحده صورت گرفته بود. 15 مطالعه (47%) سطح رضایت شرکت‌کنندگان در استفاده از سلامت همراه برای تصمیم‌گیری مشترک و ۱۴ مطالعه (43/5%) قابلیت استفاده از سلامت همراه را اندازه گیری کردند. بخش عمده ای از مطالعات (84/5%) از برنامه‌های کاربردی مبتنی بر تلفن همراه جهت تصمیم گیری مشترک استفاده کردند. اکثر  مطالعات تاثیر استفاده از تصمیم گیری مشترک را روی بیماری‌های اسکلتی-عضلانی (18/5%)، سرطان‌ (15/5%)، بیماری‌های قلبی-عروقی (15/5%) و بیماری‌های روانی (12/5%) سنجیدند. همچنین اغلب مطالعات نشان دادند (97%) استفاده از سلامت همراه تأثیر مثبتی بر تصمیم گیری مشترک داشته است. نتیجه‌گیری: سلامت همراه به بیماران در اتخاذ تصمیمات آگاهانه درباره درمان کمک می‌کند و فرآیند تصمیم‌گیری مشترک را تسهیل می‌نماید. بیماران می‌توانند از این فناوری در خانه استفاده کنند تا بر موانع ناشی از کمبود ملاقات‌های حضوری غلبه کنند. یافته‌های این تحقیق می‌تواند به ارائه‌دهندگان خدمات بهداشتی کمک کند تا از فناوری‌های مقرون به صرفه و قابل دسترس برای درگیر کردن بیماران در انتخاب بهترین گزینه‌های درمانی استفاده کنند.   2 Introduction: Shared Decision Making (SDM) is a process in which healthcare providers share evidence with patients, enabling them to make informed decisions based on their values and preferences. Mobile health (mHealth) can support SDM, leading to improved clinical outcomes. Therefore, this study aims to review the literature on mHealth interventions that facilitate SDM. Method: In November 2022, the PubMed, Scopus, and Web of Science databases were searched for papers on mHealth interventions that facilitate SDM. The first author's name, year of publication, country of the study, study objective, type of disease, type of mHealth intervention, and outcomes of the interventions were extracted from the selected studies. Descriptive statistics were used to analyze the data. Results: Of the 32 articles included in the study, most were published in 2021 (25%) and 2022 (21%). The majority of studies (43.5%) were conducted in the United States. Fifteen studies (47%) evaluated participants' satisfaction with using mobile health for shared decision-making, and fourteen studies (43.5%) measured the usability of mobile health. In most studies (84.5%), mobile-based applications were used for shared decision-making. Most studies assessed the impact of shared decision-making on musculoskeletal diseases (18.5%), cancer (15.5%), cardiovascular diseases (15.5%), and mental health disorders (12.5%). Most studies (97%) found that using mobile health had a positive impact on shared decision-making. Conclusion: mHealth assists patients in making informed decisions about their treatment by facilitating SDM. Patients can use this technology at home to overcome barriers posed by a lack of face-to-face visits. The findings of this research can guide healthcare providers in leveraging affordable and accessible technology to engage patients in selecting the best treatment options. 271 281 2024/06/182024/06/302024/08/122024/07/112024/07/132024/09/162024/10/22024/10/21 1403/7/30 2024/11/92024/12/192024/09/302024/12/192024/11/92024/12/252024/12/192024/12/21 1403/10/1 صدریه حاج اسمعیل گوهری Sadrieh Hajesmaeel-Gohari دکترای مدیریت اطلاعات سلامت، استادیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران sadriehhajesmaili@yahoo.com الهه شفیعی Elaheh Shafiei دانشجوی دکترای انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران e.shafiei.sh@gmail.com مریم قلی پور Maryam Gholipoor کارشناس ارشد انفورماتیک پزشکی، گروه علوم اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران maryamgholipoor9@gmail.com Shared Decision Making Mobile Health Systematic Review تصمیم‌گیری مشترک سلامت همراه مرور نظام مند [1]. Dang S. Shared Decision Making-The Pinnacle of Patient-Centered Care. Journal of the Indian Academy of Geriatrics. 2018;14.##[2]. Stewart MA. Effective physician-patient communication and health outcomes: a review. CMA 1995;152(9):1423–33. ##[3]. Stewart M, Brown JB, Boon H, Galajda J, Meredith L, Sangster M. Evidence on patient-doctor communication. Cancer Prev Control 1999;3(1):25-30.##[4]. Stacey D, Légaré F, Lewis K, Barry MJ, Bennett CL, Eden KB, et al. Decision aids for people facing health treatment or screening decisions. Cochrane Database Syst Rev 2017;4(4):CD001431. doi: 10.1002/14651858.CD001431.pub5##[5]. Mulley AG. The role of shared decision making in achieving allocative efficiency in health systems. J Shared Decision Making in Health Care: Achieving Evidence-Based Patient Choice, Oxford: Oxford Scholarship Online. 2016. https://doi.org/10.1093/acprof:oso/9780198723448.003.0006##[6]. Légaré F, Adekpedjou R, Stacey D, Turcotte S, Kryworuchko J, Graham ID, et al. Interventions for increasing the use of shared decision making by healthcare professionals. Cochrane Database Syst Rev 2018;7(7):CD006732. doi: 10.1002/14651858.CD006732.pub4##[7]. Johnson RA, Huntley A, Hughes RA, Cramer H, Turner KM, Perkins B, Feder G. Interventions to support shared decision making for hypertension: a systematic review of controlled studies. Health Expect 2018;21(6):1191-207. doi: 10.1111/hex.12826##[8]. Légaré F, Stacey D, Turcotte S, Cossi MJ, Kryworuchko J, Graham ID, et al. Interventions for improving the adoption of shared decision making by healthcare professionals. Cochrane Database Syst Rev 2014:(9):CD006732. doi: 10.1002/14651858.CD006732.pub3##[9]. Bates K, Morgan H, Crosby E, Nurse K, Flynn A, Stern D, Baronian R, Kennedy EK. Developing digital approaches for adolescents and young adults with autism and learning disabilities: Tools to facilitate access and shared decision-making. Educational & Child Psychology 2021;38(3):124-39.##[10]. Silva BM, Rodrigues JJ, de la Torre Díez I, López-Coronado M, Saleem K. Mobile-health: A review of current state in 2015. Journal of Biomedical Informatics 2015;56:265-72. https://doi.org/10.1016/j.jbi.2015.06.003##[11]. Qudah B, Luetsch K. The influence of mobile health applications on patient-healthcare provider relationships: a systematic, narrative review. Patient Educ Couns 2019;102(6):1080-9. doi: 10.1016/j.pec.2019.01.021##[12]. Kahn JG, Yang JS, Kahn JS. ‘Mobile’health needs and opportunities in developing countries. Health Aff (Millwood) 2010;29(2):252-8. doi: 10.1377/hlthaff.2009.0965##[13]. Omboni S, Caserini M, Coronetti C. Telemedicine and M-health in hypertension management: technologies, applications and clinical evidence. High Blood Press Cardiovasc Prev 2016;23(3):187-96. doi: 10.1007/s40292-016-0143-6##[14]. Abbasgholizadeh Rahimi S, Menear M, Robitaille H, Légaré F. Are mobile health applications useful for supporting shared decision making in diagnostic and treatment decisions? Glob Health Action 2017;10(sup3):1332259. doi: 10.1080/16549716.2017.1332259##[15]. Hsu WC, Lau KHK, Huang R, Ghiloni S, Le H, Gilroy S, et al. Utilization of a cloud-based diabetes management program for insulin initiation and titration enables collaborative decision making between healthcare providers and patients. Diabetes Technol Ther 2016;18(2):59-67. doi: 10.1089/dia.2015.0160##[16]. Iribarren SJ, Cato K, Falzon L, Stone PW. What is the economic evidence for mHealth? A systematic review of economic evaluations of mHealth solutions. PLoS One 2017;12(2):e0170581 doi: 10.1371/journal.pone.0170581##[17]. Lewis TL, Wyatt JC. mHealth and mobile medical apps: a framework to assess risk and promote safer use. J Med Internet Res 2014;16(9):e210. doi: 10.2196/jmir.3133##[18]. Miller DP, Weaver K, Case D, Babcock DP, Kronner D, Denizard-Thompson NM, et al. Usability of a novel mhealth ipad application by vulnerable populations. JMIR Mhealth Uhealth 2017;5(4):e43. doi: 10.2196/mhealth.7268##[19]. Aronson PL, Politi MC, Schaeffer P, Fleischer E, Shapiro ED, Niccolai LM, et al. Development of an App to Facilitate Communication and Shared Decision-making with Parents of Febrile Infants ≤ 60 Days Old. Acad Emerg Med 2021;28(1):46-59. doi: 10.1111/acem.14082##[20]. Day FC, Pourhomayoun BM, Keeves D, Lees AF, Sarrafzadeh M, Bell D, et al. Feasibility study of an EHR-integrated mobile shared decision-making application. Int J Med Inform 2019:124:24-30. doi: 10.1016/j.ijmedinf.2019.01.008##[21]. Shaw Y, Courvoisier DS, Scherer A, Ciurea A, Lehmann T, Jaeger VK, et al. Impact of assessing patient-reported outcomes with mobile apps on patient-provider interaction. RMD Open 2021;7(1):e001566. doi: 10.1136/rmdopen-2021-001566##[22]. Shewchuk B, Green LA, Barber T, Miller J, Teare S, Campbell-Scherer D, et al. Patients' Use of Mobile Health for Self-management of Knee Osteoarthritis: Results of a 6-Week Pilot Study. JMIR Form Res 2021;5(11):e30495. doi: 10.2196/30495##[23]. Agbadje TT, Pilon C, Bérubé P, Forest JC, Rousseau F, Rahimi SA, et al. User Experience of a Computer-Based Decision Aid for Prenatal Trisomy Screening: Mixed Methods Explanatory Study. JMIR Pediatr Parent 2022;5(3):e35381. doi: 10.2196/35381##[24]. de Winter MA, Timmers T, Hovens MMC, Iglesias Del Sol A, Mairuhu ATA, Kaasjager HA, et al. Effect of an interactive, educational app about venous thromboembolism and anticoagulation on patient satisfaction: A randomized controlled trial. Thromb Res 2022:209:86-93. doi: 10.1016/j.thromres.2021.11.028##[25]. Fortuna KL, Myers AL, Ferron J, Kadakia A, Bianco C, Bruce ML, et al. Assessing a digital peer support self-management intervention for adults with serious mental illness: feasibility, acceptability, and preliminary effectiveness. J Ment Health 2022;31(6):833-41. doi: 10.1080/09638237.2021.2022619##[26]. Muehlensiepen F, May S, Hadaschik K, Vuillerme N, Heinze M, Grahammer M, et al. Digitally supported shared decision-making and treat-to-target in rheumatology: a qualitative study embedded in a multicenter randomized controlled trial. Rheumatol Int 2023;43(4):695-703. doi: 10.1007/s00296-022-05224-y##[27]. Gelgoot EN, Kruglova K, Chan P, Lo K, Rosberger Z, Chown P, et al. Evaluation of a Mobile Health App Offering Fertility Information to Male Patients with Cancer: Usability Study. JMIR Cancer 2022 ;8(2):e33594. doi: 10.2196/33594##[28]. Vitger T, Hjorthøj C, Austin SF, Petersen L, Tønder ES, Nordentoft M, et al. A Smartphone App to Promote Patient Activation and Support Shared Decision-making in People with a Diagnosis of Schizophrenia in Outpatient Treatment Settings (Momentum Trial): Randomized Controlled Assessor-Blinded Trial. J Med Internet Res. 2022;24(10):e40292. https://doi.org/10.2196/40292##[29]. Zhang C, Pan MM, Wang N, Wang WW, Li Z, Gu ZC, et al. Feasibility and usability of a mobile health tool on anticoagulation management for patients with atrial fibrillation: a pilot study. Eur J Clin Pharmacol 2022;78(2):293-304. doi: 10.1007/s00228-021-03236-4##[30]. de Castro KP, Chiu HH, De Leon-Yao RC, Almelor-Sembrana L, Dans AM. A Patient Decision Aid for Anticoagulation Therapy in Patients with Nonvalvular Atrial Fibrillation: Development and Pilot Study. JMIR Cardio 2021;5(2):e23464. doi: 10.2196/23464##[31]. Fitzsimons M, Power K, McCrea Z, Kiersey R, White M, Dunleavy B, et al. Democratizing epilepsy care: Utility and usability of an electronic patient portal. Epilepsy Behav 2021:122:108197. doi: 10.1016/j.yebeh.2021.108197##[32]. Bansback N, Chiu JA, Metcalfe R, Lapointe E, Schabas A, Lenzen M, et al. Preliminary testing of a patient decision aid for patients with relapsing-remitting multiple sclerosis. Mult Scler J Exp Transl Clin 2021;7(3):20552173211029966. doi: 10.1177/20552173211029966##[33]. Kapoor A, Hayes A, Patel J, Patel H, Andrade A, Mazor K, et al. Usability and Perceived Usefulness of the AFib 2gether Mobile App in a Clinical Setting: Single-Arm Intervention Study. JMIR Cardio 2021;5(2):e27016. doi: 10.2196/27016##[34]. Strubbia C, Levack WM, Grainger R, Takahashi K, Tomori K. Use of an iPad App (Aid for Decision-making in Occupational Choice) for Collaborative Goal Setting in Interprofessional Rehabilitation: Qualitative Descriptive Study. JMIR Rehabil Assist Technol 2021;8(4):e33027. doi: 10.2196/33027##[35]. Kaul R, Akhoon N. Use of the Bone Ninja Mobile Application as a Pre-operative Assessment and Simulation Tool in Patients Undergoing High Tibial Osteotomy. Rev Bras Ortop (Sao Paulo) 2020;57(1):89-95. doi: 10.1055/s-0040-1716761##[36]. Eden KB, Ivlev I, Bensching KL, Franta G, Hersh AR, Case J, et al. Use of an Online Breast Cancer Risk Assessment and Patient Decision Aid in Primary Care Practices. J Womens Health (Larchmt) 2020;29(6):763-9. doi: 10.1089/jwh.2019.8143##[37]. Holden RJ, Campbell NL, Abebe E, Clark DO, Ferguson D, Bodke K, et al. Usability and feasibility of consumer-facing technology to reduce unsafe medication use by older adults. Res Social Adm Pharm 2020;16(1):54-61. doi: 10.1016/j.sapharm.2019.02.011##[38]. Opipari-Arrigan L, Dykes DMH, Saeed SA, Thakkar S, Burns L, Chini BA, et al. Technology-Enabled Health Care Collaboration in Pediatric Chronic Illness: Pre-Post Interventional Study for Feasibility, Acceptability, and Clinical Impact of an Electronic Health Record-Linked Platform for Patient-Clinician Partnership. JMIR Mhealth Uhealth 2020;8(11):e11968. doi: 10.2196/11968##[39]. Wyatt KD, Jenkins SM, Plevak MF, Venegas Pont MR, Pruthi S. A personalized, web-based breast cancer decision making application: a pre-post survey. BMC Med Inform Decis Mak 2019;19(1):196. doi: 10.1186/s12911-019-0924-7##[40]. Tubb MR, Vonder Meulen MB, Pallerla H, Regan S, Doarn CR. Clinical evaluation of e-Quit worRx: a mobile app to enhance smoking cessation shared decision making in primary care. Mhealth 2019:5:22. doi: 10.21037/mhealth.2019.06.03##[41]. Bucci S, Barrowclough C, Ainsworth J, Machin M, Morris R, Berry K, et al. Actissist: Proof-of-Concept Trial of a Theory-Driven Digital Intervention for Psychosis. Schizophr Bull 2018;44(5):1070-80. doi: 10.1093/schbul/sby032##[42]. Kravitz RL, Schmid CH, Marois M, Wilsey B, Ward D, Hays RD, et al. Effect of Mobile Device-Supported Single-Patient Multi-crossover Trials on Treatment of Chronic Musculoskeletal Pain: A Randomized Clinical Trial. JAMA Intern Med 2018;178(10):1368-77. doi: 10.1001/jamainternmed.2018.3981##[43]. Stephan LS, Almeida ED, Guimarães RB, Ley AG, Mathias RG, Assis MV, et al. Oral Anticoagulation in Atrial Fibrillation: Development and Evaluation of a Mobile Health Application to Support Shared Decision-Making. Arq Bras Cardiol 2018;110(1):7-15. doi: 10.5935/abc.20170181##[44]. Barrio P, Ortega L, López H, Gual A. Self-management and Shared Decision-Making in Alcohol Dependence via a Mobile App: a Pilot Study. Int J Behav Med 2017;24(5):722-7. doi: 10.1007/s12529-017-9643-6##[45]. Eiring Ø, Nytrøen K, Kienlin S, Khodambashi S, Nylenna M. The development and feasibility of a personal health-optimization system for people with bipolar disorder. BMC Med Inform Decis Mak 2017;17(1):102. doi: 10.1186/s12911-017-0481-x##[46]. Ledford CJW, Womack JJ, Rider HA, Seehusen AB, Conner SJ, Lauters RA, et al. Unexpected Effects of a System-Distributed Mobile Application in Maternity Care: A Randomized Controlled Trial. Health Educ Behav 2018;45(3):323-30. doi: 10.1177/1090198117732110##[47]. Cook KA, Modena BD, Simon RA. Improvement in Asthma Control Using a Minimally Burdensome and Proactive Smartphone Application. J Allergy Clin Immunol Pract 2016;4(4):730-7.e1. doi: 10.1016/j.jaip.2016.03.005##[48]. Hughes A, Landers D, Arkenau HT, Shah S, Stephens R, Mahal A, et al. Development and Evaluation of a New Technological Way of Engaging Patients and Enhancing Understanding of Drug Tolerability in Early Clinical Development: PROACT. Adv Ther 2016;33(6):1012-24. doi: 10.1007/s12325-016-0335-4##[49]. Yen PY, Lara B, Lopetegui M, Bharat A, Ardoin S, Johnson B, et al. Usability and Workflow Evaluation of "RhEumAtic Disease activitY" (READY). A Mobile Application for Rheumatology Patients and Providers. Appl Clin Inform 2016;7(4):1007-24. doi: 10.4338/ACI-2016-03-RA-0036##[50]. Charles C, Gafni A, Whelan T. Shared decision-making in the medical encounter: what does it mean? (or it takes at least two to tango). Soc Sci Med1997;44(5):681-92. doi: 10.1016/s0277-9536(96)00221-3##[51]. Sultan L, Alsaywid B, De Jong N, De Nooijer J. Current Trends in Interprofessional Shared Decision-Making Programmes in Health Professions Education: A Scoping Review. Sustainability 2022;14(20):13157. doi:10.3390/su142013157##[52]. Mangkunegara CN, Azzahro F, Handayani PW. Analysis of factors affecting user's intention in using mobile health application: a case study of Halodoc. 2018 International Conference on Advanced Computer Science and Information Systems (ICACSIS); 2018 Oct 27-28; Yogyakarta, Indonesia: IEEE; 2018. doi: 10.1109/ICACSIS.2018.8618174##[53]. Tousignant-Laflamme Y, Christopher S, Clewley D, Ledbetter L, Cook CJ, Cook CE. Does shared decision making results in better health related outcomes for individuals with painful musculoskeletal disorders? A systematic review. J Man Manip Ther 2017;25(3):144-50. doi: 10.1080/10669817.2017.1323607##[54]. Hoffmann T, Bakhit M, Michaleff Z. Shared decision making and physical therapy: What, when, how, and why? Braz J Phys Ther 2022;26(1):100382. doi: 10.1016/j.bjpt.2021.100382##[55]. Okolo CA, Babawarun O, Olorunsogo TO. Mobile health (mhealth) innovations for public health feedback: a global perspective. International Medical Science Research Journal 2024;4(3):235-46. https://doi.org/10.51594/imsrj.v4i3.915## ##