طبقه‌بندی بیماران اسکیزوفرنی با استفاده از شبکه عملکردی مغزی الکتروانسفالوگرافی (EEG) Classification of Schizophrenia Patients using EEG- based Functional Connectivity Map 1 1 مقدمه: شبکه عملکردی مغز بر اساس الکتروانسفالوگرافی (EEG) به‌طور گسترده‌ای برای مطالعه فرآیندهای شناختی پویا و جریان پردازش اطلاعات در مغز و همچنین برای تشخیص بیماری‌های مغزی، مانند اسکیزوفرنی استفاده شده است. اسکیزوفرنی یک اختلال پیچیده با اختلال در شبکه‌های عملکردی و توجهی مغز است که بررسی دقیق آن نیازمند تحلیل‌های زمانی و شبکه‌ای پیشرفته می‌باشد. هدف این پژوهش، تحلیل الگوهای اتصال مؤثر مغزی در بیماران مبتلا به اسکیزوفرنی در مقایسه با افراد سالم به‌وسیله داده‌های EEG و استفاده از مدل‌های نوین یادگیری عمیق برای طبقه‌بندی این دو گروه است. روش کار: در این پژوهش اتصالات مغزی شبکه EEG 17 فرد سالم و 19 بیمار اسکیزوفرنی حین انجام تکلیفی که پردازش‌های بینایی یک‌طرفه با دوطرفه را مقایسه می‌کند، مورد تجزیه‌و‌تحلیل قرار می‌گیرد. پس از آماده‌سازی داده‌ها، گراف عملکردی مغزی حاصل از EEG استخراج شده و چهار معیار قدرت گره، بهره‌وری سراسری، ضریب خوشه‌بندی، شاخص ماژولاریتی محاسبه می‌شوند. سپس ویژگی‌های حاصله با استفاده از یک مدل یادگیری عمیق مبتنی بر LSTM برای طبقه‌بندی افراد سالم و بیمار به کار می‌روند. یافته‌ها: معیارهای Precision, Accuracy, Recall و Fscore برای ارزیابی مدل به‌کار رفتند. مقایسه مدل طبقه‌بندی پیشنهادی با مطالعات مشابه که از ویژگی‌های حاصل از اتصال عملکردی به طبقه‌بندی بیماران اسکیزوفرنی و افراد سالم پرداخته‌اند، نشان می‌دهد که دقت روش پیشنهادی (94%) از دقت به دست آمده از مطالعات مشابه بالاتر است. نتیجه‌گیری: این یافته نشان می‌دهد که مدل یادگیری عمیق بازگشتی مبتنی بر LSTM برای طبقه‌بندی بیماران اسکیزوفرنی از افراد سالم با استفاده از EEG مفید است، به‌علاوه نشان‌دهنده مفید بودن ویژگی‌های حاصله از گراف عملکردی مغز و همچنین تکلیف به کار‌رفته در این پژوهش است. دقت بالای به دست‌آمده نشان می‌دهد که نقص در شبکه مغزی مربوط به توجه در بیماران اسکیزوفرنی که حین مقایسه بین پردازش‌های بینایی یک‌طرفه با دوطرفه آشکار می‌گردد، اختلالی است که می‌تواند به‌خوبی این بیماران را از افراد سالم متمایز نماید. 2 Introduction: Functional brain connectivity derived from electroencephalography (EEG) has been widely used to investigate dynamic cognitive processes, information flow in the brain, and the diagnosis of neurological and psychiatric disorders such as schizophrenia. Schizophrenia is a complex disorder characterized by disruptions in functional and attentional brain networks. Accurately examining these alterations requires analytical approaches with high temporal resolution and network-based modeling capabilities. The aim of this study was to analyze patterns of effective brain connectivity in patients with schizophrenia compared with healthy individuals using EEG data and to apply advanced deep learning models for group classification. Method: This study analyzed EEG-based brain connectivity networks of 17 healthy participants and 19 patients with schizophrenia while they performed a task involving the comparison of unilateral and bilateral visual processing. After data processing, functional brain graphs were constructed, and four graph-theoretical metrics including node strength, global efficiency, clustering coefficient, and modularity index were calculated. These features were then used to classify healthy participants and patients with schizophrenia using a deep learning model based on a Long Short-Term Memory (LSTM). Results: The performance of the classification model was evaluated using accuracy, precision, recall, and F-score metrics. The proposed method achieved an accuracy of 94%, outperforming previous studies that classified patients with schizophrenia and healthy participants based on functional connectivity features. Conclusion: The results demonstrate the effectiveness of an LSTM-based recurrent deep learning model in distinguishing patients with schizophrenia from healthy individuals using EEG data. Additionally, the significance of features obtained from the functional brain graph and the task utilized is emphasized. The high classification accuracy suggests that the observed deficits in attention-related brain networks in patients with schizophrenia particularly during unilateral and bilateral visual processing. These deficits represent reliable neural markers differentiating patients with schizophrenia from healthy individuals. 216 235 2024/06/3 1403/3/14 2024/12/9 1403/9/19 محمدرضا تمکین Mohammad Reza Tamkin کارشناسی ارشد رشته مهندسی برق، بخش مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران ایران mohammadreza.tamkin@yahoo.com هدی جلال کمالی Hoda Jalalkamali دکترای علوم اعصاب شناختی، استادیار گروه مهندسی کامپیوتر، مجتمع آموزش عالی زرند، دانشگاه شهید باهنر کرمان، کرمان، ایران hodajalalkamali@uk.ac.ir حسین نظام آبادی پور Hossein Nezam Abadi-pour استاد بخش مهندسی برق، دانشگاه شهید باهنر کرمان، کرمان، ایران ایران Nezam@uk.ac.ir Schizophrenia Classification EEG Functional connectivity اسکیزوفرنی طبقه‌بندی الکتروآنسفالوگرافی (EEG) اتصالات عملکردی [1]. Farahani FV, Karwowski W, Lighthall NR. Application of graph theory for identifying connectivity patterns in human brain networks: a systematic review. Front Neurosci 2019:13:585. doi: 10.3389/fnins.2019.00585##[2]. Stam CJ. Modern network science of neurological disorders. Nat Rev Neurosci 2014;15(10):683-95. doi: 10.1038/nrn3801##[3]. Friston KJ. Functional and effective connectivity in neuroimaging: a synthesis. Human Brain Mapping1994;2(1‐2):56-78. https://doi.org/10.1002/hbm.460020107##[4]. Iakovidou ND. Graph theory at the service of electroencephalograms. Brain Connectivity 2017;7(3):137-51. doi: 10.1089/brain.2016.0426##[5]. Friston KJ, Frith CD, Liddle PF, Frackowiak RS. Functional connectivity: the principal-component analysis of large (PET) data sets. J Cereb Blood Flow Metab 1993;13(1):5-14. doi: 10.1038/jcbfm.1993.4##[6]. Friston KJ. Functional and effective connectivity in neuroimaging: a synthesis. Brain Connect 2011;1(1):13-36. doi: 10.1089/brain.2011.0008##[7]. O'Neill GC, Tewarie P, Vidaurre D, Liuzzi L, Woolrich MW, Brookes MJ. Dynamics of large-scale electrophysiological networks: A technical review. NeuroImage 2018;180:559-76. doi: 10.1016/j.neuroimage.2017.10.003##[8]. Dvey-Aharon Z, Fogelson N, Peled A, Intrator N. Connectivity maps based analysis of EEG for the advanced diagnosis of schizophrenia attributes. PloS one 2017;12(10):e0185852. doi: 10.1371/journal.pone.0185852##[9]. Cea-Cañas B, Gomez-Pilar J, Núñez P, Rodríguez-Vázquez E, de Uribe N, Díez Á, et al. Connectivity strength of the EEG functional network in schizophrenia and bipolar disorder. Prog Neuropsychopharmacol Biol Psychiatry 2020:98:109801. doi: 10.1016/j.pnpbp.2019.109801## [10]. Phang CR, Ting CM, Noman F, Ombao H. Classification of EEG-based brain connectivity networks in schizophrenia using a multi-domain connectome convolutional neural network. arXiv preprint arXiv:1903.08858. ##[11]. Naim-Feil J, Rubinson M, Freche D, Grinshpoon A, Peled A, Moses E, et al. Altered brain network dynamics in schizophrenia: a cognitive electroencephalography study. Biol Psychiatry: Cog Neurosci Neuroimaging 2018;3(1):88-98. doi: 10.1016/j.bpsc.2017.03.017##[12]. Naim-Feil J, Rubinson M, Freche D, Grinshpoon A, Peled A, Moses E, et al. Altered brain network dynamics in schizophrenia: a cognitive electroencephalography study. Biol Psychiatry: Cog Neurosci Neuroimaging 2018;3(1):88-98. doi: 10.1016/j.bpsc.2017.03.017##[13]. Phang CR, Ting CM, Samdin SB, Ombao H. Classification of EEG-based effective brain connectivity in schizophrenia using deep neural networks. 9th International IEEE/EMBS Conference on Neural Engineering (NER); 2019 Mar 20; San Francisco, United States of America: IEEE; 2019. p. 401-6.##[14]. Li G, Jiang Y, Jiao W, Xu W, Huang S, Gao Z, et al. The maximum eigenvalue of the brain functional network adjacency matrix: Meaning and application in mental fatigue evaluation. Brain Sci 2020;10(2):92. doi: 10.3390/brainsci10020092##[15]. Vafaii P, Pourrahimi A M, Nakhaee N, Mazhari S. Anti-Extinction in Patients With Schizophrenia. Iran J Psychiatry Behav Sci 2018;12(1):e9185. https://doi.org/10.5812/ijpbs.9185.##[16]. Kaso A. Computation of the normalized cross-correlation by fast Fourier transform. PloS one 2018;13(9):e0203434. doi: 10.1371/journal.pone.0203434##[17]. Fornito A, Zalesky A, Bullmore E. Fundamentals of brain network analysis. Academic press; 2016.##[18]. Achard S, Bullmore E. Efficiency and cost of economical brain functional networks. PLoS Comput Biol 2007;3(2):e17. https://doi.org/10.1371/journal.pcbi.0030017##[19]. Onnela JP, Saramäki J, Kertész J, Kaski K. Intensity and coherence of motifs in weighted complex networks. Physical Review E—Statistical, Nonlinear, and Soft Matter Physics 2005;71(6):065103. doi: https://doi.org/10.1103/PhysRevE.71.065103##[20]. Girvan M, Newman ME. Community structure in social and biological networks. Proc Natl Acad Sci U S A 2002;99(12):7821-6. https://doi.org/10.1073/pnas.122653799##[21]. Gao C, Yan J, Zhou S, Varshney PK, Liu H. Long short-term memory-based deep recurrent neural networks for target tracking. Information Sciences 2019;502:279-96. https://doi.org/10.1016/j.ins.2019.06.039##[22]. Tajik A, Jalalkamali H, Nezamabadi-Pour H. Classification of Schizophrenia Patients by Nonlinear Analysis of EEG. In2022 30th International Conference on Electrical Engineering (ICEE); 2022 May 17; Tehran: IEEE; 2022. p. 210-3. doi: 10.1109/ICEE55646.2022.9827079##[23]. Jalalkamali H, Tajik A, Hatami R, Nezamabadipour H. Detecting how time is subjectively perceived based on event-related potentials (ERPs): a machine learning approach. International Journal of Neuroscience 2024;134(4):372-80. https://doi.org/10.1080/00207454.2022.2103413##[24]. Jalalkamali H, Tajik A, Nezamabadi-Pour H. Classification of auditory event-related potentials in a time discrimination task based on the oddball paradigm. Advances in Cognitive Science 2021;23(1):73-84. [In Persian] doi:10.30514/icss.23.1.73##[25]. Lei D, Pinaya WH, Van Amelsvoort T, Marcelis M, Donohoe G, Mothersill DO, et al. Detecting schizophrenia at the level of the individual: relative diagnostic value of whole-brain images, connectome-wide functional connectivity and graph-based metrics. Psychological Medicine 2020;50(11):1852-61. doi: https://doi.org/10.1017/S0033291719001934##[26]. Yin G, Chang Y, Zhao Y, Liu C, Yin M, Fu Y, et al. Automatic recognition of schizophrenia from brain-network features using graph convolutional neural network. Asian Journal of Psychiatry 2023;87:103687. https://doi.org/10.1016/j.ajp.2023.103687##[27]. Phang CR, Noman F, Hussain H, Ting CM, Ombao H. A multi-domain connectome convolutional neural network for identifying schizophrenia from EEG connectivity patterns. IEEE Journal of Biomedical and Health Informatics. 2019;24(5):1333-43. doi: 10.1109/JBHI.2019.2941222##[28]. Chen X, Zhou J, Ke P, Huang J, Xiong D, Huang Y, et al. Classification of schizophrenia patients using a graph convolutional network: A combined functional MRI and connectomics analysis. Biomedical Signal Processing and Control 2023;80:104293. https://doi.org/10.1016/j.bspc.2022.104293##[29]. Azizi S, Hier DB, Wunsch DC. Schizophrenia classification using resting state EEG functional connectivity: source level outperforms sensor level. 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC); 2021 Nov 1; IEEE; 2021. p. 1770-3. doi: 10.1109/EMBC46164.2021.9630713## ##

پیش ‎بینی بیماری‎ های قلبی-عروقی از روی سیگنال‎ های EEG با استفاده از ترکیب شبکه YOLO و الگوریتم XGBoost Predicting Cardiovascular Diseases from EEG Signals Using YOLO Network Composition and XGBoost Algorithm 1 1 مقدمه: بیماری‌های قلبی-عروقی همچنان از اصلی‌ترین علل مرگ‌ومیر در سراسر جهان به شمار می‌روند و تشخیص زودهنگام آن‌ها اهمیت حیاتی در کاهش عوارض و مرگ دارد. روش‌های سنتی تشخیص این بیماری‌ها غالباً متکی بر تفسیر دستی سیگنال‌های قلبی بوده که زمان‌بر و وابسته به تجربه پزشک است. پیشرفت روش‌های یادگیری عمیق و داده‌کاوی امکان تحلیل خودکار سیگنال‌های پزشکی و شناسایی الگوهای پنهان را فراهم کرده است. در این پژوهش رویکردی نوین برای شناسایی بیماری‌های قلبی بر پایه سیگنال‌های ECG ارائه می‌شود. روش کار: در این مطالعه یک مدل ترکیبی مبتنی بر یادگیری عمیق طراحی شد که از شبکه YOLO (نسخه سریع) برای استخراج ویژگی‌های میان‌سطحی سیگنال‌های ECG و از الگوریتم XGBoost به‌منظور بهبود فرآیند طبقه‌بندی استفاده می‌کند. ابتدا داده‌های مربوط به پایگاه MIT-BIH Arrhythmia استخراج و پیش‌پردازش شدند. سپس، سیگنال‌ها به شبکه YOLO داده شدند تا بردارهای ویژگی استخراج گردد. خروجی شبکه به الگوریتم XGBoost داده شد تا طبقه‌بندی نهایی با ترکیب چندین درخت تصمیم ضعیف انجام گیرد. در نهایت، مدل پیشنهادی با روش‌های متداول موجود مقایسه شد. یافته‌ها: نتایج آزمایش‌ها نشان داد شبکه YOLO توانایی استخراج ویژگی‌های کلیدی از سیگنال‌های ECG را دارد و در ترکیب با XGBoost موجب افزایش دقت کلی مدل می‌شود. مدل پیشنهادی توانست نسبت به روش‌های پایه از جمله شبکه‌های عصبی ساده و SVM عملکرد بهتری ارائه دهد. در ارزیابی بر روی پایگاه داده MIT-BIH، دقت طبقه‌بندی مدل پیشنهادی به‌طور قابل توجهی افزایش یافت و شاخص‌هایی همچون حساسیت و ویژگی نیز بهبود پیدا کردند. این نتایج نشان می‌دهد استفاده همزمان از یادگیری عمیق و الگوریتم‌های تقویتی می‌تواند یک رویکرد کارآمد در تحلیل سیگنال‌های پزشکی باشد. نتیجه‌گیری: این پژوهش نشان داد که مدل ترکیبی YOLO-XGBoost روشی دقیق و نوآورانه برای شناسایی بیماری‌های قلبی بر اساس سیگنال‌های ECG است. این روش علاوه بر افزایش دقت طبقه‌بندی، قابلیت پیاده‌سازی در سیستم‌های پشتیبان تصمیم‌گیری بالینی را دارد و می‌تواند به عنوان ابزاری کارآمد در غربالگری بیماران مورد استفاده قرار گیرد. در آینده می‌توان این مدل را با داده‌های بیشتر و متنوع‌تر اعتبارسنجی کرده و در سامانه‌های هوشمند پزشکی یکپارچه‌سازی نمود. 2 Introduction: Cardiovascular diseases continue to be one of the leading causes of mortality worldwide, making early detection crucial for reducing complications and fatalities. Traditional diagnostic methods often depend on the manual interpretation of cardiac signals, which can be time-consuming and reliant on the expertise of clinicians. However, advances in deep learning and data mining have facilitated the automated analysis of medical signals and the detection of hidden patterns. This study presents a novel approach to identifying cardiac diseases based on ECG signals. Method: In this study, we developed a hybrid deep learning model that utilizes the fast version of the YOLO network to extract mid-level features from ECG signals, combined with the XGBoost algorithm to improve classification performance. ECG signals from the MIT-BIH Arrhythmia Database were first extracted and preprocessed. These signals were then input into the YOLO network to generate feature vectors. The outputs of the network were subsequently fed into the XGBoost algorithm for final classification using an ensemble of multiple weak decision trees. Finally, we compared the proposed model with established conventional methods. Results: The results demonstrated that the YOLO network effectively extracts key features from ECG signals, and its integration with XGBoost significantly enhances overall model accuracy. The proposed model outperformed baseline methods, including simple neural networks and support vector machines (SVMs). Evaluation on the MIT-BIH Arrhythmia Database revealed substantial improvements in classification accuracy, as well as enhanced sensitivity and specificity. These findings indicate that combining deep learning with boosting algorithms provides an efficient approach for medical signal analysis. Conclusion: The YOLO-XGBoost hybrid model offers an accurate and innovative approach for detecting cardiac diseases from ECG signals. In addition to enhancing classification accuracy, this method is well-suited for implementation in clinical decision support systems and can serve as an efficient tool for patient screening. Future work could involve validating the model with larger and more diverse datasets and integrating it into intelligent medical systems. 236 249 2024/06/32025/06/1 1404/3/11 2024/12/92025/10/27 1404/8/5 علیرضا اصغری کیاده Alireza Asghari Kiadeh دانشجوی ارشد، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران ایران mehrdad395.taha@gmail.com سارا معتمد Sara Motamed استادیار، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران ایران motamed.sarah@gmail.com Heart disease arrhythmia deep learning cardiac signals YOLO XGBoost. بیماری قلبی آریتمی یادگیری عمیق سینگال‌های قلبی YOLO XGBoost [1]. Ahsan MM, Siddique Z. Machine learning-based heart disease diagnosis: A systematic literature review. Artif Intell Med 2022;102289. doi: 10.1016/j.artmed.2022.102289##[2]. Brites IS, da Silva LM, Barbosa JL, Rigo SJ, Correia SD, Leithardt VR. Machine learning and iot applied to cardiovascular diseases identification through heart sounds: A literature review. InInformatics 2021; 8(4): 73.##[3]. Diwakar M, Tripathi A, Joshi K, Memoria M, Singh P. Latest trends on heart disease prediction using machine learning and image fusion. Materials Today: Proceedings 2021;37:3213-8. doi:10.1016/j.matpr.2020.09.078##[4]. Elhoseny M, Mohammed MA, Mostafa SA, Abdulkareem KH, Maashi MS, Garcia-Zapirain B, et al. A New Multi-Agent Feature Wrapper Machine Learning Approach for Heart Disease Diagnosis. Computers, Materials & Continua. 2021;67(1): 51-71. https://doi.org/10.32604/cmc.2021.012632##[5]. Elias P, Poterucha TJ, Rajaram V, Moller LM, Rodriguez V, Bhave S, et al. Deep learning electrocardiographic analysis for detection of left-sided valvular heart disease. J Am Coll Cardiol 2022;80(6):613 26. doi: 10.1016/j.jacc.2022.05.029##[6]. Kavitha M, Gnaneswar G, Dinesh R, Sai YR, Suraj RS. Heart disease prediction using hybrid machine learning model. In2021 6th international conference on inventive computation technologies (ICICT); 2021 Jan 20-22; Coimbatore, India: IEEE; 2021. p. 1329–33. doi: 10.1109/ICICT50816.2021.9358597##[7]. Ramesh KN, Ramesh P, Manisha G, Anupama G, Nithin GR, Prasad MM. Heart Disease Prediction using Hybrid Machine Learning Techniques. Journal of Algebraic Statistics 2022;13(2): 3669.##[8]. Amiri A, Jafarzadeh H, Parvortabar Z. Heart disease diagnosis using artificial intelligence and data mining techniques. The First Regional Conference on Power Refining Information Technology; 2014 May 31; Gachsaran: Gachsaran Applied Science Center; 2014. [In Persian]##[9]. Faridouni M, Estakhrian A. Design and simulation of a trainable bioelectric system for arrhythmia diagnosis using neural networks. The first national conference on electrical engineering of the Young and Elite Researchers Club; 2016 Apr 26; Shiraz: Islamic Azad University of Shiraz; 2016. [In Persian]##[10]. Rajabloo S, Molaeian T, Yaghmaei F. Heart disease diagnosis using fuzzy logic. The Second National Conference on Mathematics and its Applications in Engineering; 2015 May 14; Juybar: Islamic Azad University of Juybar; 2015.[In Persian]##[11]. Mokhtari M, Pishgar SH. ECG signal modeling using spline interpolation for heart disease diagnosis. 3rd National Conference on New Technologies in Electrical and Computer Engineering; 2016. [In Persian]##[12]. Naroui A, Zamani B. Arrhythmia heart disease diagnosis using PCA and MLP neural network. National Conference on Modern Research in Science and Technology; 2015; Iran. [In Persian]. ##[13]. Dashti nejad N, Askar Farashah M. Diagnosis of liver and heart disease through iridology based on error backpropagation network. 2015 Sep 5; International Conference on New Research Findings in Electrical Engineering and Computer Science, Tehran: Nikan; 2016. [In Persian]##[14]. Nazari A. Evaluation of performance and accuracy of data mining techniques for timely heart disease diagnosis. 4th International Conference New Research in Engineering and Technology; 2015. [In Persian]##[15]. Hadadnia J, Mahdavi A. Pattern recognition technology in diagnosis and analysis of heart diseases. In: 3rd National and 1st Int Conference Applied Research in Electrical, Mechanical and Mechatronics Engineering; 2015; Iran. [In Persian]. ##[16]. Dowlatabadi A, Hajipour A. Heart disease diagnosis using chaotic features and neural networks. 7th National Conference Electrical and Electronics Engineering of Iran; 2015. [In Persian]##[17]. Palaniappan S, Awang R. Intelligent heart disease prediction system using data mining techniques. In2008 IEEE/ACS International Conference on Computer Systems and Applications; 2008 Mar 31; IEEE; 2008.p. 108-15.##[18]. Taneja A. Heart disease prediction system using data mining techniques. Orient J Comp Sci Technol 2013;6(4):457–66.##[19]. Lakshmi MS, Haritha D, Srkit V. Heart disease diagnosis using predictive data mining. International Journal of Computer Science and Information Security 2016;14(7):1–5.##[20]. Masethe HD, Masethe MA. Prediction of heart disease using classification algorithms. Proceedings of the World Congress on Engineering and Computer Science 2014 Oct 22-24; San Francisco, USA: WCECS; 2014.##[21]. Chen T, He T, Benesty M, Khotilovich V, Tang Y, Cho H, et al. Xgboost: Extreme Gradient Boosting; R Package Version 0.4-2; 2015. ##[22]. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015;521(7553):436–44.##[23]. Yadav SS, Jadhav SM. Deep convolutional neural network based medical image classification for disease diagnosis. Journal of Big Data 2019;6(1):1–18.##[24]. Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems; 2012. p. 1–9.##[25]. Chen T, Guestrin C. Xgboost: A scalable tree boosting system. InProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016 Aug 13; p. 785-94.## ##

توسعه مدل هستی‌شناسی زنجیره عرضه و تقاضای خون و فرآورده‌های خونی در ایران Development of an Ontology Model for the Blood and Blood Products Supply and Demand Chain in Iran 1 1 مقدمه: هستی‌شناسی به‌عنوان یک روش صوری برای نمایش دقیق مفاهیم، موجودیت‌ها و روابط آن‌ها، نقش مهمی در مدل‌سازی جریان کاری فرآیندهای پیچیده دارد. اگرچه مطالعات متعددی در این زمینه انجام شده، اما در ایران کاربرد مدل‌های هستی‌شناسی در زنجیره انتقال خون همچنان محدود است. این مطالعه با هدف توسعه یک مدل هستی‌شناسی عرضه و تقاضای خون در ایران انجام شده است تا از طریق یکپارچه‌سازی مفاهیم و فرآیندها، پشتیبانی تصمیم گیری، تبادل اطلاعات و بهبود کارایی و ایمنی در زنجیره انتقال خون فراهم شود. روش کار: برای توسعه مدل هستی‌شناسی از روش Methontology استفاده شد. مراحل این روش شامل تعیین مشخصات، کسب دانش، مفهوم‌سازی، یکپارچه‌سازی، پیاده‌سازی، ارزیابی و مستندسازی است. پیاده سازی هستی شناسی با کمک ویرایشگر Protégé نسخه 5.6.3 و ارزیابی کیفی مدل‌ها با رویکرد FOCA انجام شد. همچنین برای ارتقاء کیفیت مفهوم‌سازی فرآیندها، دو نمودار جریان داده و خط شنا طراحی شدند. یافته‌ها: دو مدل هستی‌شناسی برای بیمارستان و سازمان انتقال خون توسعه یافت. مدل بیمارستان شامل ۲۶ کلاس و زیرکلاس، ۴۶ ویژگی رابطه‌ای، ۴۳ ویژگی داده‌ای و ۶۴۴ اکسیوم بود، در حالی که مدل سازمان انتقال خون شامل ۱۱ کلاس و زیرکلاس، ۲۴ ویژگی رابطه‌ای، ۲۵ ویژگی داده‌ای و ۳۱۸ اکسیوم بود. پس از تعریف اجزا و قوانین، مدل‌های گرافیکی هر دو هستی‌شناسی نیز طراحی شدند. ارزیابی کیفیت نشان داد که مدل بیمارستان با نمره 0/995 و مدل سازمان انتقال خون با نمره 0/951 از کیفیت بالایی برخوردارند. نتیجه‌گیری: طراحی و توسعه مدل هستی‌شناسی زنجیره عرضه و تقاضای خون، در درک دامنه فرآیندها، اشتراک‌گذاری داده‌ها، مستند‌سازی و انتقال دانش به کاربران کمک می‌کند. برای توسعه مؤثر یک هستی‌شناسی، برخورداری از شناخت دقیق و جامع نسبت به فعالیت‌ها، وظایف، مفاهیم و روابط حاکم بر دامنه مورد مطالعه، امری ضروری است. ارزیابی مدل‌های هستی‌شناسی نقش کلیدی در شناسایی نواقص مفهومی، بهینه‌سازی ساختار دانش، و بهبود فرآیندهای سازمانی دارد. 2 Introduction: Ontology, as a formal method for accurately representing concepts, entities, and their relationships, plays a vital role in modeling complex processes. Despite numerous studies in this field, the application of ontology-based models in Iran’s blood transfusion chain remains limited. This study aims to develop an ontology model for blood supply and demand in Iran to support decision-making, facilitate information exchange, and enhance efficiency and safety in the blood transfusion chain by integrating relevant concepts and processes. Method: The METHONTOLOGY methodology was used to develop the ontology model, which includes the stages of specification, knowledge acquisition, conceptualization, integration, implementation, evaluation, and documentation. The ontology was implemented in Protégé (version 5.6.3), and its quality was assessed using the FOCA methodology. Additionally, two diagrams, a data flow diagram and a swimlane diagram, were created to enhance the conceptualization of processes. Results: Two ontologies were developed: one for hospitals and another for the Blood Transfusion Organization. The hospital ontology comprised 26 classes and subclasses, 46 object properties, 43 data properties, and 644 axioms. In contrast, the Blood Transfusion Organization ontology included 11 classes and subclasses, 24 object properties, 25 data properties, and 318 axioms. After defining the components and rules, graphical models of both ontologies were created. The quality evaluation results indicated high quality, with scores of 0.995 for the hospital model and 0.951 for the Blood Transfusion Organization model. Conclusion: Designing and developing an ontology model for the blood supply and demand chain enhances the understanding of domain processes, facilitates data sharing, and supports knowledge documentation and transfer to users. Effective ontology development requires a comprehensive understanding of the activities, tasks, concepts, and relationships within the target domain. Furthermore, ontology evaluation is crucial for identifying conceptual deficiencies, optimizing knowledge structures, and improving organizational processes. 250 264 2024/06/32025/06/12025/09/15 1404/6/24 2024/12/92025/10/272025/12/8 1404/9/17 افشین صرافی نژاد Afshin Sarafinejad دکترای انفورماتیک پزشکی، دانشیار انفورماتیک پزشکی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان،کرمان، ایران ایران asarafinejad@kmu.ac.ir مهدیه شجاعی باغینی Mahdie ShojaeiBaghini دکترای مدیریت اطلاعات سلامت، استادیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mahdiehsh@gmail.com علی حسن احمدی پور Alihasan Ahmadipour دانشجوی دکتری انفورماتیک پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران Alihasanahmadipour@gmail.com Ontology Blood transfusion blood supply Hemovigilance هستی‌شناسی انتقال خون تأمین خون هموویژیلانس [1]. Shen W, Norrie DH, Barthès JP. Multi-agent systems for concurrent intelligent design and manufacturing. CRC press; 2019.##[2]. Goldman M, White J, Wood E. Introduction to Blood Transfusion: from donor to recipient. ISBT Sci Ser 2020;15:5. doi: 10.1111/voxs.12612##[3]. Serra LM, Duncan WD, Diehl AD. An ontology for representing hematologic malignancies: the cancer cell ontology. BMC Bioinformatics 2019;20(Suppl 5):181. doi: 10.1186/s12859-019-2722-8##[4]. Trongratsameethong A, Somhom S, Chawachat J, Wita R, Anukul N, Sirikul C. Ontology for blood group phenotyping and ABO discrepancy screening. 18th International Joint Conference on Computer Science and Software Engineering (JCSSE); 2021 Jun 30; IEEE; 2021. p. 1-6. doi:10.1109/JCSSE53117.2021.9493808##[5]. Ghernaout I, Elmhadhbi L, Sarkar A, Meliani SM, Karray MH. Towards an ontology-based approach to enhance the mobile blood collection process. Procedia Computer Science 2022;207:2833-42. doi: 10.1016/j.procs.2022.09.341##[6]. Bursa O, Sezer E, Can O, Unalir MO. Blood. Health. FOAF: Extending FOAF with Blood Ontology. 41st Annual Computer Software and Applications Conference (COMPSAC); 2017 Jul 4; IEEE; 2017. p. 102-6.##[7]. Wittock N, De Krom MP, Hustinx L. Blood’s ontologies-entangled: Qualitative inquiry into the enactment, representation, and organizational modes of coordination of blood’s multiplicity in a Belgian blood establishment. Organization 2019;26(4):470-91. https://doi.org/10.1177/1350508418808234##[8]. Elhaj SA, Odeh Y, Tbaishat D, Rjoop A, Mansour A, Odeh M. Informing the State of Process Modeling and Automation of Blood Banking and Transfusion Services Through a Systematic Mapping Study. J Multidiscip Healthc 2024:17:473-89. doi: 10.2147/JMDH.S443674##[9]. Asadi F, Ramezanghorbani N. Proposing a Model for the National Hemovigilance Information System in Iran. J Med Life 2020;13(2):211-8. doi: 10.25122/jml-2019-0112##[10]. Molaahmadi-Hassanabadi F, Mehrolhassani MH, Rahimisadegh R. Investigating the quality of hemovigilance process using the first two steps of Six Sigma model: a cross-sectional study. BMC Health Serv Res 2023;23(1):1169. doi: 10.1186/s12913-023-10113-6##[11]. Moreno-Conde A, Parra-Calderón CL, Sánchez-Seda S, Escobar-Rodríguez GA, López-Otero M, Cussó L, et al. ITEMAS ontology for healthcare technology innovation. Health Res Policy Syst 2019;17(1):47. doi 10.1186/s12961-019-0453-y##[12]. Gawich M, Alfonse M. Ontology Engineering Applications in Medical Domain. Ontology‐Based Information Retrieval for Healthcare Systems 2020:193-232. doi:10.1002/9781119641391##[13]. Lauer R. Is social ontology prior to social scientific methodology? Philosophy of the Social Sciences. 2019;49(3):171-89. doi:10.1002/9781119641391##[14]. Moamary EA, Alshammari R, Razzak MI. Blood bank control system: An ontology. Advanced Science Letters 2016;22(10):2822-6. doi:10.1166/asl.2016.7086##[15]. Achour S, Dojat M, Brethon JM, Blain G, Lepage É. The Use of the UMLS Knowledge Sources for the Design of a Domain Specific Ontology: A Practical Experience in Blood Transfusion. European Conference on Artificial Intelligence in Medicine and Medical Decision Making; 1999 Jun 11; Berlin, Heidelberg: Springer Berlin Heidelberg 1999. p. 249-53. doi:10.1007/3-540-48720-4_27##[16]. Ceravolo P, Damiani E, Fugazza C. A transfusion ontology for remote assistance in emergency health care (position paper). OTM Confederated International Conferences" on the Move to Meaningful Internet Systems. Berlin Heidelberg: Springer; 2006.##[17]. Weichert F, Mertens C, Walczak L, Kern-Isberner G, Wagner M. A novel approach for connecting temporal-ontologies with blood flow simulations. J Biomed Inform 2013;46(3):470-9. doi:10.1016/j.jbi.2013.03.004##[18]. Auna HS, Prasetya NI, Surur AM, Ulfa S, Soepriyanto Y, Salleh SM. Ontology Design of a Modern Learning Environment and Modern Pedagogy Using Protégé Software. Indonesian Journal of Multidisciplinary Educational Researcher 2024;2(1). doi: https://doi.org/10.30762/ijomer.v2i1.2755##[19]. Musen MA. The protégé project: a look back and a look forward. AI Matters 2015;1(4):4-12. doi: 10.1145/2757001.2757003##[20]. Okikiola FM, Ikotun AM, Adelokun A, Ishola P. A Systematic Review of Health Care Ontology. Asian Journal of Research in Computer Science 2020; 5(1): 15-28. doi: 10.9734/ajrcos/2020/v5i130125##[21]. Tawil SF, Ghazali NM, Ismail NZ, Jaafar N. Women’s Roles in the Family: An Ontological Representation. Journal of Hunan University Natural Sciences 2025;52(5): 147-56. https://doi.org/10.55463/issn.1674-2974.52.5.12##[22]. Lestari II, Ekowati NA, Sulistiyasni S. Descriptive Analysis and Comparison of Reasoner Using Onti Measures. Jurnal Teknik Informatika (Jutif) 2024;5(1):301-12. doi:10.52436/1.jutif.2024.5.1.1839##[23]. Staab S, Studer R. Handbook on ontologies: Springer Science & Business Media; 2013.##[24]. Bandeira J, Bittencourt II, Espinheira P, Isotani S. FOCA: A methodology for ontology evaluation. arXiv. 2016. doi:10.48550/arXiv.1612.03353##[25]. Bandeira JM. FOCA: Uma Metodologia que utiliza princípios da Representação do Conhecimento para Avaliação de Ontologias. 2015.##[26]. Erkoç A, Ertan E, Algamal ZY, Akay KU. The beta Liu-type estimator: simulation and application. Hacettepe Journal of Mathematics and Statistics 2023;52(3):828-40. https://doi.org/10.15672/hujms.1145607##[27]. Shojaee-Mend H, Ayatollahi H, Abdolahadi A. Development and evaluation of ontologies in traditional medicine: a review study. Methods Inf Med 2019;58(6):194-204. doi: 10.1055/s-0040-1702236##[28]. Pandey V, Li J, Alian S. Evaluation and Evolution of NAOnto–An Ontology for Personalized Diabetes Management for Native Americans. 7th International Conference on Computer and Communications (ICCC); 2021 Dec 10-13; Chengdu, China: IEEE; 2021. doi: 10.1109/ICCC54389.2021.9674339##[29]. Pereira K. Toward enhanced healthcare efficiency: The impact of digitizing medical records. Revista Sistemática. 2024;14(3):709-14. doi:10.56238/rcsv14n3-020##[30]. Volkan E, Köse İ, Cece S, Elmas Ö. Analysis of the effect of digital hospital efforts on paper savings in inpatient procedures and on the duration of nursing care services. Front Digit Health 2024:6:1367149. doi: 10.3389/fdgth.2024.1367149##[31]. Ceusters W, Smith B. A Realism-Based Approach to the Evolution of Biomedical Ontologies. AMIA Annu Symp Proc 2006;2006:121–5.## ##

بررسی تجربیات سالمندان دچار سوختگی از توانبخشی حرکتی مبتنی بر فناوری کینکت: مطالعه کیفی Exploring the Experiences of Elderly Burn Victims with Kinect-Based Motor Rehabilitation: A Qualitative Study 1 1 مقدمه : افراد سالمند مبتلا به سوختگی با محدودیت های جسمی مواجه اند که فرآیند توانبخشی آنان را مختل می کند. اخیراً فناوری هایی مانند سیستم های حرکتی کینکت برای افزایش مشارکت بیماران به کار گرفته شده اند، اما اطلاعات اندکی از تجربه ها و برداشت های آنان وجود دارد. این مطالعه به بررسی تجربه های بیماران سالمندِ دچار سوختگی در انجام تمرین های توانبخشی حرکتی مبتنی بر کینکت می پردازد . روش کار : این پژوهش در بهار سال 1404 با رویکردی کیفی و روش تحلیل محتوای قراردادی انجام شد. مشارکت کنندگان به صورت هدفمند از میان مصدومین سالمند دچار سوختگی بستری شده در بخش سوختگی بیمارستان امام رضا (ع) مشهد انتخاب شدند که تجربه شرکت در برنامه توانبخشی حرکتی مبتنی بر فناوری کینیکت را داشتند. داده ها از طریق مصاحبه های نیمه ساختاریافته گردآوری و پس از پیاده سازی در نرم افزار Excel نسخه 2019 ، فرآیند کدگذاری و طبقه بندی آن ها انجام شد . یافته ها : تحلیل 18 مصاحبه فردی و یک جلسه بحث متمرکز، منجر به استخراج 215 کد اولیه در قالب چهار دسته اصلی و 12 زیرگروه طبقه بندی شد. چهار مضمون اصلی شامل: "از سردرگمی تا سازگاری"، "افزایش انگیزه و مشارکت در فرایند درمان"، "احساس استقلال و خودکارآمدی" و "احساس امنیت و راحتی با فناوری" بودند. به طور کلی نتایج نشان داد استفاده از فناوری در توانبخشی ابتدا با احساس ناآشنایی و اضطراب همراه بوده، اما ب همرور با افزایش اعتماد به نفس و حمایت متخصصان و خانواده، سازگاری بهبود یافت. این فناوری موجب افزایش انگیزه و مشارکت فعال بیماران در درمان، تداوم تمرین ها و تجربه لذت بخش تر از فرایند توانبخشی شد. همچنین، افزایش استقلال، خودکارآمدی و کاهش وابستگی به اطرافیان از دیگر پیامدهای مهم بود. در نهایت، فناوری با تقویت احساس امنیت، کنترل و کاهش استرس و درد حین تمرین ها، تجربه کلی درمان را بهبود بخشید. نتیجه گیری : توا نبخشی مبتنی بر کینکت می تواند مشارکت، استقلال و رضایت بیماران سالمندِ دچار سوختگی را ارتقاء دهد، اما لازم است چالش های فردی و زمینه ای مرتبط با استفاده از این فناوری، به ویژه در جمعیت سالمندان، مورد توجه قرار گیرد. 2 Introduction: Elderly burn victims face physical limitations that hinder rehabilitation. Technologies like Kinect motion systems have been used to boost patient participation; however little is known about their experiences and perceptions. This study explores elderly burn patients’ experiences with Kinect-based motor rehabilitation. Method: This qualitative study was conducted in the spring of 2025 using a conventional content analysis approach. Participants were purposively selected from hospitalized older adults with burn injuries admitted to the Burn Unit of Imam Reza Hospital in Mashhad, Iran, all of whom had experience participating in a Kinect‑based technology‑assisted rehabilitation program. Data were collected through semi‑structured interviews. Following transcription, the data were managed in Microsoft Excel (version 2019) and systematically coded and categorized. Results: Analysis of 18 individual interviews and one focus group discussion yielded 215 initial codes, organized into four main categories and 12 subcategories. The four themes were: "from confusion to adaptation", "enhanced motivation and engagement in the treatment process", "perceived independence and self- efficacy", and "sense of safety and comfort with technology". Findings revealed that while the use of technology in rehabilitation was initially associated with feelings of unfamiliarity and anxiety, adaptation improved over time through increased selfconfidence and support from healthcare professionals and family members. Technology enhanced patients’ motivation, active participation, and adherence to rehabilitation exercises, making the process more enjoyable. Additionally, increased independence, improved selfefficacy, and reduced reliance on others emerged as key outcomes. Ultimately, the technology fostered a sense of safety and control, reduced stress and pain during exercises, and improved the overall rehabilitation experience. Conclusion: Kinect-based rehabilitation can enhance elderly burn victims’ participation, independence, and satisfaction; however, individual and contextual challenges must be addressed for effective use in this population. 265 276 2024/06/32025/06/12025/09/152025/09/29 1404/7/7 2024/12/92025/10/272025/12/82025/11/27 1404/9/6 کلثوم دلدار Kolsoum Deldar دکترای انفورماتیک پزشکی، استادیار گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شاهرود، شاهرود، ایران ایران deldark@gmail.com سیدحسن طاووسی Seyed Hasan Tavousi پزشک، دانشیار گروه جراحی عمومی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران TavoosiH@mums.ac.ir فرنوش خدابنده لو Farnoosh Khodabandeloo پزشک، گروه جراحی، دانشکده پزشکی، دانشگاه علوم پزشکی خراسان شمالی، بجنورد، ایران ایران f.khodabandeloo@yahoo.com محسن رخشا Mohsen Rakhsha پزشک، گروه جراحی، دانشکده پزشکی، دانشگاه علوم پزشکی خراسان شمالی، بجنورد، ایران ایران narges142001@yahoo.com راضیه فروتن Razieh Froutan دکترای پرستاری، دانشیار مرکز تحقیقات مراقبت‌های پرستاری و مامائی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران rfrotan@yahoo.com Rehabilitation Kinect Elderly Burns Qualitative Study Lived Experience توانبخشی کینکت سالمندان سوختگی مطالعه کیفی تجربه زیسته [1]. Sasani E, Jowkar S. Elderly Health Challenges in the Context of Sustainable Development J Alborz University Medical Journal 2025;14(2):202-16. [In Persian]##[2]. Samouei R, Keyvanara M. Explaining the Challenges of the Iranian Health System in the Face of Future Aging: Qualitative Study. Salmand: Iranian Journal of Ageing 2022; 16(4) :608-23. doi:10.32598/sija.2022.3270.1##[3]. Ageing [cited 2025 Dec 1]. Available from: https://www.who.int/health-topics/ageing#tab=tab_1##[4]. Abdolkarimi L, Taftachi F, Hayati F, Mehrpisheh S, Seify Moghadam N. Epidemiologic study of burns in elderly people over 60 years old. Tehran Univ Med J 2018;76(4):271-6. [In Persian]##[5]. Alipour J, Mehdipour Y, Karimi A. Epidemiology and outcome analysis of 3030 burn patients with an ICD-10 approach. Ann Burns Fire Disasters 2020;33(1):3-13.##[6]. Kruger E, Kowal S, Bilir SP, Han E, Foster K. Relationship between Patient Characteristics and Number of Procedures as well as Length of Stay for Patients Surviving Severe Burn Injuries: Analysis of the American Burn Association National Burn Repository. J Burn Care Res 2020;41(5):1037–44. doi: 10.1093/jbcr/iraa040##[7]. Eftekhari H, Sadeghi M, Mobayen M, Esmailzadeh M, Feizkhah A, Lahiji MS, et al. Epidemiology of chemical burns: An 11-year retrospective study of 126 patients at a referral burn centre in the north of Iran. Int Wound J 2023;20(7):2788-94. doi: 10.1111/iwj.14155##[8]. WHO(World Health Organization). Burns; 2018. [cited 2025 Dec 1]. Available from: https://www.who.int/news-room/fact-sheets/detail/burns##[9]. Abbasi H, Dehghani A, Mohammadi AA, Ghadimi T, Keshavarzi A. The Epidemiology of Chemical Burns Among the Patients Referred to Burn Centers in Shiraz, Southern Iran, 2008-2018. Bull Emerg Trauma 2021;9(4):195–200. doi: 10.30476/BEAT.2021.90754.1261##[10]. Parker A, Sricharoenchai T, Needham DM. Early Rehabilitation in the Intensive Care Unit: Preventing Physical and Mental Health Impairments. Curr Phys Med Rehabil Rep 2013;1(4):307-14. doi: 10.1007/s40141-013-0027-9##[11]. Gonzales JA, Dy Ching Bing-Agsaoay DO. Rehabilitation of Geriatric Burn Patient Post-Meek Micrograft with Bilateral Partial Calcanectomy: A Case Report. Acta Med Philipp 2024 ;58(1):79-83. doi: 10.47895/amp.vi0.6115##[12]. Rani M, Schwacha MG. Aging and the pathogenic response to burn. Aging Dis 2011;3(2):171–80.##[13]. Klein MB, Lezotte DC, Heltshe S, Fauerbach J, Holavanahalli RK, Rivara FP, et al. Functional and psychosocial outcomes of older adults after burn injury: results from a multicenter database of severe burn injury. J Burn Care Res 2011;32(1):66-78. doi: 10.1097/BCR.0b013e318203336a##[14]. Duke JM, Boyd JH, Rea S, Randall SM, Wood FM. Long-term mortality among older adults with burn injury: a population-based study in Australia. Bull World Health Organ 2015;93(6):400–6. doi: 10.2471/BLT.14.149146##[15]. Mandell SP, Pham T, Klein MB. Repeat hospitalization and mortality in older adult burn patients. J Burn Care Res 2013;34(1):e36-41. ##[16]. Romanowski KS. Factors Associated with the Rehabilitation of the Older Adult Burn Patient. Phys Med Rehabil Clin N Am 2023;34(4):839-48. doi: 10.1016/j.pmr.2023.06.032##[17]. World Health Organization(WHO). Rehabilitation: fact sheet; 2024 [cited 2025 Dec 1]. Available from: https://www.who.int/news-room/fact-sheets/detail/rehabilitation.##[18]. Agres K, Herremans D. Music and motion-detection: A game prototype for rehabilitation and strengthening in the elderly. International Conference on Orange Technologies (ICOT); 2017 Dec 8-10; Singapore: IEEE; 2017. doi: 10.1109/ICOT.2017.8336097##[19]. Yousefi Babadi S, Daneshmandi H. Effects of virtual reality versus conventional balance training on balance of the elderly. Exp Gerontol 2021:153:111498. doi: 10.1016/j.exger.2021.111498##[20]. Baragash RS, Aldowah H, Ghazal S. Virtual and augmented reality applications to improve older adults' quality of life: A systematic mapping review and future directions. Digit Health 2022:8:20552076221132099. doi: 10.1177/20552076221132099##[21]. Santos I, Ferreira MC, Fernandes CS. Technological resources in the rehabilitation of adult burn patients: A scoping review. Burns 2025;51(7):107612. doi: 10.1016/j.burns.2025.107612##[22]. Zhang S, Qian G, Xu H, Gu M, Mao S, Wang Y, et al. Effects of different exercise modalities on balance performance in healthy older adults: a systematic review and network meta-analysis of randomized controlled trials. BMC Geriatr 2025;25(1):570. doi: 10.1186/s12877-025-06212-0##[23]. Bonnechère B, Jansen B, Omelina L, Van Sint Jan S. The use of commercial video games in rehabilitation: a systematic review. Int J Rehabil Res 2016;39(4):277-90. doi: 10.1097/MRR.0000000000000190##[24]. Almasi S, Ahmadi H, Asadi F, Shahmoradi L, Arji G, Alizadeh M, et al. Kinect-Based Rehabilitation Systems for Stroke Patients: A Scoping Review. Biomed Res Int 2022:2022:4339054. doi: 10.1155/2022/4339054##[25]. Avci Trakyali A, Kaya T, Ince B. Effects of an exercise program combining unsupervised home exercises and supervised group-based exercises on fall-related variables in older adults: a randomized controlled trial. Eur Geriatr Med 2023;14(1):59-67. doi: 10.1007/s41999-022-00724-3##[26]. Junior HO, Lopes DR, Castro JF, Ramos Pd, Oliveira AG, Lopes AJ. Applicability of the Kinect Sensor in the Rehabilitation of Balance Control in the Elderly: A Pilot Study. Asian J Sports Med 2018;9(4):e82017.https://doi.org/10.5812/asjsm.82017. ##[27]. Zheng L, Li G, Wang X, Yin H, Jia Y, Leng M, et al. Effect of exergames on physical outcomes in frail elderly: a systematic review. Aging Clin Exp Res 2020;32(11):2187-200. doi: 10.1007/s40520-019-01344-x##[28]. Graneheim UH, Lundman B. Qualitative content analysis in nursing research: concepts, procedures and measures to achieve trustworthiness. Nurse Educ Today 2004;24(2):105-12. doi: 10.1016/j.nedt.2003.10.001##[29]. Davis FD. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly 1989;13(3):319-40.##[30]. Mitzner TL, McBride SE, Barg-Walkow LH, Rogers WA. Self-Management of Wellness and Illness in an Aging Population. Reviews of Human Factors and Ergonomics 2013;8(1):277-333. https://doi.org/10.1177/1557234X134929##[31]. Barnard Y, Bradley MD, Hodgson F, Lloyd AD. Learning to use new technologies by older adults: Perceived difficulties, experimentation behaviour and usability. Computers in Human Behavior 2013;29(4):1715-24. https://doi.org/10.1016/j.chb.2013.02.006##[32]. Hughes S, Warren-Norton K, Spadafora P, Tsotsos LE. Supporting Optimal Aging through the Innovative Use of Virtual Reality Technology. Multimodal Technol Interact 2017; 1(4): 23. https://doi.org/10.3390/mti1040023##[33]. Høeg ER, Andersen NB, Malmkjær N, Vaaben AH, Uth J. Hospitalized older adults' experiences of virtual reality-based group exercise therapy with cycle ergometers: An early feasibility study. Computers in Human Behavior Reports 2023;11:100301. doi:10.1016/j.chbr.2023.100301##[34]. Mubin O, Alnajjar F, Jishtu N, Alsinglawi B, Al Mahmud A. Exoskeletons With Virtual Reality, Augmented Reality, and Gamification for Stroke Patients’ Rehabilitation: Systematic Review. JMIR Rehabil Assist Technol 2019;6(2):e12010. doi: 10.2196/12010##[35]. Szturm T, Betker AL, Moussavi Z, Desai A, Goodman V. Effects of an Interactive Computer Game Exercise Regimen on Balance Impairment in Frail Community-Dwelling Older Adults: A Randomized Controlled Trial. Phys Ther 2011;91(10):1449-62. doi: 10.2522/ptj.20090205##[36]. Lan X, Tan Z, Zhou T, Huang Z, Huang Z, Wang C, et al. Use of Virtual Reality in Burn Rehabilitation: A Systematic Review and Meta-analysis. Arch Phys Med Rehabil 2023;104(3):502-13. doi: 10.1016/j.apmr.2022.08.005##[37]. Ryan RM, Deci EL. Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist 2000;55(1):68-78.##[38]. Nazima B, Alia T, Alia T, Nazia T, Bibi S, Saeeda A. The Role of Self-Efficacy in Predicting Psychological Well-Being and Physical Recovery among Patients with Burn Injuries in Peshawar, Pakistan. Dialogue Social Science Review 2025;2(4):658-84.##[39]. Bandura A. Self-efficacy: Toward a unifying theory of behavioral change. Psychol Rev 1977;84(2):191-215. doi: 10.1037//0033-295x.84.2.191##[40]. Türkmen Keskin S, Sönmez Sari E, Canbulat Ş, Öztürk F. Fear of Falling Avoidance Behavior on Daily Living Activities and Physical Activity in Older Adults: A Cross-Sectional Study. Nurs Health Sci 2025;27(1):e70060. doi: 10.1111/nhs.70060## ##

مرور نقادانه نوآوری‌های هوش مصنوعی در پیش‌بینی سمیت و مراقبت‌های شخصی‌سازی‌شده A Narrative Critical Review of AI Innovations in Toxicity Prediction and Personalized Healthcare 1 1 مقدمه: سم‌شناسی پیش‌بینانه با بهره‌گیری از هوش مصنوعی(Artificial Intelligence) AI به‌عنوان یک رویکرد نوین، امکان ارزیابی سریع، دقیق و مقرون‌به‌صرفه سمیت مواد شیمیایی، داروها و آلاینده‌های محیطی را فراهم کرده است. این حوزه با کاهش وابستگی به آزمون‌های سنتی آزمایشگاهی و حیوانی، نقش مهمی در توسعه دارو، پزشکی شخصی‌سازی‌شده و ارتقای سلامت محیطی ایفا می‌کند. هدف از این مطالعه، مرور نقادانه پیشرفت‌های اخیر در کاربردهای هوش مصنوعی در سم‌شناسی پیش‌بینانه و بررسی فرصت‌ها و چالش‌های موجود در این زمینه است. روش کار: این مرور نقادانه روایی با جستجوی سیستماتیک در پایگاه‌های علمی PubMed، Scopus، ScienceDirect و Google Scholar انجام شد. کلیدواژه‌هایی نظیر Artificial Intelligence، Predictive Toxicology و Personalized Medicine برای شناسایی مقالات مرتبط استفاده شدند. مقالات بر اساس معیارهای ورود (تمرکز بر روش‌های یادگیری ماشین، انتشار از 2000 به بعد، دسترسی به متن کامل) و خروج (مقالات غیرمرتبط یا فاقد داده‌های تجربی) انتخاب و به‌صورت انتقادی بررسی شدند. یافته‌ها: الگوریتم‌های یادگیری ماشین و یادگیری عمیق، مدل‌های پیش‌بینانه مانند QSAR، سم‌ژن‌شناسی و مدل‌سازی مولکولی را تقویت کرده‌اند. این فناوری‌ها دقت پیش‌بینی سمیت را افزایش داده، غربالگری ترکیبات را تسریع کرده و نیاز به آزمایش‌های حیوانی را کاهش داده‌اند. در پزشکی شخصی، AI با تحلیل پروفایل‌های ژنتیکی، سمیت داروها را پیش‌بینی و دوزهای درمانی را بهینه می‌کند. در سلامت محیطی، داده‌های حسگرهای پوشیدنی برای پایش اثرات آلاینده‌ها تحلیل می‌شوند. چالش‌هایی مانند کمبود داده‌های باکیفیت، تفسیرپذیری محدود مدل‌ها و موانع نظارتی همچنان وجود دارند. نتیجه‌گیری: هوش مصنوعی ظرفیت بالایی برای تحول سم‌شناسی پیش‌بینانه و ارتقای ایمنی انسان و محیط زیست دارد. استانداردسازی داده‌ها، توسعه مدل‌های هوش مصنوعی قابل توضیح و تدوین چارچوب‌های نظارتی کارآمد، برای بهره‌برداری کامل از این فناوری ضروری است. جهت‌گیری‌های آینده شامل پایش بلادرنگ سمیت و ادغام هوش مصنوعی با فناوری‌های نوظهور مانند CRISPR خواهد بود. این رویکردها می‌توانند به تصمیم‌گیری دقیق‌تر، کاهش عدم‌قطعیت در ارزیابی ریسک و تسریع گذار به سم‌شناسی پیشگیرانه و شخصی‌سازی‌شده منجر شوند. 2 Introduction: Predictive toxicology utilizing artificial intelligence (AI) enables rapid, accurate, and cost-effective assessment of the toxicity of chemicals, pharmaceuticals, and environmental pollutants. By reducing reliance on traditional in vitro and animal testing, this field plays a critical role in drug development, personalized medicine, and environmental health. This study reviews recent advances in AI applications in predictive toxicology and examines the associated opportunities and challenges. Method: This narrative critical review was conducted through a systematic search of scientific databases, including PubMed, Scopus, ScienceDirect, and Google Scholar. Keywords such as "Artificial Intelligence", "Predictive Toxicology," and "Personalized Medicine" were used to identify relevant articles. Articles were selected based on inclusion criteria (focusing on machine learning methods, published from 2000 onward, and full-text availability) and exclusion criteria (irrelevant articles or those lacking experimental data), and were critically evaluated. Results: Machine learning and deep learning algorithms have enhanced predictive models such as QSAR, toxicogenomics, and molecular modeling. These technologies have improved the accuracy of toxicity predictions, accelerated compound screening, and reduced the need for animal testing. In personalized medicine, AI predicts drug toxicity and optimizes therapeutic dosages by analyzing genetic profiles. In environmental health, wearable sensor data are analyzed to monitor the pollution effects. However, challenges include limited high-quality data, restricted model interpretability, and regulatory barriers. Conclusion: Artificial intelligence has significant potential to transform predictive toxicology and enhance human and environmental safety. To fully harness this technology, data standardization, the development of explainable AI models, and the establishment of effective regulatory frameworks are essential. Future directions include real-time toxicity monitoring and the integration of AI with emerging technologies such as CRISPR. These approaches can lead to more informed decision-making, reduced uncertainty in risk assessment, and an accelerated transition toward preventive and personalized toxicology. 277 293 2024/06/32025/06/12025/09/152025/09/292025/07/13 1404/4/22 2024/12/92025/10/272025/12/82025/11/272025/11/11 1404/8/20 سکینه خنامانی فلاحتی پور Sakineh Khanamani Falahatipour استادیار، گروه علوم زیستی مقایسه ای، دانشکده دامپزشکی دانشگاه تهران، تهران، ایران ایران falahatipour@ut.ac.ir مطهره سلطانی Motahareh Soltani Researcher, Pistachio Safety Research Center, Rafsanjan University of Medical Sciences, Rafsanjan, Iran ایران motahareh.soltani@gmail.com سمیه کرمی مهاجری Somayyeh Karami-Mohajeri دانشیار، مرکز تحقیقات فارماسیوتیکس، پژوهشکده نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران somayyehkarami3@gmail.com امیررضا قاسملو Amirreza Ghasemloo پژوهشگر، دانشکده علوم ریاضیات و کامپیوتر ، دانشگاه خوارزمی، تهران، ایران ایران ar.ghassemlou.2015@gmail.com سوده خنامانی فلاحتی پور Soudeh Khanamani Falahati-pour دانشیار، مرکز تحقیقات سلامت پسته، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران ایران FALAHATI7777@yahoo.com سلیمه خنامانی فلاحتی پور Salimeh Khanamani Falahatipour پژوهشگر، گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران ایران Sali.falahati@gmail.com زهره عقابیان Zohreh Oghabian استادیار، مرکز تحقیقات فارماسیوتیکس، پژوهشکده نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران zoghabian@yahoo.com Artificial Intelligence Toxicity Prediction Personalized Medicine Machine Learning Toxicogenomics Molecular Modeling هوش مصنوعی پیش‌بینی سمیت پزشکی شخصی‌سازی‌شده یادگیری ماشین سم‌ژن‌شناسی مدل‌سازی مولکولی [1]. Luechtefeld T, Marsh D, Rowlands C, Hartung T. Machine learning of toxicological big data enables read-across structure activity relationships (RASAR) outperforming animal test reproducibility. Toxicol Sci 2018;165(1):198-212. doi: 10.1093/toxsci/kfy152##[2]. Hartung T. Toxicology for the twenty-first century. Nature 2009;460(7252):208-12. doi: 10.1038/460208a##[3]. Basketter D, Clewell H, Kimber I, Rossi A, Blaauboer B, Burrier R, et al. A roadmap for the development of alternative (non-animal) methods for systemic toxicity testing. ALTEX 2012;29(1):3-91. doi: 10.14573/altex.2012.1.003 ##[4]. Worth AP, Patlewicz G. Integrated approaches to testing and assessment. Adv Exp Med Biol 2016:856:317-342. doi: 10.1007/978-3-319-33826-2_13##[5]. Leist M, Ghallab A, Graepel R, Marchan R, Hassan R, Bennekou SH, et al. Adverse outcome pathways: opportunities, limitations and open questions. Arch Toxicol 2017;91(11):3477-505. doi: 10.1007/s00204-017-2045-3##[6]. Langley G, Austin CP, Balapure AK, Birnbaum LS, Bucher JR, Fentem J, et al. Lessons from toxicology: developing a 21st-century paradigm for medical research. Environ Health Perspect 2015;123(11):A268–A72. doi: 10.1289/ehp.1510345 ##[7]. Luechtefeld T, Rowlands C, Hartung T. Big-data and machine learning to revamp computational toxicology and its use in risk assessment. Toxicology Research 2018;7(5):732-44. https://doi.org/10.1039/C8TX00051D##[8]. Vamathevan J, Clark D, Czodrowski P, Dunham I, Ferran E, Lee G, et al. Applications of machine learning in drug discovery and development. Nat Rev Drug Discov 2019;18(6):463-77. doi: 10.1038/s41573-019-0024-5##[9]. Mayr A, Klambauer G, Unterthiner T, Hochreiter S. DeepTox: toxicity prediction using deep learning. Front Environ Sci 2016;3:80. https://doi.org/10.3389/fenvs.2015.00080##[10]. Guo W, Liu J, Dong F, Song M, Li Z, Khan MK, Patterson TA, Hong H. Review of machine learning and deep learning models for toxicity prediction. Experimental Biology and Medicine 2023;248(21):1952-73. https://doi.org/10.1177/15353702231209##[11]. Cavasotto CN, Scardino V. Machine learning toxicity prediction: latest advances by toxicity end point. ACS Omega. 2022;7(51):47536-46. doi: 10.1021/acsomega.2c05693##[12]. Pérez Santín E, Rodríguez Solana R, González García M, García Suárez MD, Blanco Díaz GD, Cima Cabal MD, et al. Toxicity prediction based on artificial intelligence: A multidisciplinary overview. Wiley Interdisciplinary Reviews: Computational Molecular Science 2021;11(5):e1516. https://doi.org/10.1002/wcms.1516##[13]. Hartung T. Artificial intelligence as the new frontier in chemical risk assessment. Front Artif Intell 2023:6:1269932. doi: 10.3389/frai.2023.1269932##[14]. Lin Z, Chou WC. Machine learning and artificial intelligence in toxicological sciences. Toxicol Sci 2022;189(1):7-19. doi: 10.1093/toxsci/kfac075##[15]. Leach AR, Gillet VJ. An introduction to chemoinformatics. Springer; 2007.##[16]. Bohr H. Drug discovery and molecular modeling using artificial intelligence. Artificial Intelligence in Healthcare: Elsevier; 2020. p. 61-83. doi:10.1016/B978-0-12-818438-7.00003-4##[17]. Adelusi TI, Oyedele AQ, Boyenle ID, Ogunlana AT, Adeyemi RO, Ukachi CD, et al. Molecular modeling in drug discovery. Informatics in Medicine Unlocked. 2022;29:100880. doi:10.1016/j.imu.2022.100880##[18]. Aminpour M, Montemagno C, Tuszynski JA. An overview of molecular modeling for drug discovery with specific illustrative examples of applications. Molecules 2019;24(9):1693. doi: 10.3390/molecules24091693##[19]. Kubicki J, Bleam W. An introduction to molecular modeling. 2003.##[20]. Knegtel RM, Kuntz ID, Oshiro C. Molecular docking to ensembles of protein structures. J Mol Biol 1997;266(2):424-40. doi: 10.1006/jmbi.1996.0776##[21]. Kavlock RJ, Ankley G, Blancato J, Breen M, Conolly R, Dix D, et al. Computational toxicology—a state of the science mini review. Toxicol Sci 2008;103(1):14-27. doi: 10.1093/toxsci/kfm297 ##[22]. Prieto-Martínez FD, Arciniega M, Medina-Franco JL. Molecular docking: current advances and challenges. TIP Revista Especializada en Ciencias Químico-Biológicas 2018;21. doi:10.22201/fesz.23958723e.2018.0.143##[23]. Raval K, Ganatra T. Basics, types and applications of molecular docking: A review. IP International Journal of Comprehensive and Advanced Pharmacology 2022;7(1):12-6. doi:10.18231/j.ijcaap.2022.003##[24]. Kumari I, Sandhu P, Ahmed M, Akhter Y. Molecular dynamics simulations, challenges and opportunities: A biologist's prospective. Curr Protein Pept Sci 2017;18(11):1163-79. doi: 10.2174/1389203718666170622074741##[25]. Dudek AZ, Arodz T, Gálvez J. Computational methods in developing quantitative structure-activity relationships (QSAR): a review. Comb Chem High Throughput Screen 2006;9(3):213-28. doi: 10.2174/138620706776055539##[26]. Simões RS, Maltarollo VG, Oliveira PR, Honorio KM. Transfer and multi-task learning in QSAR modeling: advances and challenges. Front Pharmacol 2018:9:74. doi: 10.3389/fphar.2018.00074##[27]. Haleem A, Javaid M, Khan IH. Current status and applications of Artificial Intelligence (AI) in medical field: An overview. Current Medicine Research and Practice 2019;9(6):231-7. doi:10.1016/j.cmrp.2019.11.005##[28]. Cherkasov A, Muratov EN, Fourches D, Varnek A, Baskin II, Cronin M, et al. QSAR modeling: where have you been? Where are you going to? J Med Chem 2014;57(12):4977-5010. doi: 10.1021/jm4004285##[29]. Deo RC. Machine learning in medicine. Circulation 2015;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593##[30]. Le T, Epa VC, Burden FR, Winkler DA. Quantitative structure–property relationship modeling of diverse materials properties. Chem Rev 2012;112(5):2889-919. ## [31]. Popova M, Ginsburg B, Tropsha A, Isayev O. OpenChem: a deep learning toolkit for computational chemistry and drug design. 2020. doi:10.26434/chemrxiv.12691943##[32]. Correia J, Capela J, Rocha M. Deepmol: an automated machine and deep learning framework for computational chemistry. J Cheminform 2024 ;16(1):136. doi: 10.1186/s13321-024-00937-7##[33]. Ramsundar B. Molecular machine learning with DeepChem [dissertation]. Stanford: Stanford University; 2018.##[34]. Gilmer J, Schoenholz SS, Riley PF, Vinyals O, Dahl GE. Neural message passing for quantum chemistry. Proceedings of the 34th International Conference on Machine Learning; 2017 Jul 17; PMLR; 2017. p. 1263-72.##[35]. Zhou H, Mayorga-Martinez CC, Pané S, Zhang L, Pumera M. Magnetically driven micro and nanorobots. Chem Rev 2021;121(8):4999-5041. doi: 10.1021/acs.chemrev.0c01234##[36]. Tieghi R, Rath M, Moreira-Filho J, Wellnitz J, Martin H-J, Gates K, et al. PregPred: an In-Silico Alternative to Animal Testing for Predicting Developmental Toxicity Potential. Biological and Medicinal Chemistry 2024. doi:10.26434/chemrxiv-2024-b0m7w##[37]. Tropsha A. Best practices for QSAR model development, validation, and exploitation. Mol Inform 2010;29(6-7):476-88. doi: 10.1002/minf.201000061##[38]. Svetnik V, Liaw A, Tong C, Culberson JC, Sheridan RP, Feuston BP. Random forest: a classification and regression tool for compound classification and QSAR modeling. J Chem Inf Comput 2003;43(6):1947-58. doi: 10.1021/ci034160g##[39]. Czermiński R, Yasri A, Hartsough D. Use of support vector machine in pattern classification: Application to QSAR studies. Quantitative Structure‐Activity Relationships 2001;20(3):227-40. doi:10.1002/1521-3838(200110)20:3<227::AID-QSAR227>3.0.CO;2-Y##[40]. Xu Y, Pei J, Lai L. Deep learning based regression and multiclass models for acute oral toxicity prediction with automatic chemical feature extraction. J Chem Inf Model 2017;57(11):2672-85. doi: 10.1021/acs.jcim.7b00244##[41]. Nuwaysir EF, Bittner M, Trent J, Barrett JC, Afshari CA. Microarrays and toxicology: the advent of toxicogenomics. Mol Carcinog 1999;24(3):153-9. doi: 10.1002/(sici)1098-2744(199903)24:3<153::aid-mc1>3.0.co;2-p##[42]. Alexander-Dann B, Pruteanu LL, Oerton E, Sharma N, Berindan-Neagoe I, Módos D, Bender A. Developments in toxicogenomics: understanding and predicting compound-induced toxicity from gene expression data. Mol Omics 2018;14(4):218-36. doi: 10.1039/c8mo00042e##[43]. Goh GB, Hodas NO, Vishnu A. Deep learning for computational chemistry. J Comput Chem 2017;38(16):1291-1307. doi: 10.1002/jcc.24764##[44]. Kitano H. Systems biology: a brief overview. Science 2002;295(5560):1662-4. doi: 10.1126/science.1069492##[45]. Suga T, Yamaguchi H, Ogura J, Shoji S, Maekawa M, Mano N. Altered bile acid composition and disposition in a mouse model of non-alcoholic steatohepatitis. Toxicol Appl Pharmacol 2019:379:114664. doi: 10.1016/j.taap.2019.114664##[46]. Pinu FR, Beale DJ, Paten AM, Kouremenos K, Swarup S, Schirra HJ, et al. Systems biology and multi-omics integration: viewpoints from the metabolomics research community. Metabolites 2019;9(4):76. doi: 10.3390/metabo9040076##[47]. Bai C, Wu L, Li R, Cao Y, He S, Bo X. Machine Learning‐Enabled Drug‐Induced Toxicity Prediction. Adv Sci (Weinh) 2025;12(16):e2413405. doi: 10.1002/advs.202413405##[48]. Tice RR, Austin CP, Kavlock RJ, Bucher JR. Improving the human hazard characterization of chemicals: a Tox21 update. Environ Health Perspect 2013;121(7):756-65. doi: 10.1289/ehp.1205784##[49]. Kim S, Chen J, Cheng T, Gindulyte A, He J, He S, et al. PubChem 2019 update: improved access to chemical data. Nucleic Acids Res 2019;47(D1):D1102-D9. ##[50]. Gaulton A, Hersey A, Nowotka M, Bento AP, Chambers J, Mendez D, et al. The ChEMBL database in 2017. Nucleic Acids Res 2017;45(D1):D945-D54. doi: 10.1093/nar/gkw1074##[51]. Wishart DS, Feunang YD, Guo AC, Lo EJ, Marcu A, Grant JR, et al. DrugBank 5.0: a major update to the DrugBank database for 2018. Nucleic Acids Res 2018;46(D1):D1074-D82. doi: 10.1093/nar/gkx1037##[52]. Yang H, Lou C, Li W, Liu G, Tang Y. Computational approaches to identify structural alerts and their applications in environmental toxicology and drug discovery. Chem. Res. Toxicol 2020; 33(6): 1312–22. https://doi.org/10.1021/acs.chemrestox.0c00006##[53]. Wilkinson MD. The FAIR Guiding Principle for Scientific Data Management and Stewardship: Comment. Sci Data 2016:3:160018. doi: 10.1038/sdata.2016.18##[54]. Fourches D, Muratov E, Tropsha A. Trust, but verify: on the importance of chemical structure curation in cheminformatics and QSAR modeling research. J Chem Inf Model 2010;50(7):1189-204. doi: 10.1021/ci100176x##[55]. Jeong J, Choi J. Artificial intelligence-based toxicity prediction of environmental chemicals: future directions for chemical management applications. Environ Sci Technol 2022;56(12):7532-43. doi: 10.1021/acs.est.1c07413##[56]. Aliabad HB, Mohamadi M, Falahati-Pour SK, Hajizadeh MR, Abdollahdokht D, Nematollahi MH, et al. Interaction of a vanadyl schiff base complex with DNA and BSA: a combination of experimental and computational studies. Anticancer Agents Med Chem 2021;21(5):630-639. doi: 10.2174/1871520620666200721105134 ##[57]. Askari N, Parvizpour S, Marashi SMB, Baghery F, Khanamani Falahati-pour S. In vitro and Pharmacoinformatics-based phytochemical screening for anticancer impacts of pistachio hull essential oil on AGS, PLC/PRF/5, and CACO2 cell lines. Mol Biol Rep 2023;50(1):465-73. doi: 10.1007/s11033-022-07980-3##[58]. Falahati-Pour SK, Torabizadeh SA, Baghery F, Noroozi-Karimabad M. Pistacia vera and its Combination with Cisplatin: A Potential Anticancer Candidate by Modulating Apoptotic Genes. Anticancer Agents Med Chem 2024;24(16):1233-40. doi: 10.2174/0118715206296649240625072637##[59]. Athreya AP, Neavin D, Carrillo‐Roa T, Skime M, Biernacka J, Frye MA, et al. Pharmacogenomics‐driven prediction of antidepressant treatment outcomes: a machine‐learning approach with multi‐trial replication. Clinical Pharmacology & Therapeutics 2019;106(4):855-65. ##https://doi.org/10.1002/cpt.1482##[60]. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 2019;25(1):44-56. doi: 10.1038/s41591-018-0300-7##[61]. Pantuck AJ, Lee DK, Kee T, Wang P, Lakhotia S, Silverman MH, et al. Modulating BET bromodomain inhibitor ZEN‐3694 and enzalutamide combination dosing in a metastatic prostate cancer patient using CURATE. AI, an artificial intelligence platform. Advanced Therapeutics 2018;1(6):1800104. https://doi.org/10.1002/adtp.201800104##[62]. Lim JJ, Goh J, Rashid MB, Chow EK. Maximizing efficiency of artificial intelligence‐driven drug combination optimization through minimal resolution experimental design. Advanced Therapeutics. 2020;3(4):1900122. https://doi.org/10.1002/adtp.201900122##[63]. Fan Z, Yan Z, Wen S. Deep learning and artificial intelligence in sustainability: a review of SDGs, renewable energy, and environmental health. Sustainability 2023;15(18):13493. https://doi.org/10.3390/su151813493##[64]. Seshadri DR, Li RT, Voos JE, Rowbottom JR, Alfes CM, Zorman CA, et al. Wearable sensors for monitoring the physiological and biochemical profile of the athlete. NPJ Digit Med 2019:2:72. doi: 10.1038/s41746-019-0150-9##[65]. Yang T, Jiang L, Han Y, Liu J, Wang X, Yan X, et al. Linking aerosol characteristics of size distributions, core potential pathogens and toxic metal (loid) s to wastewater treatment process. Environ Pollut 2020:264:114741. doi: 10.1016/j.envpol.2020.114741##[66]. Kang MG, Kang NS. Predictive model for drug-induced liver injury using deep neural networks based on substructure space. Molecules 2021;26(24):7548. doi: 10.3390/molecules26247548##[67]. Pu L, Naderi M, Liu T, Wu H-C, Mukhopadhyay S, Brylinski M. eToxPred: a machine learning-based approach to estimate the toxicity of drug candidates. BMC Pharmacology and Toxicology 2019;20(2):1-15.##[68]. Chen HJ, Ip SW, Lin FD. Simultaneous mass spectrometric analysis of methylated and ethylated peptides in human hemoglobin: Correlation with cigarette smoking. Chem Res Toxicol 2017;30(11):2074 83. doi: 10.1021/acs.chemrestox.7b00234##[69]. Jaganathan K, Tayara H, Chong KT. An explainable supervised machine learning model for predicting respiratory toxicity of chemicals using optimal molecular descriptors. Pharmaceutics 2022;14(4):832. doi: 10.3390/pharmaceutics14040832##[70]. Xu Y, Dai Z, Chen F, Gao S, Pei J, Lai L. Deep learning for druginduced liver injury. J Chem Inf Model 2015 Oct 26;55(10):2085-93. doi: 10.1021/acs.jcim.5b00238##[71]. Adadi A, Berrada M. Peeking inside the black-box: a survey on explainable artificial intelligence (XAI). IEEE Access 2018;6:52138-60.##[72]. Tran TT, Surya Wibowo A, Tayara H, Chong KT. Artificial intelligence in drug toxicity prediction: recent advances, challenges, and future perspectives. J Chem Inf Model 2023;63(9):2628-43. doi: 10.1021/acs.jcim.3c00200##[73]. Hartung T. ToxAIcology - The evolving role of artificial intelligence in advancing toxicology and modernizing regulatory science. ALTEX 2023;40(4):559-70. doi: 10.14573/altex.2309191 ##[74]. Singh AV, Chandrasekar V, Paudel N, Laux P, Luch A, Gemmati D, et al. Integrative toxicogenomics: Advancing precision medicine and toxicology through artificial intelligence and OMICs technology. Biomed Pharmacother 2023:163:114784. doi: 10.1016/j.biopha.2023.114784##[75]. Arnaud F, Pignol C, Stéphan P, Develle AL, Sabatier P, Evrard O, et al. From core referencing to data re-use: two French national initiatives to reinforce paleodata stewardship (National Cyber Core Repository and LTER France Retro-Observatory). 5th PAGES Open Science Meeting; May 2017; Zaragoza, Spain: 2017.##[76]. Joshi G, Jain A, Araveeti SR, Adhikari S, Garg H, Bhandari M. FDA-approved artificial intelligence and machine learning (AI/ML)-enabled medical devices: an updated landscape. Electronics 2024;13(3):498. https://doi.org/10.3390/electronics13030498##[77]. Vinken M, Benfenati E, Busquet F, Castell J, Clevert DA, de Kok TM, et al. Safer chemicals using less animals: kick-off of the European ONTOX project. Toxicology 2021;458:152846. doi: 10.1016/j.tox.2021.152846##[78]. Fuchs F, Marx U, Akabane T, Andersson T, Baker E, Beilmann M, et al. Biology-Inspired Microphysiological Systems to Advance Medicines for Patients Benefit. Biology-Inspired Microphysiological Systems to Advance Medicines for Patients Benefit and Animal Welfare. 2020.##[79]. Wang H, Liu R, Schyman P, Wallqvist A. Deep neural network models for predicting chemically induced liver toxicity endpoints from transcriptomic responses. Front Pharmacol 2019:10:42. doi: 10.3389/fphar.2019.00042##[80]. Mak KK, Pichika MR. Artificial intelligence in drug development: present status and future prospects. Drug Discov Today 2019;24(3):773-780.##[81]. Crobeddu B, Jutras-Carignan A, Kolasa É, Mounier C, Robaire B, Plante I. Gestational and lactational exposure to the emergent alternative plasticizer 1, 2-cyclohexane dicarboxylic acid diisononyl ester (DINCH) impairs lipid metabolism to a greater extent than the commonly used di (2-ethylhexyl) phthalate (DEHP) in the adult rat mammary gland. Toxicol Sci##2022;189(2):268-86. doi: 10.1093/toxsci/kfac076##[82]. Maertens A, Golden E, Luechtefeld TH, Hoffmann S, Tsaioun K, Hartung T. Probabilistic risk assessment–the keystone for the future of toxicology. ALTEX 2022;39(1):3-29. doi: 10.14573/altex.2201081##[83]. Madabhushi A, Lee G. Image analysis and machine learning in digital pathology: Challenges and opportunities. Medical Image Analysis 2016;33:170-5. doi:10.1016/j.media.2016.06.037##[84]. Schneider G, Clark DE. Automated de novo drug design: are we nearly there yet? Angew Chem Int Ed Engl 2019;58(32):10792-803. doi: 10.1002/anie.201814681##[85]. Allen F, Crepaldi L, Alsinet C, Strong AJ, Kleshchevnikov V, De Angeli P, et al. Predicting the mutations generated by repair of Cas9-induced double-strand breaks. Nat Biotechnol 2018:10.1038/nbt.4317. doi: 10.1038/nbt.4317##[86]. Nakamura K, Ishii Y, Takasu S, Nohmi T, Shibutani M, Ogawa K. Lack of in vivo mutagenicity of acetamide in a 13-week comprehensive toxicity study using F344 gpt delta rats. Toxicol Sci 2020;177(2):431-40. doi: 10.1093/toxsci/kfaa126##[87]. Jiménez-Luna J, Grisoni F, Schneider G. Drug discovery with explainable artificial intelligence. Nature Machine Intelligence 2020;2(10):573-84.##[88]. Ring C, Sipes NS, Hsieh JH, Carberry C, Koval LE, Klaren WD, et al. Predictive modeling of biological responses in the rat liver using in vitro Tox21 bioactivity: Benefits from high-throughput toxicokinetics. Comput Toxicol 2021:18:100166. doi: 10.1016/j.comtox.2021.100166## ##

راندهای بالینی مبتنی بر پزشکی از راه دور: راهکاری برای ارتقای ایمنی بیماران در بیمارستان‌های آموزشی Telemedicine-Based Clinical Rounds: A Strategy for Enhancing Patient Safety in Teaching Hospitals 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. 294 297 2024/06/32025/06/12025/09/152025/09/292025/07/132025/10/6 1404/7/14 2024/12/92025/10/272025/12/82025/11/272025/11/112025/12/7 1404/9/16 امین بیگ زاده Amin Beigzadeh دکتری تخصصی آموزش پزشکی، استادیار، مرکز مطالعات و توسعه آموزش پزشکی، دانشکده علوم پزشکی سیرجان، سیرجان، ایران ایران beigzadeh.amin@gmail.com مهدیه منتظری Mahdieh Montazeri دکتری تخصصی انفورماتیک پزشکی، استادیار، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران Mahdiehmontazeri@yahoo.com Medical Education Telemedicine Health Informatics Clinical Rounds آموزش پزشکی پزشکی از راه دور انفورماتیک سلامت راند بالینی [1]. Palojoki S, Lehtonen L, Vuokko R. Validation of Telehealth Outcome Categories for Patient Safety: Systematic Literature Review. JMIR Med Inform 2025:13:e75486. doi: 10.2196/75486##[2]. Yamani N, Bahmanbijari B, Adibi P, Delzendeh M, Beigzadeh A. Assessing the Efficacy of Clinical Rounds for Medical Learners at Different Educational Levels Using Clinical Training Models: A Quasi-Experimental Study. Journal of Isfahan Medical School 2025;43(806):167-77. [In Persian]. doi: https://doi.org/10.48305/jims.v43.i806.0167##[3]. Beigzadeh A, Yamani N, Sharifpoor E, Bahaadinbeigy K, Adibi P. Teaching and learning in clinical rounds: a qualitative meta-analysis. Journal of Emergency Practice and Trauma 2021;7(1):46-55. https://doi.org/10.34172/jept.2020.32##[4]. Wei G, Arya R, Ritz ZT, He AS, Ohman-Strickland PA, McCoy JV. How does emergency department crowding affect medical student test scores and clerkship evaluations? West J Emerg Med 2015;16(6):913-8. doi: https://doi.org/10.5811/westjem.2015.10.27242##[5]. Ahmadabadi MN, Parsaei A, Sherafati A, Karimi H, Hejri SM, Pazooki B. Determining the Prevalence of Burnout Among Medical Students Using Maslach Burnout Inventory: A Cross-sectional Study. Journal of Iranian Medical Council 2022;5(1):48-55. doi: https://doi.org/10.18502/jimc.v5i1.9569##[6]. Beigzadeh A, Yamani N, Bahaadinbeigy K, Adibi P. Challenges and strategies of clinical rounds from the perspective of medical students: A qualitative research. Journal of Education and Health Promotion 2021;11(1):1-2. doi: https://doi.org/10.4103/jehp.jehp_104_20.##[7]. Yamani N, Delzendeh M, Bazrafshan M, Adibi P, Beigzadeh A. The Use of the Analytic Hierarchy Process Approach in Prioritizing Clinical Education Problems from the Perspective of Clinical Teachers and Medical Education Experts. Iranian Journal of Medical Education 2023;23:128-36. ##[8]. Beigzadeh A, Yamani N, Bahaadinbeigy K, Adibi P. Challenges and problems of clinical medical education in Iran: a systematic review of the literature. Strides in Development of Medical Education 2019;16(1). doi: https://doi.org/10.5812/sdme.89897##[9]. Meenatchi Sundaram S, Naik JR, Natarajan M, Acharya KA. Design and development of an IoT-based trolley for weighing the patient in lying condition. Frontiers in Digital Health 2024;6:1339184. doi: https://doi.org/10.3389/fdgth.2024.1339184##[10]. Adams RJ. Tele-attending can emulate and even improve bedside teaching and learning. Medical Teacher 2018;40(10):1067-8. doi: https://doi.org/10.1080/0142159X.2017.1393507##[11]. Shawwa L. The use of telemedicine in medical education and patient care. Cureus 2023;15(4). doi: https://doi.org/10.7759/cureus.37766##[12]. Montazeri M, Bahaadinbeigy K, Tofighi S. Designe and Implementation a web base Teledermatology System to reduce provincail travelling in Kerman Medical University. Health Information Management 2015;11(6):681-8. ##[13]. Borejsza-Wysocki M, Hermann J, Wallner G, Richter P, Torres K, Skoczylas T, et al. The usefulness and effectiveness of interactive telemedicine in surgery classes–a survey of Polish medical students. Polish Journal of Surgery 2024;96(4):50-7. doi: https:// doi.org/10.5604/01.3001.0054.4680.##[14]. Dorsey ER, Topol EJ. Telemedicine 2020 and the next decade. The Lancet 2020;395(10227):859. doi: https:// doi.org/10.1016/S0140-6736(20)30424-4##[15]. Dehghani MR, Noori Hekmat S, Beigzadeh A. Teaching in Clinical Rounds When Driven by the COVID-19 Pandemic. Strides in Development of Medical Education 2020; 17(Supplement): 1-2. doi: https://doi.org/10.22062/sdme.2020.91027##[16]. Baranchuk A, Dagnone G, Fowler P, Harrison MN, Lisnevskaia L, Etemadi B, et al. Education at distance: Broadcasting ECG rounds to Southeastern Ontario (BESO Project). An innovative approach for teaching electrocardiography. Clinical & Investigative Medicine 2007;30(4): 51-2.##[17]. Liu L, Miyazaki M. Telerehabilitation at the University of Alberta. Journal of Telemedicine and Telecare 2000; 6(suppl 2):47-9. doi: https://doi.org/10.1258/1357633001935554## ##