الزامات عملکردی و غیر عملکردی سامانه پزشکی از راه دور برای مدیریت درد مزمن The Functional and Non-Functional Requirements of a Telemedicine System for Chronic Pain Management 1 1 مقدمه: با گسترش فناوری اطلاعات و ارتباطات، سامانه‌های پزشکی از راه دور به یکی از ابزارهای کلیدی در ارتقای کیفیت خدمات درمانی تبدیل شده‌اند. این سامانه‌ها امکان ارائه مراقبت‌های پزشکی بدون نیاز به حضور فیزیکی بیمار و پزشک را فراهم می‌سازند و نقش مؤثری در مدیریت بیماری‌های مزمن، به‌ویژه درد مزمن ایفا می‌کنند. مدیریت درد مزمن نیازمند پیگیری مستمر، دسترسی آسان به خدمات و تبادل اطلاعات دقیق میان بیمار و تیم درمانی است. طراحی موفق یک سامانه پزشکی از راه دور مستلزم شناسایی و بررسی دقیق الزامات عملکردی و غیرعملکردی آن است. این الزامات پایه‌های اصلی برای تضمین کیفیت، امنیت، کارایی و پذیرش سیستم توسط کاربران را فراهم می‌سازند. هدف این پژوهش، شناسایی این الزامات برای طراحی یک سامانه مؤثر در مدیریت درد مزمن است. روش کار: این مطالعه از نوع کاربردی و به‌صورت مقطعی انجام شده است. در مرحله نخست، فرآیند موجود در مدیریت درد مزمن در بیمارستان‌های مربوطه مورد بررسی قرار گرفت. سپس با بهره‌گیری از روش بحث گروهی متمرکز (Focus Group Discussion)، جلساتی با حضور ۱۵ متخصص شامل چهار نفر از حوزه انفورماتیک پزشکی، هفت متخصص بیهوشی و چهار فلوشیپ درد برگزار شد. این افراد به‌صورت هدفمند و بر اساس دسترسی انتخاب شدند. جلسات تا زمان رسیدن به اشباع ادامه یافتند، به‌طوری‌که اطمینان حاصل شد تمامی ابعاد موضوع مورد بررسی قرار گرفته و به تأیید جمعی متخصصان رسیده است. یافته‌ها: الزامات عملکردی در 7 گروه دسته‌بندی شد، مدیریت‌کاربران (3 مورد)، نوبت‌دهی و ارتباط (5 مورد)، مدیریت اطلاعات‌پزشکی (3 مورد)، داروخانه و نسخه‌نویسی (2 مورد)، ارتباطات و پشتیبانی (2 مورد)، گزارش‌گیری و تحلیل‌داده (2 مورد)، محتوا و آموزش (4 مورد). همچنین برای الزامات غیرعملکردی، قابلیت‌اطمینان و در دسترس‌بودن، تعامل‌پذیری، امنیت و حریم‌خصوصی، ایمنی، عملکرد و مقیاس‌پذیری بدست آمدند. نتیجه‌گیری: یافته‌های این مطالعه نشان می‌دهد که شناسایی و درک دقیق الزامات عملکردی و غیرعملکردی نقش مهمی در موفقیت سامانه‌های پزشکی از راه دور دارد. عملکرد مناسب این سامانه‌ها مستلزم توجه همزمان به ویژگی‌هایی همچون امنیت، قابلیت اعتماد، تعامل‌پذیری و دسترسی‌پذیری در کنار کارکردهای تخصصی-درمانی است. در نتیجه، طراحی این سامانه‌ها باید با نگاه جامع و چند بعدی انجام شود تا پاسخ‌گوی نیازهای بیماران و تیم درمانی باشد. 2 Introduction: With the expansion of information and communication technologies, telemedicine systems have become a key tool in enhancing the quality of healthcare services. These systems enable the delivery of medical care without the need for physical presence of patients and healthcare providers, playing a significant role in the management of chronic diseases, particularly chronic pain. Effective chronic pain management requires continuous follow-up, easy access to services, and accurate information exchange between patients and the medical team. The successful design of a telemedicine system depends on the precise identification and evaluation of its functional and non-functional requirements. These requirements form the foundation for ensuring the quality, security, efficiency, and user acceptance of the system. The aim of this study is to identify these requirements to support the development of an effective system for chronic pain management. Method: This applied, cross-sectional study was conducted in two phases. In the first phase, existing processes related to chronic pain management in relevant hospitals were analyzed. Subsequently, focused group discussion (FGD) sessions were held with 15 experts, including four medical informatics specialists, seven anesthesiologists, and four pain fellowship specialists. Participants were purposefully selected based on availability. Sessions continued until data saturation was achieved, ensuring that all dimensions of the subject had been thoroughly discussed and confirmed by the expert panel. Results: Functional requirements were categorized into seven groups: user management (3 items), scheduling and communication (5 items), medical information management (3 items), pharmacy and e-prescription (2 items), communication and support (2 items), reporting and data analysis (2 items), and content and education (4 items). Non-functional requirements identified included reliability and availability, interoperability, security and privacy, safety, performance, and scalability. Conclusion: The findings of this study highlight the critical role of accurately identifying and understanding both functional and non-functional requirements in the success of telemedicine systems. Optimal system performance relies on the simultaneous consideration of features such as security, reliability, interoperability, and accessibility, alongside core clinical functionalities. Therefore, the design of such systems must adopt a comprehensive and multidimensional approach to effectively meet the needs of both patients and healthcare teams. 282 290 2024/11/18 1403/8/28 2025/01/19 1403/10/30 زینب کهزادی Zeinab Kohzadi دکترای انفورماتیک پزشکی، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران ایران z.kohzadi96@gmail.com علی دباغ Ali Dabbagh فلوشیپ بیهوشی قلب، استاد گروه بیهوشی، دانشکده پزشکی، مرکز تحقیقات بیهوشی بیمارستان شهید مدرس، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران ایران alidabbagh@yahoo.com مهرداد طاهری Mehrdad Taheri متخصص بیهوشی، دانشیار گروه بیهوشی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران ایران Taheri.1352@yahoo.com حسن امامی Hassan Emami دکترای فناوری اطلاعات، دانشیار گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران ایران Haemami1337@yahoo.com مهشید قاسمی Mahshid Ghasemi فلوشیپ درد، دانشیار گروه بیهوشی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران ایران mahshid.ghasemi@yahoo.com زهرا کهزادی Zahra Kohzadi دکترای مدیریت اطلاعات سلامت، مرکز بهداشت شهرستان ایلام، دانشگاه علوم پزشکی ایلام، ایران ایران z.kohzadi91@yahoo.com شهاب الدین رحمتی زاده Shahabedin Rahmatizadeh دکترای انفورماتیک پزشکی، استادیار گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران ایران shahab.rahmatizadeh@gmail.com Telemedicine Chronic Pain Management Functional and Non-Functional Requirements پزشکی از راه دور مدیریت درد مزمن الزامات عملکردی و غیرعملکردی [1]. Weinstein RS, Lopez AM, Joseph BA, Erps KA, Holcomb M, Barker GP, et al. Telemedicine, Telehealth, and Mobile Health Applications That Work: Opportunities and Barriers. Am J Med 2014;127(3):183-7. doi: 10.1016/j.amjmed.2013.09.032##[2]. Parimbelli E, Bottalico B, Losiouk E, Tomasi M, Santosuosso A, Lanzola G, et al. Trusting telemedicine: A discussion on risks, safety, legal implications and liability of involved stakeholders. Int J Med Inform 2018;112:90–8. doi: 10.1016/j.ijmedinf.2018.01.012##[3]. Emerick T, Alter B, Jarquin S, Brancolini S, Bernstein C, Luong K, et al. Telemedicine for Chronic Pain in the COVID-19 Era and Beyond. Pain Med 2020;21(9):1743-8. doi: 10.1093/pm/pnaa220##[4]. Wootton R. Twenty years of telemedicine in chronic disease management-an evidence synthesis. J Telemed Telecare 2012;18(4):211-20. doi: 10.1258/jtt.2012.120219##[5]. Treede RD, Rief W, Barke A, Aziz Q, Bennett MI, Benoliel R, et al. Chronic pain as a symptom or a disease: the IASP Classification of Chronic Pain for the International Classification of Diseases (ICD-11). Pain 2019;160(1):19-27. doi: 10.1097/j.pain.0000000000001384##[6]. Basbaum AI, Bautista DM, Scherrer G, Julius D. Cellular and Molecular Mechanisms of Pain. Cell 2009;139(2):267-84. doi: 10.1016/j.cell.2009.09.028##[7]. Rittner HL, Brack A, Stein C. Pain and the immune system. Br J Anaesth 2008;101(1):40-4. doi: 10.1093/bja/aen078##[8]. Puntillo F, Giglio M, Brienza N, Viswanath O, Urits I, Kaye AD, et al. Impact of COVID-19 pandemic on chronic pain management: Looking for the best way to deliver care. Best Pract Res Clin Anaesthesiol 2020;34(3):529-37. doi: 10.1016/j.bpa.2020.07.001##[9]. Treede RD, Rief W, Barke A, Aziz Q, Bennett MI, Benoliel R, et al. A classification of chronic pain for ICD-11. Pain 2015;156(6):1003-7. doi: 10.1097/j.pain.0000000000000160##[10]. Stein C. Opioids, sensory systems and chronic pain. Eur J Pharmacol 2013;716(1-3):179-87. doi: 10.1016/j.ejphar.2013.01.076##[11]. Smith J, Faux SG, Gardner T, Hobbs MJ, James MA, Joubert AE, et al. Reboot Online: A Randomized Controlled Trial Comparing an Online Multidisciplinary Pain Management Program with Usual Care for Chronic Pain. Pain Med 2019;20(12):2385-96. doi: 10.1093/pm/pnz208##[12]. Antonio GL, Almeida MQ, Avila MA, De Noronha MA, Approbato Selistre LF. Efficacy of telerehabilitation exercise in patients with chronic neck pain: a protocol for a non-inferiority randomized controlled trial. Pain Manag 2023;13(9):497-507. doi: 10.2217/pmt-2023-0070##[13]. Dharmalingam T, Rajah U, Muniandy R. Telemedicine therapy among chronic pain patients during the COVID-19 pandemic. Med J Malaysia 2023;78(4):472-5.##[14]. Tümtürk İ, Bakırhan S, Özden F, Gültaç E, Kılınç CY. Effect of Telerehabilitation-Based Exercise and Education on Pain, Function, Strength, Proprioception, and Psychosocial Parameters in Patients with Knee Osteoarthritis: A Randomized Controlled Clinical Trial. Am J Phys Med Rehabil 2024;103(3):222-32. doi: 10.1097/PHM.0000000000002335##[15]. Jumelle AKL, Ispas I. Ethical Issues in Digital Health. Springer: In Requirements Engineering for Digital Health 2015. p. 75–93. https://doi.org/10.1007/978-3-319-09798-5_4##[16]. Teixeira L, Ferreira C, Santos BS. User-centered requirements engineering in health information systems: A study in the hemophilia field. Computer Methods and Programs in Biomedicine 2012; 106(3): 160-74.##[17]. Kohzadi Z, Rahmatizadeh S, Dabbagh A, Emami H, Kohzadi Z. Anesthesia Services Can be Provided via Telemedicine: An Assessment of the Readiness. J Biomed Phys Eng 2024. In Press. doi:10.31661/jbpe.v0i0.2311-1686##[18]. Gambo I, Soriyan A, Ikono R. Framework for enhancing requirements engineering processes: a conceptual view of health information system. International Journal of Computer Applications 2014;93(2): 19-26.##[19]. Mehdizadeh H, Ayatollahi H, Esmaeili N, Kamkar M. Designing and Building a Teledermatology System. J Mazandaran Univ Med Sci 2015;25(123):170–84. [In Persian] ##[20]. Khodaveisi T, Sadoughi F, Novin K. Required Data Elements and Requirements of a Teleoncology System to Provide Treatment Plans for Patients with Breast Cancer. Int J Cancer Manag 2020;13(9):e100522. https://doi.org/10.5812/ijcm.100522.##[21]. Russkin A, Alekhin M, Iskhakova A. Functional Requirements Synthesis in Creation of Modular UAV Multisensory System Payload for Mountain Snow Search and Rescue Missions. International Siberian Conference on Control and Communications (SIBCON); 2021 May 13-15 Kazan, Russia: IEEE; 2021. doi: 10.1109/SIBCON50419.2021.9438883##[22]. Li F. Design of an Interactive Two-Way Telemedicine Service System for Smart Home Care for the Elderly. J Healthc Eng. 2021;2021:6632865. https://doi.org/10.1155/2021/6632865##[23]. Alencar GA, De Oliveira FVS, Da Silva Correia-Neto J, Teixeira MM. Non-Functional Requirements in Health Information Systems: a systematic mapping research. Iberian Conference on Information Systems and Technologies, 14th Iberian Conference on Information Systems and Technologies (CISTI); 2019 Jun 19-22; Coimbra, Portugal: IEEE; 2019. doi:10.23919/CISTI.2019.8760720##[24]. Bajpai V, Gorthi RP. On non-functional requirements: A survey. IEEE Students' Conference on Electrical, Electronics and Computer Science; 2012 Mar 1-2; Bhopal, India: IEEE; 2012. doi: 10.1109/SCEECS.2012.6184810## ##

طراحی سیستم پایدار فازی جهت تخمین مقاومت محیطی با استفاده از اجناس تواتر و قوت نبض طب ایرانی Designing a Fuzzy Stable System to Estimate Peripheral Resistance Using Frequency and Pulse Strength Parameters of Persian Medicine 1 1 مقدمه: نبض‌شناسی یکی از مهم‌ترین روش‌های تشخیص بالینی در طب ایرانی می‌باشد و قرن‌ها است توسط متخصصان طب سنتی برای ارزیابی وضعیت سلامت مراجعین استفاده می‌شود. همچنین فتوپلتیسموگرام یک روش آسان و غیر‌ تهاجمی برای اندازه‌گیری تغییرات حجم خون در هر نبض است و میزان مقاومت عروق محیطی که در تبیین وضعیت بالینی بیماران مهم است را می‌توان از آن استخراج نمود. از سوی دیگر یکی از روش‌های پیش‌بینی و تخمین، سیستم مبتنی بر قوانین فازی است. در این تحقیق توسط سیستم فازی بین مقاومت محیطی در فتوپلتیسموگرام و نبض‌شناسی طب ایرانی ارتباط برقرار گردید. روش کار: نظریه فازی مبنای بسیاری از مطالعات پزشکی برای تشخیص بیماری‌ها است. برای طراحی سیستم فازی پایدار، اطلاعات نبض و همچنین سیگنال فتوپلتیسموگرام مربوط به 35 نفر که توسط متخصص طب ایرانی ثبت شده بود مورد استفاده قرار گرفت. مجموعه‌های فازی کامل، نرمال، سازگار و متقارن و حساس نسبت به محدوده متغیرهای ورودی، برای پوشش فضاهای ورودی و خروجی و تولید قوانین با استفاده از داده‌های موجود تعریف شدند و شرایط پایداری برای سیستم برقرار گردید. یافته‌ها: سیستم فازی با 35 قانون، توابع عضویت مثلثی و ذوزنقه‌ای، فازی‌ساز منفرد، موتور استنتاج حاصل‌ضرب و فازی‌ساز مرکز ثقل توسط نرم‌افزار MATLAB R2021b طراحی شد. این سیستم فازی پایدار با ورودی‌های تواتر نبض و قوت نبض و همچنین خروجی مقاومت محیطی در محدوده تعریف شده می‌باشد. با توجه به نوع تعریف مجموعه‌های فازی در توابع تعلق، پایداری سیستم تضمین گردید و خطای این سیستم جهت تخمین مقاومت محیطی حداکثر 01/0 به دست آمد. نتیجه‌گیری: این سیستم هوشمند فازی پایدار با استفاده از متغیرهای نبض طب ایرانی تخمین مناسبی از مقاومت محیطی سیگنال فتوپلتیسموگرام ارائه می‌دهد و مشاهده شد که افزایش تواتر نبض با افزایش مقاومت محیطی و همچنین افزایش قوت نبض با کاهش مقاومت محیطی مرتبط بود؛ لذا پزشکان آموزش دیده می‌توانند در زمان عدم دسترسی به سیگنال فتوپلتیسموگرام، بر اساس معاینه تواتر و قوت نبض فرد بیمار، تخمین مناسبی از وضعیت مقاومت محیطی فرد که در ارزیابی بالینی و تشخیص مشکلات پزشکی بیمار مفید است، به دست آورند. 2 Introduction: Pulsology is one of the most important clinical diagnostic methods in Persian medicine (PM) and has been used by traditional medicine specialists for centuries to assess clients' health conditions. Additionally, photoplethysmogram (PPG) is a simple and non-invasive method for measuring changes in blood volume with each pulse, and the amount of peripheral resistance (PR), which is crucial for understanding patients' clinical conditions, can be extracted from it. Moreover, a system based on fuzzy rules serves as one of the methods for prediction and estimation. This research establishes the relationship between PR in PPG and PM pulsology through a fuzzy system.. Method: Fuzzy theory underlies many studies aimed at diagnosing diseases. To design a stable fuzzy system, pulse information and PPG signals from 35 individuals, recorded by a PM expert, were used. Complete, normal, consistent, and symmetric fuzzy sets sensitive to the range of input variables were defined to encompass the input and output spaces and to generate rules using the available data. Stability conditions for the system were also established. Results: A fuzzy system comprising 35 rules, triangular and trapezoidal membership functions, a singleton fuzzifier, a product inference engine, and a centroid defuzzifier was designed using MATLAB R2021b. This stable fuzzy system, with pulse frequency and pulse strength inputs, as well as PR output, operates within the defined range. The stability of the system is assured by the membership function definitions, with a maximum error of 0.01. Conclusion: This intelligent stable fuzzy system provides a reliable estimate of the PR from the PPG signal by using PM pulse variables. It was observed that an increase in pulse frequency correlates with an increase in PR, while an increase in pulse strength correlates with a decrease in PR in the PPG. Therefore, when the photoplethysmography signal is unavailable, trained physicians can derive a suitable estimate of the patient's peripheral vascular resistance status based on the frequency and strength of the patient's pulse, which is valuable for the clinical evaluation and diagnosis of the patient's medical issues. 291 305 2024/11/182024/05/31 1403/3/11 2025/01/192025/03/1 1403/12/11 محمد دهقاندار Mohammad Dehghandar استادیار، گروه ریاضی، دانشگاه پیام نور،، تهران،‌ ایران ایران m_dehghandar@pnu.ac.ir مریم نیکبخت Maryam Nikbakht استادیار، گروه ریاضی، دانشگاه پیام نور،، تهران،‌ ایران ایران m_nikbakht@pnu.ac.ir فاطمه یوسفی ندرآبادی Fateme Yousefi Nadarabadi دانشجوی دکترای ریاضی، دانشگاه پیام نور، تهران،‌ ایران ایران fatemehusefi3@gmail.com Stable fuzzy system pulse Persian medicine photoplethysmogram peripheral resistance سیستم فازی پایدار نبض طب ایرانی فتوپلتیسموگرام مقاومت محیطی [1]. Dehghandar M, Rezvani S. Classification of COVID-19 individuals using adaptive neuro-fuzzy inference system. J Med Signals Sens 2022;12(4):334-40. doi: 10.4103/jmss.jmss_140_21##[2]. Dehghandar M, Hassani Bafrani A, Dadkhah M,Qorbani M, Kelishadi R. Diagnosis of Obesity and Hypertension in Isfahani Students Using Artificial Neural Network. Journal of Health and Biomedical Informatics 2021;8(1):12-23. [In Persian]##[3]. Ramzan M, Hamid M, Alhussan AA, AlEisa HN, Abdallah HA. Accurate prediction of anxiety levels in asian countries using a fuzzy expert system. Healthcare 2023; 11(11): 1594. https://doi.org/10.3390/healthcare11111594## [4]. Alizadeh M, Keshavarz M, Ebadiani M, Nazem E, Isfahani MM. Complexity and rationality of Avicenna's pulsology: a step towards understanding the past for today's applications. Int J Cardiol 2012;157(3):434-5. doi: 10.1016/j.ijcard.2012.03.168##[5]. Dehghandar M, Khaloozadeh H, Keshavarz M. Ranking the temperature of fever diseases in Iranian traditional medicine using fuzzy logic. Survey Methodology 2015;44(1):94-118.##[6]. Alizadeh Vaghasloo M. Explaining the Ten Parameters of Pulse Diagnosis in Traditional Iranian Medicine [dissertation]. Tehran: Tehran University of Medical Sciences; 2013. [In Persian]##[7]. Dehghandar M. Investigating the effect of pulse traditional medicine on the factors of blood pressure by fuzzy calculations. [dissertation]. Tehran: Payame Noor University; 2016. [In Persian]##[8]. Padilla JM, Berjano EJ, Saiz J, Facila L, Diaz P, Merce S. Assessment of relationships between blood pressure, pulse wave velocity and digital volume pulse. Computers in Cardiology 2006;33:893−6.##[9]. Rubins U, Grabovskis A, Grube J, Kukulis I. Photoplethysmography analysis of artery properties in patients with cardiovascular diseases. In14th Nordic-Baltic Conference on Biomedical Engineering and Medical Physics: NBC 2008 Jun 16-20; Riga, Latvia 2008 Berlin: Heidelberg: Springer; 2008. p. 319-22.##[10]. Dehghandar M, Pabasteh M, Heydari R. Diagnosis of COVID-19 disease by fuzzy expert system designed based on input-output. Journal of Control 2021;14(5):71-8. ‎doi: 10.52547/joc.14.5.71##[11]. Wang L. A Course in Fuzzy Systems and Control. NJ United States, Prentice-Hall, Inc. Division of Simon and Schuster One Lake Street Upper Saddle River. 1996.##[12]. Liu SH, Wang JJ, Chen W, Pan KL, Su CH. Classification of photoplethysmographic signal quality with fuzzy neural network for improvement of stroke volume measurement. Appl Sci 2020;10(4):1476. https://doi.org/10.3390/app10041476##[13]. Mousavi SS, Firouzmand M, Charmi M, Hemmati M, Moghadam M, Ghorbani Y. Blood pressure estimation from appropriate and inappropriate PPG signals using A whole-based method. Biomedical Signal Processing and Control 2019;47:196-206. https://doi.org/10.1016/j.bspc.2018.08.022####[14]. Elgendi M. On the analysis of fingertip photoplethysmogram signals. Current Cardiology Reviews 2012;8(1):14-25. doi: https://doi.org/10.2174/157340312801215782##[15]. Asada HH, Shaltis P, Reisner A, Rhee S, Hutchinson RC. Mobile monitoring with wearable photoplethysmographic biosensors. IEEE Eng Med Biol Mag 2003;22(3):28-40. doi: 10.1109/memb.2003.1213624##[16]. Alizadeh M, Keshavarz M, Ebadiani M, Nazem E, Isfahani MM. Complexity and rationality of Avicenna's pulsology: a step towards understanding the past for today's applications. Int J Cardiol 2012;157(3):434-5. doi: 10.1016/j.ijcard.2012.03.168##[17]. Dehghandar M, Khaloozadeh H, Soltanian F, Keshavarz M. Modeling of the Pulse Parameters in Iranian Traditional Medicine and Estimation of Blood Pressure by Artificial Neural Network. Journal of Industrial Engineering Research 2016;2(1):17-22.##[18]. Naseri M, Rezai Zadeh H, Choopani R, Anoshirvani M. General overview of Iranian Traditional Medicine. Tehran: Nashre Shahr; 2010. p. 14-27. In Persian##[19]. Chashti M. Exir-e-Azam [Great Elixir]. Tehran: Research Institute for Islamic and Complementary Medicine. 2008. In Persian##[20]. Vaghasloo MA, Naghizadeh A, Keshavarz M. The Concept of Pulse. Traditional and Integrative Medicine 2017:54-60.##[21]. Shing-Hong Liu, Ren-Xuan Li, Jia-Jung Wang, Wenxi Chen, Chun-Hung SU. Classification of Photoplethysmographic Signal Quality with Deep Convolution Neural Networks for Accurate Measurement of Cardiac Stroke Volume. Appl Sci 2020; 10(13): 4612. https://doi.org/10.3390/app10134612##[22]. Seitsonen E, Korhonen I, van Gils M, Huiku M, Lötjönen J,Korttila K, et al. EEG spectral entropy, heart rate,photoplethysmography and motor responses to skin incision during sevoflurane anaesthesia. Acta Anaesthesiol Scand 2005;49(3):284-92. doi: 10.1111/j.1399-6576.2005.00654.x##[23]. Wang L, Pickwell-MacPherson E, Liang YP, Zhang YT. Noninvasive cardiac output estimation using a novel photoplethysmogram index. Annual International Conference of the IEEE Engineering in Medicine and Biology Society; 2009 Sep 3-6; Minneapolis, MN, USA: IEEE; 2009. doi: 10.1109/IEMBS.2009.5333091## ##

تشخیص افتراقی ضایعات پیش سرطانی و سرطانی دهانی مبتنی بر یک مدل یکپارچه هوش مصنوعی Differential Diagnosis of Precancerous and Cancerous Oral Lesions Based on an Integrated Artificial Intelligence Model 1 1 مقدمه: تشخیص به‌موقع ضایعات پیش‌سرطانی و سرطانی دهان نقش اساسی در بهبود نتایج درمانی و کاهش مرگ‌ومیر بیماران دارد. با این حال، شباهت ظاهری این ضایعات با ضایعات خوش‌خیم، فرآیند تشخیص را پیچیده می‌کند. سیستم‌های تشخیصی به کمک کامپیوتر (CAD)‌‌، به‌عنوان ابزارهای کمکی، می‌توانند دقت تشخیص را افزایش داده و زمان آن را کاهش دهند. این مطالعه با هدف توسعه یک مدل یکپارچه برای تشخیص ضایعات دهانی انجام شد. روش: در این مطالعه، تصاویر بالینی از بیماران مبتلا به لوکوپلاکیا، لیکن‌پلان و کارسینوم سلول‌های سنگفرشی دهان جمع‌آوری شد. پس از پیش‌پردازش تصاویر برای بهبود کیفیت و حذف نویز، ویژگی‌های کلیدی با الگوریتم SURF استخراج شدند. برای کاهش ابعاد داده‌ها و انتخاب ویژگی‌های مؤثر، از الگوریتم خوشه‌بندی K-means استفاده شد که تعداد ویژگی‌ها را به ۳۰ ویژگی کاهش داد. طبقه‌بندی تصاویر با استفاده از پنج الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)‌، شبکه عصبی چندلایه (MLP)، توابع پایه شعاعی (RBF)، درخت تصمیم و دسته‌بندی‌کننده بیزی انجام شد. عملکرد این الگوریتم‌ها به‌صورت مقایسه‌ای ارزیابی شدند. نتایج: نتایج نشان داد که SVM با دقت ۹۵% بهترین عملکرد را در تشخیص ضایعات دهانی دارد. این الگوریتم به دلیل توانایی مدیریت داده‌های با ابعاد بالا و قابلیت تفکیک خطی و غیرخطی، برتری قابل توجهی نسبت به سایر روش‌ها نشان داد. الگوریتم‌های دیگر مانند MLP و RBF نیز نتایج قابل قبولی ارائه کردند، اما دقت آن‌ها کمتر از SVM بود. استفاده از K-means برای کاهش ابعاد ویژگی‌ها، سرعت و دقت طبقه‌بندی را بهبود بخشید. نتیجه گیری: این مطالعه، برای نخستین بار، یک مدل یکپارچه از عکس‌برداری تا تشخیص ضایعات دهانی با دقت بالا ارائه کرد. این رویکرد خطاهای تشخیصی اشتباه را کاهش داده و زمان و هزینه‌های مرتبط با تشخیص را کاهش می‌دهد. استفاده از هوش مصنوعی در تشخیص ضایعات دهانی می‌تواند به عنوان یک ابزار کمکی در کنار متخصصان دندانپزشکی، کیفیت مراقبت‌های بهداشتی را بهبود بخشد. این مدل پتانسیل توسعه در سایر زمینه‌های پزشکی را دارد و می‌تواند به عنوان مرجعی برای تحقیقات آینده مورد استفاده قرار گیرد. 2 Introduction: Early detection of precancerous and cancerous oral lesions is essential for improving treatment outcomes and reducing patient mortality. However, the similarity of these lesions to benign lesions complicates the diagnostic process. Computer-aided diagnostic (CAD) systems can enhance diagnostic accuracy and reduce the time required for diagnosis. This study aimed to develop an integrated model for the diagnosis of oral lesions Method: In this study, clinical images of patients with leukoplakia, lichen planus, and oral squamous cell carcinoma were collected. After preprocessing the images to improve quality and remove noise, key features were extracted using the SURF algorithm. To reduce data dimensions and select effective features, the K-means clustering algorithm was employed, resulting in a reduction to 30 features. Image classification was performed using five machine learning algorithms: support vector machine (SVM), multilayer neural network (MLP), radial basis function (RBF), decision tree, and Bayesian classifier. The performance of these algorithms was evaluated comparatively. Results: The results indicated that SVM excelled in detecting oral lesions, achieving an accuracy of 95%. This algorithm demonstrated significant superiority over other methods due to its ability to manage high-dimensional data and its capabilities for both linear and nonlinear separation. While MLP and RBF also provided acceptable results, their accuracy was lower than that of SVM. Employing K-means for dimensionality reduction improved both the speed and accuracy of classification. Conclusion: This study presents, for the first time, an integrated model for high-accuracy diagnosis of oral lesions using imaging. This approach minimizes misdiagnosis errors and reduces the time and costs associated with diagnosis. The application of artificial intelligence in diagnosing oral lesions can enhance healthcare quality as an auxiliary tool alongside dental professionals. This model holds potential for development in other medical fields and can serve as a reference for future research. 306 322 2024/11/182024/05/312024/11/25 1403/9/5 2025/01/192025/03/12025/03/1 1403/12/11 روح اله مقصودی Rouhollah Maghsoudi گروه مهندسی کامپیوتر، واحد نور، دانشگاه آزاد اسلامی، نور، ایران ایران rcemaghsoudy@gmail.com مهدی توان Mehdi Tavan گروه مهندسی برق، واحد نور، دانشگاه آزاد اسلامی، نور، ایران ایران mehdi.tavan@yahoo.com Artificial intelligence Machine learning algorithms Classification Feature extraction Oral lesions. هوش مصنوعی الگوریتم‌های یادگیری ماشین دسته بندی استخراج ویژگی ضایعات دهانی [1]. Sarafi Nejad A. Knowledge Discovery and Data Mining in Medical Sciences, a Review of the Requirements for Applied Researches. Journal of Health and Biomedical Informatics 2023;10(2):198-200. [In Persian]##[2]. Nabizadeh A. Artificial Intelligence in Healthcare. Journal of Health and Biomedical Informatics 2022; 9(3): 193-5. [In Persian]##[3]. Hajieslam F, Javanmard Z. Investigating the Role of Clinical Decision Support Systems in Reducing Medical Errors. Journal of Health and Biomedical Informatics 2023;10(1):82-90. [In Persian]##[4]. Yardimci A. Soft computing in medicine. Applied Soft Computing 2009;9(3):1029-43. https://doi.org/10.1016/j.asoc.2009.02.003##[5]. Zuo WL, Wang ZY, Liu T, Chen HL. Effective detection of Parkinson's disease using an adaptive fuzzy k-nearest neighbor approach. Biomedical Signal Processing and Control 2013;8(4):364-73. https://doi.org/10.1016/j.bspc.2013.02.006##[6]. Maghsoudi R, Mirzarezaee M, Sadeghi M, Najar-Araabi B. Development of a Pharmacogenomics Model based on Support Vector Regression with Optimal Features Selection Approach to Determine the Initial Therapeutic Dose of Warfarin Anticoagulant Drug. Journal of Health and Biomedical Informatics 2023;9(4):209-29. [In Persian]##[7]. Tobias MA, Nogueira BP, Santana MC, Pires RG, Papa JP, Santos PS. Artificial intelligence for oral cancer diagnosis: What are the possibilities?. Oral Oncology 2022;134:106117.##[8]. Azizi A, Mohammadi Khorasani M. Designing and assessment of decision support system (computerized software) in diagnosis of jaws' bony lesions. Journal of Dental School 2009; 27(1): 31-5. [In Persian]##[9]. Rafati H, Molavi Taleghani Y. Feasibility study for the establishment of Telemedicine: a review study and a suggestion for Iran. Journal of Health and Biomedical Informatics 2019;5(4):507-19. [In Persian]##[10]. Neville BW, Damm DD, Allen CM, Chi AC. Oral and maxillofacial pathology-E-Book. Elsevier Health Sciences; 2023.##[11]. Keser G, Bayrakdar İŞ, Pekiner FN, Çelik Ö, Orhan K. A deep learning algorithm for classification of oral lichen planus lesions from photographic images: A retrospective study. Journal of Stomatology, Oral And Maxillofacial Surgery 2023;124(1):101264. https://doi.org/10.1016/j.jormas.2022.08.007##[12]. Achararit P, Manaspon C, Jongwannasiri C, Phattarataratip E, Osathanon T, Sappayatosok K. Artificial intelligence-based diagnosis of oral lichen planus using deep convolutional neural networks. European Journal of Dentistry 2023;17(04):1275-82. doi: 10.1055/s-0042-1760300##[13]. Adeoye J, Koohi-Moghadam M, Choi SW, Zheng LW, Lo AW, Tsang RK, et al. Predicting oral cancer risk in patients with oral leukoplakia and oral lichenoid mucositis using machine learning. Journal of Big Data 2023;10(1):39.##[14]. Xu Z, Han Q, Yang D, Li Y, Shang Q, Liu J, et al. Automatic detection of image-based features for immunosuppressive therapy response prediction in oral lichen planus. Frontiers in Immunology 2022;13:942945. https://doi.org/10.3389/fimmu.2022.942945##[15]. Idrees M, Farah CS, Shearston K, Kujan O. A machine‐learning algorithm for the reliable identification of oral lichen planus. Journal of Oral Pathology & Medicine 2021;50(9):946-53. https://doi.org/10.1111/jop.13226##[16]. Alhazmi A, Alhazmi Y, Makrami A, Masmali A, Salawi N, Masmali K, Patil S. Application of artificial intelligence and machine learning for prediction of oral cancer risk. Journal of Oral Pathology & Medicine 2021;50(5):444-50.##[17]. Fassihi N, Shanbehzadeh J, Sarrafzadeh H, Ghasemi E. Melanoma diagnosis by the use of wavelet analysis based on morphological operators. Proceedings of the International MultiConference of Engineers and Computer Scientists. 2011, Mar 16 - 18; Hong Kong: IMECS; 2011.## [18]. Maghsoudi R, Bagheri A, Maghsoudi MT. Diagnosis prediction of lichen planus, leukoplakia and oral squamous cell carcinoma by using an intelligent system based on artificial neural networks. Journal of Dentomaxillofacial 2013;2(2):1-8. ‎doi: 10.18869/acadpub.3dj.2.2.1##[19]. Rosado P, Lequerica-Fernández P, Villallaín L, Peña I, Sanchez-Lasheras F, De Vicente JC. Survival model in oral squamous cell carcinoma based on clinicopathological parameters, molecular markers and support vector machines. Expert Systems with Applications 2013;40(12):4770-6. https://doi.org/10.1016/j.eswa.2013.02.032## ##[20]. Bay H, Tuytelaars T, Van Gool L. SURF: Speeded Up Robust Features. in Computer Vision–ECCV 2006: 9th European Conference on Computer Vision, Graz, Austria, May 7-13, 2006. Proceedings, Part I 9. 2006. Springer.##[21]. López-Cortés XA, Matamala F, Venegas B, Rivera C. Machine-learning applications in oral cancer: A systematic review. Applied Sciences 2022;12(11):5715.##[22]. Panigrahi S, Nanda BS, Swarnkar T. Comparative analysis of machine learning algorithms for histopathological images of oral cancer. InAdvances in Distributed Computing and Machine Learning: Proceedings of ICADCML Singapore: Springer; 2022. p. 318-27. doi::10.1007/978-981-16-4807-6_31## ##

تشخیص و تقسیم‌ بندی استخوان،ریه و بافت نرم به روش خودکار براساس تصاویر توموگرافی کامپیوتری CT با استفاده از شبکه‌های یادگیری عمیق Automatic Detection and Segmentation of Bone, lung, and soft tissue Based on Computed Tomography Scan Using Deep learning 1 1 مقدمه: در حوزه پرتودرمانی و محاسبات دزیمتری، شناسایی و تفکیک مناطق و ساختارهای مختلف بدن در تصاویر پزشکی از جمله استخوان، ریه و بافت نرم براساس تصاویر سی‌تی اسکن نقش مهمی در محاسبه توزیع دز اشعه به منظور بهینه‌سازی، حفاظت از ارگان‌های حساس و بهبود دقت در طراحی درمان‌ ایفا می‌کند. در این راستا به کارگیری الگوریتم‌های خودکار بخش‌‌بندی و بهبود مدل‌های یادگیری عمیق در زمینه تحلیل تصاویر پزشکی دقت و سرعت را بهبود می‌بخشد. هدف این مطالعه ارزیابی دو شبکه عصبی کانولوشن (CNN) و معرفی یک مدل مؤثر و کارآمد برای انجام بخش‌‌بندی استخوان، ریه و بافت نرم با دقت بالا براساس تصاویر سی ‌تی اسکن است. روش کار: در این مطالعه، شبکه‌ عصبی عمیق مبتنی بر DeepLabV3+ و معماری‌های از پیش‌آموزش‌دیده ResNet-18 و MobileNet-v2 به عنوان مدل‌های پایه برای بخش‌بندی استفاده شدند. به منظور پیش ‌پردازش تصاویر سی ‌تی اسکن و تهیه داده‌های ورودی به الگوریتم شبکه عصبی، از نرم ‌افزار 3d slicer به منظور تولید تصاویر ماسک شامل بافت‌های نرم، استخوان‌ها و ریه‌‌ها می‌باشد، بهره‌ برداری شده است. فرآیند توسعه و تنظیم پارامترهای آموزش مدل یادگیری عمیق در محیط MATLAB انجام گرفته است و عملکرد الگوریتم‌‌های تقسیم‌‌بندی به صورت همزمان برای ارگان‌های ذکر شده با استفاده از دو شبکه عصبی مذکور، براساس پارامترهای دقت و ضریب ژاکارد ارزیابی شده‌اند. یافته‌ها: نتایج نشان می‌دهد که دقت بخش‌‌بندی معنایی استخوان برای شبکه‌های عصبی ResNet-18 و MobileNet-v2 به ترتیب 97% و 96% است. برای تقسیم‌بندی ریه و بافت نرم، دقت شبکه‌های مذکور به ترتیب 96/9%، 96/7‌% (برای ریه) و 99/2% ، 99% (برای بافت نرم) گزارش شده است. همچنین، معیار ارزیابی ضریب ژاکارد برای تقسیم‌بندی معنایی استخوان توسط شبکه‌های ResNet-18 و MobileNet-v2 به ترتیب 85% و 84% اندازه‌‌گیری شده است. برای بخش‌بندی ریه و بافت نرم، این معیار به ترتیب برای شبکه‌های ResNet-18‌، MobileNet-v2 به 90/8% ، 91/2% (برای ریه) و 99% ، 99% (برای بافت نرم) است. نتیجه‌گیری: بر اساس نتایج به دست آمده شبکه عصبی MobileNet-v2 عملکرد بهتری نسبت به ResNet-18 در تحلیل تصاویر سی ‌تی اسکن و بخش‌بندی همزمان بافت‌ها از نظر معیارهای مختلف ارزیابی و سرعت عمل نشان می‌دهد. 2 Introduction: In the field of radiation therapy and dosimetry, identifying and segmenting different regions and structures of the body in medical images is crucial for calculating radiation dose distribution for optimization, protecting sensitive organs, and improving treatment planning. In this regard, the application of automatic segmentation algorithms and the advancement of deep learning models in the field of medical image analysis enhance both accuracy and speed. This study aims to evaluate two convolutional neural networks (CNNs) and introduce an effective and efficient model for high-accuracy segmentation of bone, lung, and soft tissue based on CT images. Method: This study utilized deep neural networks based on DeepLabV3+, ResNet-18, and MobileNet-v2 pre-trained architectures as the backbone for segmentation. To preprocess the CT scan images and prepare the input data for the neural network algorithms, 3D Slicer was employed to generate mask images for organs, including soft tissues, bones, and lungs. The development process and fine-tuning of the aforementioned deep learning models were carried out in the MATLAB environment, with accuracy and Intersection over Union (IoU) measured to evaluate the performance of the segmentation algorithms. Results: The results indicated that the accuracy of semantic segmentation of bone for the ResNet-18 and MobileNet-v2 neural networks was 97% and 96%, respectively. For lung and soft tissue segmentation, the accuracy of the aforementioned networks was reported as 96.9% and 96.7% (for lung), and 99.2% and 99% (for soft tissue), respectively. Furthermore, the IoU criterion for semantic segmentation of bone by the ResNet-18 and MobileNet-v2 networks was measured at 85% and 84%, respectively. For lung and soft tissue segmentation, this criterion was 90.8% and 91.2% (for lung), and 99% and 99% (for soft tissue) for both networks, respectively. Conclusion: Various evaluation metrics indicate that the MobileNet-v2 neural network demonstrates superior performance and speed compared to the ResNet-18 network in analyzing CT scan images and segmenting the target tissues. 323 335 2024/11/182024/05/312024/11/252024/12/7 1403/9/17 2025/01/192025/03/12025/03/12025/03/6 1403/12/16 محمد محمدیان Mohammad Mohammadian کارشناسی ارشد پرتو پزشکی، گروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران ایران mohammadian2024@gmail.com مریم خزاعی مقدم Maryam Khazaee Moghadam دکترا پرتو پزشکی، استادیارگروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران ایران m.khazaee@iau.ac.ir الهام صنیعی Elham Saniei دکترا پرتو پزشکی، استادیارگروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران ایران el.saniei@iau.ac.ir Semantic segmentation medical images computed tomography images convolutional neural networks (CNN) بخش‌بندی معنایی تصاویر پزشکی یادگیری عمیق تصاویر توموگرافی کامپیوتری شبکه‌های عصبی کانولوشن (CNN) [1]. Jiang H, Diao Z, Shi T, Zhou Y, Wang F, Hu W, et al. A review of deep learning-based multiple-lesion recognition from medical images: classification, detection and segmentation. Computers in Biology and Medicine 2023;157:106726. https://doi.org/10.1016/j.compbiomed.2023.106726##[2]. Abdullah MF, Sulaiman SN, Osman MK, Karim NA, Setumin S, Isa IS. A new procedure for lung region segmentation from computed tomography images. International Journal of Electrical and Computer Engineering (IJECE) 2022;12(5):4978-87. doi: 10.11591/ijece.v12i5.pp4978-4987##[3]. Rich JM, Bhardwaj LN, Shah A, Gangal K, Rapaka MS, Oberai AA, et al. Deep learning image segmentation approaches for malignant bone lesions: a systematic review and meta-analysis. Frontiers in Radiology 2023;3:1241651. https://doi.org/10.3389/fradi.2023.1241651##[4]. Didziokas M, Pauws E, Kölby L, Khonsari RH, Moazen M. BounTI (boundary‐preserving threshold iteration): A user‐friendly tool for automatic hard tissue segmentation. Journal of Anatomy 2024;245(6):829-41. https://doi.org/10.1111/joa.14063##[5]. Montesinos López OA, Montesinos López A, Crossa J. Fundamentals of artificial neural networks and deep learning. InMultivariate statistical machine learning methods for genomic prediction; 2022 Jan 14; Cham: Springer International Publishing; 2022. p. 379-425.##[6]. Habib G, Qureshi S. Optimization and acceleration of convolutional neural networks: A survey. Journal of King Saud University-Computer and Information Sciences 2022;34(7):4244-68. https://doi.org/10.1016/j.jksuci.2020.10.004##[7]. Ouvrard E, Kaseb A, Poterszman N, Porot C, Somme F, Imperiale A. Nuclear medicine imaging for bone metastases assessment: what else besides bone scintigraphy in the era of personalized medicine?. Frontiers in Medicine 2024;10:1320574. https://doi.org/10.3389/fmed.2023.1320574##[8]. Renjun X, Junliang Y, Yi W, Mengcheng S. Fault Detection Method Based on Improved Faster R‐CNN: Take ResNet‐50 as an Example. Geofluids 2022;2022(1):7812410. https://doi.org/10.1155/2022/7812410##[9]. Xu Y, Quan R, Xu W, Huang Y, Chen X, Liu F. Advances in medical image segmentation: a comprehensive review of traditional, deep learning and hybrid approaches. Bioengineering 2024;11(10):1034. https://doi.org/10.3390/bioengineering11101034##[10]. Takahashi R, Matsubara T, Uehara K. RICAP: Random Image Cropping and Patching Data Augmentation for Deep CNNs. Proceedings of The 10th Asian Conference on Machine Learning; 2018 Nov 4; PMLR; 2018. p. 786-98. https://doi.org/10.48550/arXiv.1811.09030 ##[11]. Kaulgud RV, Patil A. Analysis based on machine and deep learning techniques for the accurate detection of lung nodules from CT images. Biomedical Signal Processing and Control 2023;85:105055. https://doi.org/10.1016/j.bspc.2023.105055##[12]. Prayer F, Röhrich S, Pan J, Hofmanninger J, Langs G, Prosch H. Künstliche Intelligenz in der Bildgebung der Lunge. Der Radiologe. 2020;60(1). doi:10.1007/s00117-019-00611-2##[13]. Benmalek E, Elmhamdi J, Jilbab A. Comparing CT scan and chest X-ray imaging for COVID-19 diagnosis. Biomed Eng Adv 2021;1:100003. doi: 10.1016/j.bea.2021.100003##[14]. Zhang Z, Sejdić E. Radiological images and machine learning: trends, perspectives, and prospects. Computers in Biology and Medicine. 2019;108:354-70. https://doi.org/10.1016/j.compbiomed.2019.02.017##[15]. Hesamian MH, Jia W, He X, Kennedy P. Deep learning techniques for medical image segmentation: achievements and challenges. Journal of Digital Imaging 2019;32:582-96.##[16]. Lv Y, Ke J, Xu Y, Shen Y, Wang J, Wang J. Automatic segmentation of temporal bone structures from clinical conventional CT using a CNN approach. The International Journal of Medical Robotics and Computer Assisted Surgery 2021;17(2):e2229. https://doi.org/10.1002/rcs.2229##[17]. Fontenele RC, Gerhardt MD, Picoli FF, Van Gerven A, Nomidis S, Willems H, et al. Convolutional neural network‐based automated maxillary alveolar bone segmentation on cone‐beam computed tomography images. Clinical Oral Implants Research. 2023;34(6):565-74. https://doi.org/10.1111/clr.14063##[18]. Dutta S, Sikder R, Islam MR, Al Mukaddim A, Hider MA, Nasiruddin M. Comparing the Effectiveness of Machine Learning Algorithms in Early Chronic Kidney Disease Detection. Journal of Computer Science and Technology Studies. 2024;6(4):77-91. doi: 10.32996/jcsts##[19]. Shen SC, Fernández MP, Tozzi G, Buehler MJ. Deep learning approach to assess damage mechanics of bone tissue. Journal of the Mechanical Behavior of Biomedical Materials. 2021;123:104761. https://doi.org/10.1016/j.jmbbm.2021.104761##[20]. Li R, Chen X. An efficient interactive multi-label segmentation tool for 2D and 3D medical images using fully connected conditional random field. Computer Methods and Programs in Biomedicine. 2022 Jan 1;213:106534. https://doi.org/10.1016/j.cmpb.2021.106534##[21]. Zhang Y, Feng H, Zhao Y, Zhang S. Exploring the application of the artificial-intelligence-integrated platform 3D slicer in medical imaging education. Diagnostics. 2024 Jan 8;14(2):146.##[22]. Malik H, Anees T, Chaudhry MU, Gono R, Jasiński M, Leonowicz Z, et al. A novel fusion model of hand-crafted features with deep convolutional neural networks for classification of several chest diseases using X-ray images. IEEE Access 2023;11:39243-68.##[23]. Arslan M, Haider A, Khurshid M, Bakar SS, Jani R, Masood F, et al. From pixels to pathology: employing computer vision to decode chest diseases in medical images. Cureus. 2023 Sep 20;15(9). doi: 10.7759/cureus.45587##[24]. Murugappan M, Bourisly AK, Prakash NB, Sumithra MG, Acharya UR. Automated semantic lung segmentation in chest CT images using deep neural network. Neural Computing and Applications 2023;35(21):15343-64.##[25]. Ou X, Yan P, Zhang Y, Tu B, Zhang G, Wu J, et al. Moving object detection method via ResNet-18 with encoder–decoder structure in complex scenes. IEEE Access 2019;7:108152-60. doi: 10.1109/ACCESS.2019.2931922##[26]. Srinivasu PN, SivaSai JG, Ijaz MF, Bhoi AK, Kim W, Kang JJ. Classification of skin disease using deep learning neural networks with MobileNet V2 and LSTM. Sensors 2021;21(8):2852. https://doi.org/10.3390/s21082852##[27]. Uzundurukan A, Poncet S, Boffito DC, Micheau P. Computed Tomography-Based Finite Element Model of the Human Thorax for High-Frequency Chest Compression Therapy. InProceedings of the 10th International Conference on Biomedical Engineering and Systems (ICBES 2023); 2023 Aug 3-5; London, United Kingdom: Brunel University; 2023. doi: 10.11159/icbes23.123##[28]. Wang J, Sourlos N, Zheng S, Van der Velden N, Pelgrim GJ, Vliegenthart R, van Ooijen P. Preparing CT imaging datasets for deep learning in lung nodule analysis: Insights from four well-known datasets. Heliyon 2023;9(6).##[29]. Cho YJ. Weighted Intersection over Union (wIoU) for evaluating image segmentation. Pattern Recognition Letters. 2024;185:101-7. https://doi.org/10.1016/j.patrec.2024.07.011##[30]. Wu Z, Yang R, Gao F, Wang W, Fu L, Li R. Segmentation of abnormal leaves of hydroponic lettuce based on DeepLabV3+ for robotic sorting. Computers and Electronics in Agriculture 2021;190:106443. https://doi.org/10.1016/j.compag.2021.106443##[31]. Lee YS, Hong N, Witanto JN, Choi YR, Park J, Decazes P, et al. Deep neural network for automatic volumetric segmentation of whole-body CT images for body composition assessment. Clinical Nutrition 2021;40(8):5038-46. https://doi.org/10.1016/j.clnu.2021.06.025##[32]. Demehri S, Baffour FI, Klein JG, Ghotbi E, Ibad HA, Moradi K, et al. Musculoskeletal CT imaging: state-of-the-art advancements and future directions. Radiology. 2023;308(2):e230344. https://doi.org/10.1148/radiol.230344##[33]. Ding AS, Lu A, Li Z, Sahu M, Galaiya D, Siewerdsen JH, et al. A self‐configuring deep learning network for segmentation of temporal bone anatomy in cone‐beam CT imaging. Otolaryngology–Head and Neck Surgery. 2023;169(4):988-98. https://doi.org/10.1002/ohn.317##[34]. Kim CM, Hong EJ, Park RC. Chest X-ray outlier detection model using dimension reduction and edge detection. IEEE Access 2021;9:86096-106. doi: 10.1109/ACCESS.2021.3086103##[35]. Carmo D, Ribeiro J, Dertkigil S, Appenzeller S, Lotufo R, Rittner L. A systematic review of automated segmentation methods and public datasets for the lung and its lobes and findings on computed tomography images. Yearb Med Inform 2022;31(01):277-95. doi: 10.1055/s-0042-1742517##[36]. Vocaturo E, Zumpano E, Caroprese L. Convolutional neural network techniques on X-ray images for COVID-19 classification. In2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM); 2021 Dec 9; Houston, TX, USA: IEEE; 2021. p. 3113-5. doi: 10.1109/BIBM52615.2021.9669784##[37]. Prakash NB, Murugappan M, Hemalakshmi GR, Jayalakshmi M, Mahmud M. Deep transfer learning for COVID-19 detection and infection localization with superpixel based segmentation. Sustainable Cities and Society 2021;75:103252. https://doi.org/10.1016/j.scs.2021.103252## [38]. Mohammadian M, Khazaei Moghaddam M, Saniei A. Segmentation Automatic lung Based on deep learning with use from image Tomography Computer ct. 2nd International Conference on Artificial Intelligence and Software Engineering 2024.## ##

بهبود تشخیص ناحیه جراحت HIFU از طریق یادگیری نظارت‌شده و خودنظارتی متضاد با استخراج ویژگی مبتنی بر موجک و نمونه‌های منفی سخت (HWCSSL) Enhancing HIFU Lesion Area Detection through Supervised and Contrastive Self-Supervised Learning with Wavelet-Based Feature Extraction and Hard Negatives (HWCSSL) 1 1 مقدمه: هوش مصنوعی با بهره‌گیری از الگوریتم‌های یادگیری ماشین، حوزه‌های مختلف از جمله طبقه‌بندی، تشخیص و پیش‌بینی را متحول کرده است که هدف آن ارتقای کیفیت زندگی و خدمات می‌باشد. روش‌های سنتی مبتنی بر ویژگی‌های دستی، در وظایف پیچیده مانند تشخیص پزشکی با محدودیت‌هایی مواجه هستند، از جمله ناتوانی در استخراج بهینه ویژگی‌ها و حساسیت به نویز. پیشرفت شبکه‌های عصبی عمیق با توانایی استخراج خودکار ویژگی‌ها، تحلیل داده‌ها را متحول کرده است. این مطالعه از این قابلیت برای تشخیص جراحت ناشی از اولتراسوند متمرکز با شدت بالا (HIFU) استفاده می‌کند، تکنیکی که برای درمان سرطان و کنترل خونریزی توسعه یافته است. رویکرد پیشنهادی مبتنی بر یادگیری نظارت‌شده و خودنظارتی است که با استفاده از داده‌های برچسب‌دار و بدون برچسب، دقت تشخیص را بهبود می‌بخشد. روش کار: چالش اصلی روش‌های سنتی، استخراج بهینه ویژگی‌ها و بهینه‌سازی فراپارامترهاست. در این پژوهش، روشی نوآورانه با ترکیب یادگیری نظارت‌شده، خودنظارتی متضاد توسعه داده شد. این روش از سیگنال‌های RF و تصاویر B-mode به‌عنوان ورودی استفاده می‌کند و داده‌های برچسب‌دار و بدون برچسب را به‌صورت همزمان پردازش می‌کند. همچنین، تکنیک‌های افزایش داده مانند تبدیل‌های موجک و نمونه‌های منفی سخت به کار گرفته شدند و بهینه‌سازی مدل با استفاده از الگوریتم‌های پیشرفته و تنظیم دقیق فراپارامترها انجام شد تا عملکرد مدل در شرایط پیچیده تقویت شود. این رویکرد امکان تحلیل هم‌زمان داده‌های چندگانه را فراهم کرد و به افزایش دقت تشخیصی کمک نمود. یافته‌ها: مدل پیشنهادی بهبود قابل‌توجهی در طبقه‌بندی جراحت HIFU نشان داد. معیارهای ارزیابی شامل دقت، صحت، یادآوری و امتیاز F1، کارایی مدل در تمایز بین بافت‌های سالم و آسیب‌دیده را تأیید کردند. ترکیب سیگنال و تصویر به بهبود چشمگیر عملکرد مدل منجر شد. استفاده از یادگیری خودنظارتی و تبدیل‌های موجک، توانایی مدل در استخراج ویژگی‌ها, را تقویت کرد و دقت تشخیصی را افزایش داد. نتیجه‌گیری: این مطالعه چارچوبی دقیق برای تشخیص جراحت HIFU با استفاده از یادگیری خودنظارتی ارائه کرد که امکان استخراج اطلاعات ارزشمند از داده‌های بدون برچسب را فراهم نمود و دقت تشخیصی را به‌طور قابل‌توجهی بهبود بخشید. این روش با غلبه بر چالش‌های تصویربرداری پزشکی، به‌ویژه در درمان‌های غیرتهاجمی، کاربردهای بالینی را تقویت می‌کند که می‌تواند به‌عنوان پایه‌ای برای توسعه ابزارهای تشخیصی پیشرفته‌تر در آینده عمل کند. 2 Introduction: Artificial intelligence (AI) has brought about transformative changes across multiple domains including classification, detection, and prediction through the implementation of sophisticated machine learning algorithms, with the ultimate objective of enhancing quality of life and service delivery. Conventional approaches that rely on manually engineered features encounter significant limitations when applied to complex tasks such as medical diagnosis, particularly in terms of suboptimal feature extraction capabilities and heightened sensitivity to noise interference. The emergence of deep neural networks, with their inherent capacity for automated feature extraction, has revolutionized contemporary data analysis methodologies. The current study leverages this technological advancement for the detection of lesions generated by High-Intensity Focused Ultrasound (HIFU), an innovative therapeutic technique developed for oncological treatment and hemorrhage management. The proposed methodology integrates both supervised and self-supervised learning paradigms to enhance detection accuracy by effectively utilizing both labeled and unlabeled clinical datasets. Method: A key challenge in traditional methods lies in optimal feature extraction and hyperparameter tuning. This research develops an innovative framework integrating supervised and contrastive self-supervised learning. The model processes both RF signals and B-mode images as inputs, simultaneously handling labeled and unlabeled data. Data augmentation techniques, including wavelet transforms and hard negative sampling were employed. Model optimization was achieved through advanced algorithms and fine-tuned hyperparameters to enhance performance in complex scenarios. This approach enabled concurrent analysis of multimodal data, improving diagnostic accuracy. Results: The proposed model demonstrated substantial improvements in HIFU-induced lesion classification performance. Quantitative evaluation metrics, including accuracy, precision, recall, and F1-score, consistently validated the model's efficacy in discriminating between healthy and pathological tissue regions. The multimodal integration of signal processing and image analysis components yielded remarkable enhancements in overall system performance. The incorporation of self-supervised learning algorithms coupled with wavelet transform techniques substantially augmented the model's feature extraction capabilities, resulting in superior diagnostic accuracy compared to conventional approaches. Conclusion: This investigation presents a robust and precise framework for HIFU lesion detection that effectively employs self-supervised learning methodologies. The developed system successfully extracts clinically relevant information from unlabeled datasets while achieving significant improvements in diagnostic reliability. By addressing critical challenges in medical imaging applications, particularly in non-invasive therapeutic interventions, this approach demonstrates considerable potential for enhancing clinical workflows. The proposed methodology establishes a foundational platform for the future development of advanced diagnostic tools in therapeutic ultrasound applications. 336 347 2024/11/182024/05/312024/11/252024/12/72024/11/2 1403/8/12 2025/01/192025/03/12025/03/12025/03/62024/12/25 1403/10/5 متینه زوار Matineh Zavar گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران. ایران Matineh.zavar@iau.ac.ir حمیدرضا غفاری Hamid Reza Ghaffari گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران. ایران hghaffari_papers@ferdowsiau.ac.ir حمید طباطبایی Hamid Tabatabaee گروه هوش مصنوعی و علم داده، مرکز تحقیقات نوآوری های مالی هوشمند، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران. ایران h_tabatabaee@mshdiau.ac.ir High-intensity focused ultrasound Deep neural networks Self-supervised learning Lesion detection Contrastive learning Wavelet transform اولتراسوند متمرکز با شدت بالا شبکه‌های عصبی عمیق یادگیری خودنظارتی تشخیص جراحت یادگیری متضاد تبدیل موجک [1]. Jiang D, Zhu L, Tong S, Shen Y, Gao F, Gao F. Photoacoustic imaging plus X: a review. Journal of Biomedical Optics 2024;29(S1):S11513. https://doi.org/10.1117/1.JBO.29.S1.S11513##[2]. Ali AR, Samir AE, Guo P. Self-supervised learning for accurate liver view classification in ultrasound images with minimal labeled data. InProceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition 2023 p. 3087-93.##[3]. Ayzenberg V, Behrmann M. Development of visual object recognition. Nature Reviews Psychology 2024;3(2):73-90.##[4]. Li L, Dou ZY, Peng N, Chang KW. Desco: Learning object recognition with rich language descriptions. Advances in Neural Information Processing Systems 2023;36:37511-26. ##[5]. Atmakuru A, Chakraborty S, Faust O, Salvi M, Barua PD, Molinari F, et al. Deep learning in radiology for lung cancer diagnostics: A systematic review of classification, segmentation, and predictive modeling techniques. Expert Systems with Applications 2024:124665. https://doi.org/10.1016/j.eswa.2024.124665##[6]. Reyna MA, Deepanshi WJ, Koscova Z, Elola A, Seyedi S, Campbell K, et al. Digitization and classification of ecg images: The george b. moody physionet challenge 2024. Computing in Cardiology 2024;51:1-4.##[7]. Tang K, Zhang P, Zhao Y, Zhong Z. Deep learning-based semantic segmentation for morphological fractography. Engineering Fracture Mechanics 2024;303:110149. https://doi.org/10.1016/j.engfracmech.2024.110149##[8]. Rayed ME, Islam SS, Niha SI, Jim JR, Kabir MM, Mridha MF. Deep learning for medical image segmentation: State-of-the-art advancements and challenges. Informatics in Medicine Unlocked. 2024 Apr 22:101504. https://doi.org/10.1016/j.imu.2024.101504##[9]. Liu TA, Koseoglu ND, Jones C. Self-supervised deep learning—the next frontier. JAMA Ophthalmol. 2024;142(3):234. doi:10.1001/jamaophthalmol.2023.6650##[10]. Cho K, Kim KD, Nam Y, Jeong J, Kim J, Choi C, et al. CHESS: Chest X-Ray Pre-trained model via self-supervised contrastive learning. Journal of Digital Imaging 2023;36(3):902-10.##[11]. Chen X, Wang X, Zhang K, Fung KM, Thai TC, Moore K, et al. Recent advances and clinical applications of deep learning in medical image analysis. Medical Image Analysis 2022;79:102444. https://doi.org/10.1016/j.media.2022.102444##[12]. Takagi R, Koseki Y. Noise reduction technique using deep learning for ultrasound imaging during high-intensity focused ultrasound treatment. Japanese Journal of Applied Physics 2022;61(SG):SG1069.##[13]. Liu X, Zhang F, Hou Z, Mian L, Wang Z, Zhang J, Tang J. Self-supervised learning: Generative or contrastive. IEEE Transactions on Knowledge And Data Engineering 2021;35(1):857-76. doi: 10.1109/TKDE.2021.3090866 ##[14]. Khojaste-Sarakhsi M, Haghighi SS, Ghomi SF, Marchiori E. Deep learning for Alzheimer's disease diagnosis: A survey. Artificial Intelligence in Medicine 2022;130:102332. https://doi.org/10.1016/j.artmed.2022.102332##[15]. Loddo A, Buttau S, Di Ruberto C. Deep learning based pipelines for Alzheimer's disease diagnosis: a comparative study and a novel deep-ensemble method. Computers in Biology and Medicine 2022;141:105032. https://doi.org/10.1016/j.compbiomed.2021.105032##[16]. Obuchowicz R, Strzelecki M, Piórkowski A. Clinical applications of artificial intelligence in medical imaging and image processing—A review. Cancers 2024;16(10):1870. https://doi.org/10.3390/cancers16101870##[17]. Ciga O, Xu T, Martel AL. Self supervised contrastive learning for digital histopathology. Machine Learning with Applications 2022;7:100198. https://doi.org/10.1016/j.mlwa.2021.100198##[18]. Sowrirajan H, Yang J, Ng AY, Rajpurkar P. MoCo-CXR: MoCo pretraining improves representation and transferability of chest X-ray models, 2021. arXiv:2010.05352. https://doi.org/10.48550/arXiv.2010.05352##[19]. Azizi S, Mustafa B, Ryan F, Beaver Z, Freyberg J, Deaton J, et al. Big self-supervised models advance medical image classification. InProceedings of the IEEE/CVF International Conference On Computer Vision 2021. p. 3478-88.##[20]. Li G, Togo R, Ogawa T, Haseyama M. Self-supervised learning for gastritis detection with gastric x-ray images. International Journal of Computer Assisted Radiology and Surgery 2023;18(10):1841-8.##[21]. Li G, Togo R, Ogawa T, Haseyama M. COVID-19 detection based on self-supervised transfer learning using chest X-ray images. International Journal of Computer Assisted Radiology and Surgery 2023;18(4):715-22.##[22]. Hu SY, Wang S, Weng WH, Wang J, Wang X, Ozturk A, et al. Self-supervised pretraining with DICOM metadata in ultrasound imaging. Inmachine Learning for Healthcare Conference 2020 Sep 18; PMLR; 2020. p. 732-49.##[23]. Chen C, Kim Y, Audigier C, Boctor EM. Ultrasound thermometry using an ultrasound element and deep learning for HIFU. In2019 IEEE International Ultrasonics Symposium (IUS); 2019 Oct 6-9; Glasgow, UK: IEEE; 2019. p. 548-51. doi: 10.1109/ULTSYM.2019.8926186##[24]. Rangraz P, Behnam H, Shakhssalim N, Tavakkoli J. A feed-forward neural network algorithm to detect thermal lesions induced by high intensity focused ultrasound in tissue. Journal of Medical Signals & Sensors 2012;2(4):192-202.##[25]. Ghasemifard H, Behnam H, Tavakkoli J. Toward high-intensity focused ultrasound lesion quantification using compressive sensing theory. Proceedings of the Institution of Mechanical Engineers, Part H: Journal of Engineering in Medicine 2017;231(12):1152-64.##[26]. Zavar M, Rahati S, Akbarzadeh-T MR, Ghasemifard H. Evolutionary model selection in a wavelet-based support vector machine for automated seizure detection. Expert Systems with Applications 2011;38(9):10751-8. https://doi.org/10.1016/j.eswa.2011.01.087##[27]. He K, Fan H, Wu Y, Xie S, Girshick R. Momentum contrast for unsupervised visual representation learning. InProceedings of the IEEE/CVF conference on computer vision and pattern recognition 2020. p. 9729-38.##[28]. Chen T, Kornblith S, Norouzi M, Hinton G. A simple framework for contrastive learning of visual representations. Ininternational Conference on Machine Learning; 2020 Nov 21; PmLR; 2020. p. 1597-607.## ##

هوشمندسازی نظام سلامت: مزایا و چالش ها Healthcare System Intelligentization: Benefits and Challenges 1 1 مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد. 2 The article is a letter to the editor, so it does not have an abstract. 348 351 2024/11/182024/05/312024/11/252024/12/72024/11/22025/02/19 1403/12/1 2025/01/192025/03/12025/03/12025/03/62024/12/252025/03/15 1403/12/25 علی اکبر حقدوست AliAkbar Haghdoost اپیدمیولوژیست، مرکز تحقیقات مراقبت اچ.آی.وی و عفونت‌های آمیرشی، مرکز همکار سازمان جهانی بهداشت، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران ahaghdoost@gmail.com Intelligentization Healthcare System هوشمندسازی نظام سلامت [1]. Soriano BN, Duarte SG, Alonso AF, Perales AB, Carreno TP. eHealth: advantages, disadvantages and guiding principles for the future. J Med Internet Res 2019:1-23. doi:10.2196/preprints.15366##[2]. Mehrolhassani MH, Yazdi-Feyzabadi V, Dehnavieh R, Bahaadinbeigy K, Kargar M. Barriers to Telemedicine Establishment in Iran: A Systematic Review. Iran J Public Health 2025;54(4):739-750. https://doi.org/10.18502/ijph.v54i4.18412##[3]. Mousavi SM, Takian A, Tara M. Sixteen years of eHealth experiences in Iran: a qualitative content analysis of national policies. Health Res Policy Syst 2021;19(1):146. doi: 10.1186/s12961-021-00795-x##[4]. Hadian M, Jelodar ZK, Khanbebin MJ, Atafimanesh P, Asiabar AS, Dehagani SM. Challenges of Implementing Telemedicine Technology: A systematized Review. Int J Prev Med 2024:15:8. doi: 10.4103/ijpvm.ijpvm_48_23##[5]. Mazloomi M, Attaran D, Sanayei A, Omidvar M, Heydarian Aghdash H. Evaluation of E-health Adoption in Iran. J Cardiothorac Med 2018; 6(1): 258-60.## ##

توسعه و راه‌اندازی سیستم الکترونیک ثبت اطلاعات سلامت در حوادث و بلایا Development and Implementation of an Electronic Health Information System in Disasters and Emergencies 1 1 استقرار یک سیستم الکترونیک ثبت اطلاعات سلامت در مرحله پاسخ به بلایا، نقش مهمی در ارتقاء کیفیت مدیریت بحران‌های سلامت، کاهش تلفات و افزایش کارایی خدمات درمانی ایفا می‌کند. حمایت سیاست‌گذاران و تخصیص منابع کافی برای توسعه و به‌روزرسانی این سامانه، یک ضرورت راهبردی برای نظام سلامت کشور است. در این خلاصه سیاستی، مشکلات و پیشنهادها (اقدامات راهبردی) در راستای توسعه و راه اندازی سیستم الکترونیک ثبت اطلاعات سلامت در حوادث و بلایا ارائه می‌شود. 2 Setting up an electronic system to record health data during disaster response is crucial. It improves crisis management quality, lowers casualties, and boosts healthcare service efficiency. Policymaker support and enough funding are essential to developing and maintaining this system. This policy brief outlines the challenges and offers strategic recommendations for building and launching an electronic health data system for disasters and emergencies. 352 358 2024/11/182024/05/312024/11/252024/12/72024/11/22025/02/192025/02/19 1403/12/1 2025/01/192025/03/12025/03/12025/03/62024/12/252025/03/152025/03/4 1403/12/14 سیمین صالحی نژاد simin salehinejad کمیته تحقیقات دانشجویی،‌ دانشگاه علوم پزشکی کرمان،‌کرمان،‌ایران ایران simin.salehinejad@gmail.com کامبیز بهاالدین بیگی Kambiz Bahaeddinbeigi گروه طب اورژانس، کالج استرالیایی پزشکی از راه دور، بریزبین، کوئینزلند، استرالیا ایران kambiz321@gmail.com Information Technology Electronic Data Recording Disasters Emergencies فناوری اطلاعات ثبت الکترونیک اطلاعات حوادث و بلایا [1]. Hussain RF, Biswas SN, Happy TA, Hasan MR, Hassan MJ, Hassan M, Haque MM. Experience and Suggestions Regarding Disaster Preparedness Among The Older People in a Rural Community of Bangladesh. KYAMC Journal. 2021;11(4):176-80##[2]. Watson RR, Tabor JA, Ehiri JE, Preedy VR. Handbook of Public Health in Natural Disasters: Nutrition, Food, Remediation And Preparation. Wageningen: Wageningen Academic Publishers; 2015.##[3]. Public EM-DAT. disasters data 2024 [cited 2025 Jan 29]. Available from: https://public.emdat.be./##[4]. Pourhosseini SS, Ardalan A, Mehrolhassani MH. Key aspects of providing healthcare services in disaster response stage. Iran J Public Health 2015;44(1):111–8.##[5]. Shahraki Vahed A, Abaszadeh A, Ardalan A, Haghighee M. Health Management in Disaster. Tehran: Jame-e-Negar; 2014. [In Persian]##[6]. Shahmohammadi A. Tavakoli N. Hajir F. Salimian F. Health Information Systems in Disaster. Isfahan: Isfahan University of Medical Sciences; 2015.##[7]. Asimakopoulou E, Bessis N. Advanced ICTs for Disaster Management and Threat Detection: Collaborative and Distributed Frameworks: Collaborative and Distributed Frameworks. IGI Global; 2010.##[8]. Setayesh Barhaghi M, Kamkar Haghighi M, Kamkar Haghighi M, Alizadeh M. Designing natural disaster management information system. Journal of Health Administration 2007; 10 (29) :45-54. [In Persian]##[9]. Bathaei SA, Abolghasem -Gorji H, Delgoshaei B, Khankeh HR. Emergency health evaluation of affected population during disasters: Are there new approaches?. J Educ Health Promot 2019:8:2. doi: 10.4103/jehp.jehp_115_18##[10]. Ido K, Nakamura N, Nakayama M. Miyagi Medical and Welfare Information Network: a backup system for patient clinical information after the Great East Japan Earthquake and Tsunami. The Tohoku Journal of Experimental Medicine 2019;248(1):19-25.##[11]. Romano M, Onorati T, Aedo I, Diaz P. Designing mobile applications for emergency response: citizens acting as human sensors. Sensors 2016;16(3):406. https://doi.org/10.3390/s16030406##[12]. Abbas R, Norris T, Parry D. Identifying a minimum dataset for enhancing disaster healthcare information exchange. ACSW '22: Proceedings of the 2022 Australasian Computer Science Week; 2022 Feb 14-18; New YorkNY, United States: Association for Computing Machinery; 2022. p. 145 -52. https://doi.org/10.1145/3511616.3513109##[13]. Chen CH, Wong TY, Chen HC, Huang JF, Wang CJ. Telemedicine communication using instant messaging technology improves pre-hospital triage in high mountain train disasters. Hong Kong Journal of Emergency Medicine. 2022;29(1):51-5. https://doi.org/10.1177/102490792096653##[14]. Widagdo J, Putra DD, Syihabuddin B, Juhana T, Mulyana E, Munir A. Android-based disaster management application for after-disaster rapid mobile assessment. IEEE International Conference on Internet of Things and Intelligence System (IoTaIS); 2021 Jan 27-28; BALI, Indonesia: IEEE; 2021. p. 201-4. doi: 10.1109/IoTaIS50849.2021.9359695##[15]. KÖKSAL M, Akgül B. The role of digital health technologies in disaster response. Lancet 2023;401(10388):1566-7. doi: 10.1016/S0140-6736(23)00564-0##[16]. Inan DI, Beydoun G, Pradhan B. Developing a decision support system for Disaster Management: Case study of an Indonesia volcano eruption. International Journal of Disaster Risk Reduction 2018;31:711-21. doi:10.1016/j.ijdrr.2018.07.020##[17]. Ishii T, Nakayama M, Abe M, Takayama S, Kamei T, Abe Y, Yamadera J, Amito K, Morino K. Development and verification of a mobile shelter assessment system “Rapid Assessment System of Evacuation Center Condition Featuring Gonryo and Miyagi (RASECC-GM)” for major disasters. Prehosp Disaster Med 2016;31(5):539-46. doi: 10.1017/S1049023X16000674##[18]. Çalik E, Atilla R, Kaya H, Aribaş A, Cengiz H, Dicle O. Development of a medical module for disaster information systems. Stud Health Technol Inform 2014:205:632-6.## ##