الزامات کاربر محور پرونده الکترونیک چشم پزشکی: یک مطالعه ترکیبی User-Centered Requirements for an Electronic Ophthalmology Record: A Mixed-Methods Study 1 1 مقدمه: گردش کار بالینی و مدیریت داده های چشم پزشکی ویژگی‌های منحصر به فردی است که طراحی پرونده الکترونیک برای این تخصص را از سایر تخصص‌های پزشکی متمایز می‌سازد. هدف این مطالعه شناسایی الزامات عملکردی پرونده الکترونیک چشم پزشکی متناسب با بیمارستان‌ها و کلینیک‌های تخصصی چشم پزشکی بود. روش کار: این مطالعه کاربردی، توصیفی- مقطعی در بیمارستان چشم خاتم‌الانبیاء مشهد، ایران در سال 1398 انجام شد. برای استخراج الزامات عملکردی، ترکیبی از رویکردها از جمله طوفان فکری، نظرسنجی‌های میدانی، مرور متون، مصاحبه‌، گروه‌های متمرکز و روش دلفی استفاده شد. یافته‌ها: الزامات عملکردی شناسایی شده به چهار موضوع اصلی تقسیم شدند: مستندسازی بالینی، مدیریت دستورات پزشک، مدیریت نتایج بالینی و گزارش گیری. مهمترین الزامات عبارت بودند از: در مستندسازی بالینی «تشکیل پرونده برای بیماران» (میانگین4/93)، «اسکن پرونده های سرپایی قبلی و نمایش آن» (میانگین 4/79)، مدیریت دستورات، «تعیین نوبت عمل جراحی در سیستم» و «ردیابی مشاوره‌ها و ارجاعات» (میانگین 4/53)، مدیریت نتایج، «ثبت نتایج آزمایش‌ها در پرونده و امکان مشاهده آن‌ها توسط پزشک» و «امکان ثبت و ذخیره موارد خاص بیماری به‌منظور ایجاد رجیستری بیماری‌های چشمی» (میانگین 4/67). در مجموع مدیریت نتایج با میانگین 4/56، مستند سازی بالینی با 4/47، گزارش‌گیری با 4/4 و در نهایت مدیریت دستورات پزشک با میانگین 4/38 به ترتیب بیشترین و کمترین امتیاز را در بین الزامات عملکردی داشتند. نتیجه‌گیری: مدیریت نتایج بالینی به عنوان مهم‌ترین قابلیت در پرونده الکترونیک چشم پزشکی شناسایی شد. چشم پزشکی یک تخصص با حجم کار بالا و نیازمند رویکردی تیمی در مراقبت از بیمار است. روش‌های مختلف پاراکلینیکی برای تشخیص سریع بیماری‌های چشمی و درمان مناسب آن‌ها ضروری است. بنابراین، دسترسی سریع به این نتایج برای بهبود کیفیت مراقبت از طریق تشخیص و مداخله سریع، حیاتی است. 2 Introduction: The unique characteristics of clinical workflows and ophthalmic data management processes necessitate a distinct design for ophthalmic electronic medical record (EMR) systems compared to those developed for other medical specialties. This study aimed to identify the functional requirements of an ophthalmic EMR system specifically tailored to the operational needs of ophthalmology hospitals and specialized eye-care clinics. Method: This descriptive cross-sectional study was conducted in 2019 at Khatam Al-Anbia Eye Hospital in Mashhad, Iran. Functional requirements for the ophthalmic EMR system were identified using a multimethod approach, which included brainstorming sessions, field surveys, literature reviews, semi-structured interviews, focus group discussions, and the Delphi method. Results: The identified functional requirements were categorized into four main domains: clinical documentation, physician order management, clinical results management, and reporting. Within the clinical documentation domain, the most important requirements were “creating electronic records for patients” (mean: 4.93) and “scanning and displaying previous outpatient records” (mean: 4.79). For physician order management, the highest-rated requirements were “scheduling surgical procedures within the system” and “tracking consultations and referrals” (mean: 4.53). In the clinical results management domain, the most important requirements included “recording laboratory test results in the patient record and enabling physician access to these results” and “capturing and storing special disease cases to establish ophthalmic disease registries”(mean: 4.67).Overall, clinical results management received the highest mean score (4.56), followed by clinical documentation (4.47), reporting (4.40), and physician order management (4.38), indicating the highest and lowest priorities among the identified functional requirements. Conclusion: Clinical results management has emerged as the highest-priority functionality for ophthalmic EMR systems. Ophthalmology is a high-volume specialty characterized by complex workflows and team-based patient care models. Timely diagnosis and effective treatment of ocular diseases heavily rely on a wide range of diagnostic and paraclinical investigations. Consequently, immediate access to clinical results is essential for enhancing the quality of care, enabling timely diagnosis, informed clinical decision-making, and early therapeutic interventions. 298 314 2025/12/13 1404/9/22 2026/02/15 1404/11/26 ناصر شعیبی Nasser Shoeibi فلوشیپ ویتره و رتین، استاد گروه چشم پزشکی، مرکز تحقیقات چشم، دانشگاه علوم پزشکی مشهد، مشهد، ایران ShoeibiN@mums.ac.ir مجتبی هاشمی حسنی Mojtaba Hashemi Hasani دانشجوی دکترای مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی کاشان، کاشان، ایران hashemihasani-sm@kaums.ac.ir آرش شیردل Arash Shirdel دکترای مدیریت خدمات بهداشتی درمانی، استادیار گروه فناوری اطلاعات سلامت، دانشکده علوم پزشکی فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران derakhshana@mums.ac.ir راضیه فرهی Razieh Farrahi دکترای مدیریت اطلاعات سلامت، استادیار گروه فناوری اطلاعات سلامت، دانشکده علوم پزشکی فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران Farrahir1@gmail.com Electronic health record Health information system Functional requirement Eye diseases Ophthalmology پرونده الکترونیک سلامت سیستم اطلاعات سلامت الزامات عملکردی بیماری‌های چشمی چشم پزشکی [1]. Somner J, Hingorani M, Sparrow J. Electronic medical records–Standards for UK Ophthalmology Services. London: The Royal College of Ophthalmologists; 2024.##[2]. Kim MO, Coiera E, Magrabi F. Problems with health information technology and their effects on care delivery and patient outcomes: a systematic review. J Am Med Inform Assoc 2017;24(2):246–50. doi: 10.1093/jamia/ocw154##[3]. Ghazisaeedi M, Mohammadzadeh N, Safdari R. Electronic Health Record (EHR) As a Vehicle for Successful Health Care Best Practice. Med Arch 2014;68(6):419–21. doi: 10.5455/medarh.2014.68.419-421##[4]. AlQudah AA, Al-Emran M, Shaalan K. Technology acceptance in healthcare: A systematic review. Appl Sci 2021; 11(22): 10537. https://doi.org/10.3390/app112210537##[5]. Holmes JH, Beinlich J, Boland MR, Bowles KH, Chen Y, Cook TS, et al. Why Is the Electronic Health Record So Challenging for Research and Clinical Care? Methods Inf Med 2021;60(1-02):32–48. doi: 10.1055/s-0041-1731784##[6]. Chen AJ, Baxter SL, Gali HE, Long CP, Ozzello DJ, Liu CY, et al. Evaluation of Electronic Health Record Implementation in an Academic Oculoplastics Practice. Ophthalmic Plast Reconstr Surg 2020;36(3):277-83. doi: 10.1097/IOP.0000000000001531##[7]. Logeswaran A, Chong YJ, Edmunds MR. The Electronic Health Record in Ophthalmology: Usability Evaluation Tools for Health Care Professionals. Ophthalmol Ther 2020;10(1):13–20. doi: 10.1007/s40123-020-00315-0##[8]. Ose D, Kunz A, Pohlmann S, Hofmann H, Qreini M, Krisam J, et al. A Personal Electronic Health Record: Study Protocol of a Feasibility Study on Implementation in a Real-World Health Care Setting. JMIR Res Protoc 2017;6(3):e33. doi: 10.2196/resprot.6314##[9]. Dzhigneyan A. Electronic Health Records System Design and Development: California State University, Northridge; 2007.##[10]. Farzandipour M, Meidani Z, Riazi H, Sadeqi Jabali M. Task-specific usability requirements of electronic medical records systems: Lessons learned from a national survey of end-users. Informatics for Health and Social Care 2018;43(3):280-99.##[11]. Kabukye JK, De Keizer N, Cornet R. Elicitation and prioritization of requirements for electronic health records for oncology in low resource settings: A concept mapping study. Int J Med Inform 2020:135:104055. doi: 10.1016/j.ijmedinf.2019.104055##[12]. IOM cites core functions to improve EHR systems. Healthcare Benchmarks Qual Improv 2003;10(10):118-9.##[13]. Chitti A. Requirements engineering process improvement in health IT projects [dissertation]. New Zealand: Unitec Institute of Technology, 2013.##[14]. Williams F, Boren SA. The role of the electronic medical record (EMR) in care delivery development in developing countries: a systematic review. Inform Prim Care 2008;16(2):139-45. doi: 10.14236/jhi.v16i2.685##[15]. Chiang MF, Boland MV, Brewer A, Epley KD, Horton MB, Lim MC, et al. Special Requirements for Electronic Health Record Systems in Ophthalmology. Ophthalmology 2011;118(8):1681-7. doi: 10.1016/j.ophtha.2011.04.015##[16]. Chiang MF, Boland MV, Margolis JW, Lum F, Abramoff MD, Hildebrand PL, et al. Adoption and perceptions of electronic health record systems by ophthalmologists: an American Academy of Ophthalmology survey. Ophthalmology 2008;115(9):1591-7; quiz 1597.e1-5. doi: 10.1016/j.ophtha.2008.03.024##[17]. Tham YC, Husain R, Teo KY, Tan AC, Chew AC, Ting DS, et al. New digital models of care in ophthalmology, during and beyond the COVID-19 pandemic. Br J Ophthalmol 2022;106(4):452-7. doi: 10.1136/bjophthalmol-2020-317683## [18]. Braun V, Clarke V. Using thematic analysis in psychology. Qualitative Research in Psychology 2006;3(2):77-101. https://doi.org/10.1191/1478088706qp063oa##[19]. McHugh ML. Interrater reliability: the kappa statistic. Biochem Med (Zagreb) 2012;22(3):276-82.##[20]. Lawshe CH. A quantitative approach to content validity. Personnel Psychology. 1975;28(4):563-75. ##https://doi.org/10.1111/j.1744-6570.1975.tb01393. ##[21]. Farrahi R, Shoeibi N, Edalati Khodabandeh M, Zare Shahneh N, Heidarzadeh H. R. Evaluation of Short Message System Reminder Impact on Retinopathy of Prematurity Appointment Attendance in the Referral Center of Northeastern Iran. Journal of Pediatric Perspectives 2025;13(5):19463-19474.doi:10.22038/jpp.2025.88002.5548##[22]. Kao DP, Trinkley KE, Lin CT. Heart Failure Management Innovation Enabled by Electronic Health Records. JACC Heart Fail 2020;8(3):223-33. doi: 10.1016/j.jchf.2019.09.008##[23]. Jones E, Wittie M. Accelerated Adoption of Advanced Health Information Technology in Beacon Community Health Centers. J Am Board Fam Med 2015;28(5):565-75. doi: 10.3122/jabfm.2015.05.150034##[24]. Gordon SH, Baier RR, Gardner RL. Primary Care Physicians' Use of Electronic Health Records in Rhode Island: 2009-2014. R I Med J 2015;98(10):29–32.##[25]. Ayres EJ, Hoggle LB. ADA Nutrition Informatics member survey: results and future steps. J Am Diet Assoc. 2008;108(11):1822–6.##[26]. Marcus PM, Pashayan N, Church TR, Doria-Rose VP, Gould MK, Hubbard RA, et al. Population-Based Precision Cancer Screening: A Symposium on Evidence, Epidemiology, and Next Steps. Cancer Epidemiol Biomarkers Prev 2016;25(11):1449-55. doi: 10.1158/1055-9965.EPI-16-0555##[27]. Spooner SA, Council on Clinical Information Technology, American Academy of Pediatrics. Special Requirements of Electronic Health Record Systems in Pediatrics. Pediatrics 2007;119(3):631-7. doi: 10.1542/peds.2006-3527##[28]. Alnawaiseh M, Alten F, Huelsken G, Rentmeister G, Lange M, Claes T, et al. [Implementation of electronic health records at a tertiary care eye hospital]. Ophthalmologe 2015;112(4):337-45. 2015;112(4):337-45. doi: 10.1007/s00347-014-3124-y [Article in German]##[29]. American Psychiatric Association Committee on Electronic Health Records. Ehr Requirements Document Tutorial; 2012.##[30]. Kadaei M. What Are the Five Functional Components of an Ehr? 2023 [Available from: https://www.ambula.io/what-are-the-five-functional-components-of-an-ehr/.##[31]. Ladin K, Pandya R, Kannam A, Loke R, Oskoui T, Perrone RD, et al. Discussing Conservative Management with Older Patients With CKD: An Interview Study of Nephrologists. Am J Kidney Dis 2018;71(5):627-35. doi: 10.1053/j.ajkd.2017.11.011##[32]. Yoo S, Lee KH, Lee HJ, Ha K, Lim C, Chin HJ, et al. Seoul National University Bundang Hospital's electronic system for total care. Healthc Inform Res 2012;18(2):145–52. doi: 10.4258/hir.2012.18.2.145##[33]. Derikx J, Erdkamp F, Hoofwijk A. The electronic health record: computerised provider order entry and the electronic instruction document as new functionalities. Ned Tijdschr Geneeskd 2013;157(34):A5695. [In Dutch]##[34]. Inokuchi R, Sato H, Iwagami M, Komaru Y, Iwai S, Gunshin M, et al. Impact of a New Medical Record System for Emergency Departments Designed to Accelerate Clinical Documentation: A Crossover Study. Medicine (Baltimore) 2015;94(26):e856. doi: 10.1097/MD.0000000000000856##[35]. Park YT, Kim YS, Yi BK, Kim SM. Clinical Decision Support Functions and Digitalization of Clinical Documents of Electronic Medical Record Systems. Healthc Inform Res 2019;25(2):115–23. doi: 10.4258/hir.2019.25.2.115##[36]. Kim M, Chan N, Evans J, Min JK, Hayton AC. Improving Medical Student Inpatient Documentation Through Feedback Using a Note Assessment Tool. Cureus 2022;14(3):e23369.##[37]. Shi J, Bendig D, Vollmar HC, Rasche P. Mapping the Bibliometrics Landscape of AI in Medicine: Methodological Study. J Med Internet Res 2023:25:e45815. doi: 10.2196/45815##[38]. Boonstra A, Versluis A, Vos JF. Implementing electronic health records in hospitals: a systematic literature review. BMC Health Serv Res 2014:14:370. doi: 10.1186/1472-6963-14-370 ##[39]. Häyrinen K, Saranto K, Nykänen P. Definition, structure, content, use and impacts of electronic health records: a review of the research literature. Int J Med Inform 2008;77(5):291-304. doi: 10.1016/j.ijmedinf.2007.09.001## [40]. Smith T. What are the core functions of EHR? 28th May 2024 [2026 Jun 21]. Available from: https://www.ehrinpractice.com/ehr-core-functions.html##[41]. Davis J, Morgans A, Burgess S. Information management for aged care provision in Australia: development of an aged care minimum dataset and strategies to improve quality and continuity of care. Health Inf Manag 2016;45(1):27-35. doi: 10.1177/1833358316639453## [42]. Spigolon DN, Moro CM. Nursing Minimum Data Set Based on EHR Archetypes Approach. 11th International Congress on Nursing Informatics; 2012 Jun 23-27; Montreal, Canada International Congress in Nursing Informatics; 2012;2012. p.386.##[43]. Häyrinen K, Saranto K. The core data elements of electronic health record in Finland. Stud Health Technol Inform. 2005;116:131-6.##[44]. Rampisheh Z, Kameli ME, Zarei J, Barzaki AV, Meraji M, Mohammadi A. Developing a national minimum data set for hospital information systems in the Islamic Republic of Iran. East Mediterr Health J 2020;26(4):400-9. doi: 10.26719/emhj.19.046##[45]. Choquet R, Maaroufi M, de Carrara A, Messiaen C, Luigi E, Landais P. A methodology for a minimum data set for rare diseases to support national centers of excellence for healthcare and research. J Am Med Inform Assoc 2015;22(1):76-85. doi: 10.1136/amiajnl-2014-002794##[46]. What Are The Benefits of Medical Record Scanning? 2025 [2026 Jun 21]. Available from: https://www.e-arc.ae/benefits-of-medical-record-scanning/. ##[47]. MES Hybrid Document Systems. How Scanning Medical Records Improves Patient Care; 2021 [ 2026 Jun 21]. Available from: https://blog.mesltd.ca/how-scanning-medical-records-improves-patient-care. ##[48]. Laerum H, Karlsen TH, Faxvaag A. Effects of scanning and eliminating paper-based medical records on hospital physicians' clinical work practice. J Am Med Inform Assoc 2003;10(6):588–95. doi: 10.1197/jamia.M1337##[49]. Goodrum H, Roberts K, Bernstam EV. Automatic classification of scanned electronic health record documents. Int J Med Inform. 2020:144:104302. doi: 10.1016/j.ijmedinf.2020.104302##[50]. Pilosof NP, Barrett M, Oborn E, Barkai G, Zimlichman E, Segal G. Designing for flexibility in hybrid care services: lessons learned from a pilot in an internal medicine unit. Fron Med Technol 2023;5:1223002. https://doi.org/10.3389/fmedt.2023.1223002##[51]. Aspden P, Corrigan JM, Wolcott J, Erickson SM. Key capabilities of an electronic health record system: Letter report. Patient Safety: Achieving a New Standard for Care: National Academies Press (US); 2004.##[52]. McDonald HM, Iordanous Y. Ophthalmology on Call: Evaluating the Volume, Urgency, and Type of Pages Received at a Tertiary Care Center. Cureus 2022;14(4):e23824. doi: 10.7759/cureus.23824##[53]. Qureshi MB. Teamwork for eye care. Community Eye Health 2014;27(86):21–3.##[54]. Jennifer C, Neil C, Vicki T. Referral Finder: Saving Time and Improving The Quality of In-hospital Referrals. BMJ Qual Improv Rep 2016;5(1):u209356.w3951. doi: 10.1136/bmjquality.u209356.w3951##[55]. Agha L, Ericson KM, Geissler KH, Rebitzer JB. Team Relationships and Performance: Evidence from Healthcare Referral Networks. Manage Sci 2021;68(5):3175–973. doi: 10.1287/mnsc.2021.4091##[56]. Bailey PE, Awoonor-Williams JK, Lebrun V, Keyes E, Chen M, Aboagye P, et al. Referral patterns through the lens of health facility readiness to manage obstetric complications: national facility-based results from Ghana. Reprod Health 2019;16(1):19. doi: 10.1186/s12978-019-0684-y##[57]. Rottmann J, Stein N. Leveraging Electronic Health Records to improve Patient Appointment Scheduling: A design-oriented Approach. Association for Information Systems; 2022.##[58]. Telukuntla KS, Huded CP, Shao M, Sobol T, Abdallah M, Kravitz K, et al. Impact of an electronic medical record-based appointment order on outpatient cardiology follow-up after hospital discharge. NPJ Digit Med 2021; 4(1):77. doi: 10.1038/s41746-021-00443-2##[59]. Fuente M, Facunla J, Guzman H, Jacinto E, Hilario J, Olipas CN, et al. Project Clinik: A Cross-Platform Scheduling and Appointment Reservation System. Formosa Journal of Computer and Information Science 2023;2:13-24.##[60]. Alsaf T, Alzahrani F, Alzahrani L, Alanazi S, Alshammari M, Albaqami S, et al. Appointment Scheduling Systems and Clinical Efficiency: A Review of Health Informatics, Medical Secretarial Practice, and Health Administration. International Journal of Computational and Experimental Science and Engineering 2024;10.##[61]. Kazemian P, Sir MY, Van Oyen MP, Lovely JK, Larson DW, Pasupathy KS. Coordinating clinic and surgery appointments to meet access service levels for elective surgery. J Biomed Inform 2017:66:105-15. doi: 10.1016/j.jbi.2016.11.007##[62]. Thomas J, Dahm MR, Li J, Smith P, Irvine J, Westbrook JI, et al. Variation in electronic test results management and its implications for patient safety: a multisite investigation. J Am Med Inform Assoc 2020;27(8):1214-24. doi: 10.1093/jamia/ocaa093## ##[63]. Henriksen BS, Goldstein IH, Rule A, Huang AE, Dusek H, Igelman A, et al. Electronic health records in ophthalmology: source and method of documentation. Am J Ophthalmol 2020:211:191-9. doi: 10.1016/j.ajo.2019.11.030##[64]. Wang MD, Khanna R, Najafi N. Characterizing the source of text in electronic health record progress notes. JAMA Intern Med 2017;177(8):1212-3. doi: 10.1001/jamainternmed.2017.1548##[65]. Winn W, Shakir IA, Israel H, Cannada LK. The role of copy and paste function in orthopedic trauma progress notes. J Clin Orthop Trauma 2017;8(1):76-81. doi: 10.1016/j.jcot.2016.04.002##[66]. Siegler EL, Adelman R. Copy and paste: a remediable hazard of electronic health records. Am J Med 2009;122(6):495-6. doi: 10.1016/j.amjmed.2009.02.010##[67]. Silverstone DE, Lim MC. Ensuring information integrity in the electronic health record: the crisis and the challenge. Ophthalmology 2014;121(2):435-7.##[68]. Liaw ST, Taggart J, Yu H, Rahimi A. Electronic health records and disease registries to support integrated care in a health neighbourhood: an ontology-based methodology. AMIA Jt Summits Transl Sci Proc 2014;2014:50–4.##[69]. Liaw ST, Taggart J, Yu H, de Lusignan S. Data extraction from electronic health records-existing tools may be unreliable and potentially unsafe. Aust Fam Physician 2013;42(11):820-3.## ##

ادغام داده‌های تصویری و جدولی در یک مدل سیامی برای طبقه‌بندی بیماران دیابتی با استفاده از ترموگرافی: یک رویکرد چندوجهی مبتنی بر EfficientNetB3 Integration of Image and Tabular Data in a Siamese Network for Diabetic Patient Classification Using Thermography: A Multimodal EfficientNetB3-Based Approach 1 1 مقدمه: پای دیابتی یکی از مهم‌ترین عوارض مزمن دیابت است که در صورت عدم تشخیص به‌موقع، می‌تواند به زخم‌های مزمن و حتی قطع عضو منجر شود. تشخیص زودهنگام این عارضه، به‌ویژه از طریق روش‌های غیرتهاجمی نظیر ترموگرافی، نقش کلیدی در پیشگیری از عوارض جدی دارد. با این حال، روش‌های سنتی مبتنی بر آستانه یا تحلیل‌های آماری، در شناسایی تغییرات حرارتی ظریف و نامتقارن میان دو پا کارایی کافی ندارند. پژوهش حاضر با هدف طراحی یک سامانه هوشمند برای تشخیص پای دیابتی، مبتنی بر تصاویر ترموگرافی و داده‌های عددی همراه، انجام شده است. روش کار: در این مطالعه، از پایگاه داده Plantar Thermogram Database شامل ۱۶۷ نمونه استفاده شد که به سه مجموعه آموزش (۱۱۶ نمونه)، اعتبارسنجی (۲۵ نمونه) و آزمون (۲۶ نمونه) تقسیم گردید. معماری سیامی چندوجهی مبتنی بر EfficientNetB3 طراحی شد که دو تصویر ترموگرافی پای چپ و راست را به‌طور همزمان پردازش می‌کند. خروجی دو شاخه سیامی، پس از استخراج ویژگی، به‌وسیله عملیات تفاضل قدرمطلق (∣L−R∣) و ضرب‌عنصری (L⊙R) ترکیب شده و سپس با داده‌های عددی نرمال‌سازی‌شده ادغام می‌گردد. پیاده‌سازی مدل در بستر TensorFlow و Keras انجام شد و برای مقابله با عدم‌توازن داده‌ها، از وزن‌دهی کلاس‌ها در تابع زیان استفاده گردید. یافته ها: مدل پیشنهادی در مجموعه آزمون با دقت کلی 96/15%، حساسیت 95% و ویژگی ۱۰۰‌% به عملکرد بالینی مطلوبی دست یافت. همچنین مقادیر دقت (Precision) برابر 100%، ارزش اخباری منفی (NPV) برابر 85/71%، نمره F1 برابر 97/44% و دقت متوازن (Balanced Accuracy) برابر 97/5% به‌دست آمد. نتایج آموزش نشان داد که مدل بدون بروز بیش‌برازش، به سرعت همگرا شده و عملکردی پایدار بر روی داده‌های نادیده ارائه می‌دهد. نتیجه‌گیری: این نتایج نشان می‌دهند که معماری سیامی پیشنهادی، با بهره‌گیری همزمان از داده‌های تصویری و عددی، می‌تواند به‌عنوان یک روش غیرتهاجمی، سریع و دقیق برای غربالگری و پایش بیماران دیابتی مورد استفاده قرار گیرد و زمینه توسعه سامانه‌های بالینی تشخیص زودهنگام پای دیابتی را فراهم آورد. 2 Introduction: Diabetic foot is a serious chronic complication of diabetes that can lead to ulcers and limb amputation if not diagnosed early. while non-invasive techniques like thermography can prevent severe complications, traditional methods often fail to identify subtle thermal changes. This study developed an intelligent system for diabetic foot detection using thermographic images and numerical features. Method: The Plantar Thermogram Database, containing 167 samples, was divided into training (116 samples), validation (25 samples), and test (26 samples) sets. A multimodal Siamese architecture based on EfficientNetB3 processed left and right foot thermograms simultaneously. Outputs were combined using ∣L−R∣ and L⊙R to model thermal asymmetry, then fused with normalized tabular features. Implementation used TensorFlow and Keras, with class weighting to address data imbalance. Results: The model achieved 96.15% accuracy, 95% sensitivity, 100% specificity, 100% precision, 85.71% NPV, 97.44% F1-score, and 97.5% balanced accuracy on the test set. Learning curves showed rapid convergence with no overfitting and stable performance. Conclusion: The proposed Siamese architecture, utilizing both image and tabular data, offers a non-invasive, rapid, and accurate approach for screening and monitoring diabetic patients, potentially facilitating early diagnostic clinical systems for diabetic foot detection. 315 333 2025/12/132025/09/18 1404/6/27 2026/02/152026/02/15 1404/11/26 زهرا احمدی راد Zahra Ahmadi Rad دانشجوی کارشناسی ارشد، گروه مهندسی برق، دانشکده فنی و مهندسی ، دانشگاه ولی عصر (عج) رفسنجان، رفسنجان، ایران a.ahmadirad@vru.ac.ir حسین قیومی زاده Hossein Ghayoumi Zadeh دکترای مهندسی پزشکی، دانشیار، گروه مهندسی برق، دانشکده فنی و مهندسی ، دانشگاه ولی عصر (عج) رفسنجان، رفسنجان، ایران h.ghayoumizadeh@vru.ac.ir علی فیاضی Ali Fayazi دکترای مهندسی کنترل، دانشیار ،گروه مهندسی برق، دانشکده فنی و مهندسی ، دانشگاه ولی عصر (عج) رفسنجان، رفسنجان، ایران a.fayazi@vru.ac.ir خسرو رضایی Khosro Rezaee دکترای مهندسی پزشکی، دانشیار، گروه مهندسی پزشکی، دانشگاه میبد، میبد، ایران kh.rezaee@meybod.ac.ir Diabetic foot Thermography Siamese architecture Multimodal data Early detection EfficientNetB3 پای دیابتی ترموگرافی معماری سیامی داده‌های چندوجهی تشخیص زودهنگام EfficientNetB3 [1]. Katsilambros N, Dounis E, Makrilakis K, Tentolouris N, Tsapogas P. Atlas of the diabetic foot. John Wiley & Sons; 2010. doi:10.1002/9781444317589##[2]. Singh N, Armstrong DG, Lipsky BA. Preventing foot ulcers in patients with diabetes. JAMA 2005;293(2):217-28. doi: 10.1001/jama.293.2.217##[3]. National Diabetes Data Group (US), National Institute of Diabetes, Digestive, Kidney Diseases (US). Diabetes in America. National Institutes of Health, National Institute of Diabetes and Digestive and Kidney Diseases; 1995.##[4]. Karrer S. Diabetisches Fußsyndrom. Der Hautarzt 2011;62(7):493-503. [In German] doi: 10.1007/s00105-010-2112-7##[5]. aan de Stegge WB, Mejaiti N, van Netten JJ, Dijkgraaf MG, van Baal JG, Busch-Westbroek TE, et al. The cost-effectiveness and cost-utility of at-home infrared temperature monitoring in reducing the incidence of foot ulcer recurrence in patients with diabetes (DIATEMP): study protocol for a randomized controlled trial. Trials 2018;19(1):520. doi: 10.1186/s13063-018-2890-2##[6]. Rincón Y, Gil V, Pacheco J, Benítez I, Sánchez M. Evaluación y tratamiento del pie diabético. Revista Venezolana de Endocrinología Y Metabolismo 2012;10(3):176-87.##[7]. Armstrong DG, Boulton AJ, Bus SA. Diabetic foot ulcers and their recurrence. N Engl J Med 2017;376(24):2367-75. doi: 10.1056/NEJMra1615439##[8]. Ilo A, Romsi P, Mäkelä J. Infrared thermography and vascular disorders in diabetic feet. J Diabetes Sci Technol 2020;14(1):28-36. doi: 10.1177/1932296819871270##[9]. Hidalgo Salvador E, Álvarez González F, Salvador Luna A. Application of Infrared thermography in legal medicine. Is it a valid test for an objective assessm. Cuad Med Forense 2014;20:77-84. https://dx.doi.org/10.4321/S1135-76062014000200002.##[10]. Liu C, van Netten JJ, Van Baal JG, Bus SA, van Der Heijden F. Automatic detection of diabetic foot complications with infrared thermography by asymmetric analysis. J Biomed Opt 2015;20(2):26003. doi: 10.1117/1.JBO.20.2.026003##[11]. Kurkela O, Lahtela J, Arffman M, Forma L. Infrared thermography compared to standard care in the prevention and care of diabetic foot: a cost analysis utilizing real-world data and an expert panel. Clinicoecon Outcomes Res 2023:15:111-23. doi: 10.2147/CEOR.S396137##[12]. Lavery LA, Higgins KR, Lanctot DR, Constantinides GP, Zamorano RG, Armstrong DG, Athanasiou KA, Agrawal CM. Home monitoring of foot skin temperatures to prevent ulceration. Diabetes Care 2004;27(11):2642-7. doi: 10.2337/diacare.27.11.2642##[13]. Peregrina-Barreto H, Morales-Hernandez LA, Rangel-Magdaleno JJ, Avina-Cervantes JG, Ramirez-Cortes JM, Morales-Caporal R. Quantitative estimation of temperature variations in plantar angiosomes: a study case for diabetic foot. Comput Math Methods Med 2014;2014:585306. doi: 10.1155/2014/585306##[14]. Hernandez-Contreras D, Peregrina-Barreto H, Rangel-Magdaleno J, Gonzalez-Bernal J. Narrative review: Diabetic foot and infrared thermography. Infrared Physics & Technology. 2016;78:105-17. doi:10.1016/j.infrared.2016.07.013 ##[15]. Hernandez-Contreras D, Peregrina-Barreto H, Rangel-Magdaleno J, Gonzalez-Bernal JA, Altamirano-Robles L. A quantitative index for classification of plantar thermal changes in the diabetic foot. Infrared Physics & Technology 2017;81:242-9. doi:10.1016/j.infrared.2017.01.010##[16]. Hernandez-Contreras DA, Peregrina-Barreto H, Rangel-Magdaleno JD, Orihuela-Espina F. Statistical approximation of plantar temperature distribution on diabetic subjects based on beta mixture model. IEEE Access 2019;7: 28383 – 91. doi: 10.1109/ACCESS.2019.2902502##[17]. Torreblanca González J, Gómez-Martín B, Hernández Encinas A, Martín-Vaquero J, Queiruga-Dios A, Martínez-Nova A. The use of infrared thermography to develop and assess a wearable sock and monitor foot temperature in diabetic subjects. Sensors 2021;21(5):1821. doi: 10.3390/s21051821##18. Anaya-Isaza A, Zequera-Diaz M. Detection of diabetes mellitus with deep learning and data augmentation techniques on foot thermography. IEEE Access 2022;10:59564-91.##[19]. Hernandez-Contreras DA, Peregrina-Barreto H, de Jesus Rangel-Magdaleno J, Renero-Carrillo FJ. Plantar thermogram database for the study of diabetic foot complications. IEEE Access 2019;7:161296-307. doi:10.1109/ACCESS.2019.2951356##[20]. Tan M, Le Q. Efficientnet: Rethinking model scaling for convolutional neural networks. In International Conference on Machine Learning 2019; 6105-14. https://doi.org/10.48550/arXiv.1905.11946##[21]. Panamonta V, Jerawatana R, Ariyaprayoon P, Looareesuwan P, Ongphiphadhanakul B, Sriphrapradang C, et al. Plantar thermogram analysis using deep learning for diabetic foot risk classification. J Diabetes Sci Technol 2025;20(3):810–4. doi: 10.1177/19322968251316563##[22]. Khandakar A, Chowdhury ME, Reaz MB, Ali SH, Abbas TO, Alam T, et al. Thermal change index-based diabetic foot thermogram image classification using machine learning techniques. Sensors 2022;22(5):1793. doi: 10.3390/s22051793##[23]. Wang H, Jin L, Sun X, He Y. S-VFNet: a siamese object detection method based on salient features and visual features. Meas Sci Technol 2025;36(8):086113. doi:10.1088/1361-6501/adf3d7## ##

ارائه مدل کارآفرینی مدرن با رویکرد فناوری‌های پوشیدنی و سلامت دیجیتال استان کرمانشاه Presenting a Modern Entrepreneurship Model with an Approach to Wearable Technologies and Digital Health in Kermanshah province 1 1 مقدمه: در قلب انقلاب دیجیتال، تحولی عمیق در حال رخ دادن است که مرز بین فناوری، سلامت و زندگی روزمره را از بین برده است. اینجا قلمرو جدید کارآفرینی قرار دارد که هدف آن تنها ساخت استارت‌آپ نیست، بلکه خلق اکوسیستم‌های هوشمندی است که مستقیماً با سلامت انسان درآمیخته‌اند. محرک این تحول، ظهور فناوری‌های پوشیدنی و سلامت دیجیتال است. امروزه دستگاه‌هایی مانند ساعت‌های هوشمند، تنها برای اعلام زمان نیستند، بلکه به نگهبانان سلامتی تبدیل شده‌اند که بر ضربان قلب، الگوی خواب و استرس نظارت می‌کنند. روش کار: این پژوهش از نظر هدف، کاربردی که با انجام مصاحبه‌های نیمه‌ساختاریافته عمیق با ۱۵ نفر از خبرگان و بر اساس رویکرد اشتراوس و کوربین انجام شده است. جامعه‌ موردمطالعه پژوهش، کارآفرینان و بنیان‌گذاران استارتاپ‌ها، ‏متخصصان حوزه سلامت، نمایندگان شتاب‌دهنده‌ها و انکوباتورها، مهندسان و متخصصان فناوری، نهادهای نظارتی و ‏سیاست‌گذاری، به ‌روش نمونه‌گیری غیر احتمالی و هدفمند تا رسیدن به‌قاعده اشباع نظری داده‌ها گردآوری شد. داده‌ها از ‏طریق فرآیند کدگذاری باز، محوری و انتخابی و مبتنی بر طرح نظام‌مند اشتراوس و کوربین تحلیل شدند. به‌منظور اطمینان ‏از روایی و پایایی سؤالات مصاحبه از روش تطبیق اعضا و روش توافق درون موضوعی استفاده شده است. یافته‌ها: عوامل علی عبارت‌اند از ‏عوامل فناورانه، محیطی و ‏بازاری، سازمانی و ‏کارآفرینی، اجتماعی-‏فرهنگی می‌شوند. شرایط مداخله‌گر شامل موارد زیر است: عوامل قانونی و ‏نظارتی، اقتصادی و ‏مالی، فنی و ‏زیرساختی. شرایط زمینه‌ای ‏در برگیرنده عوامل جغرافیایی ‏و اقلیمی، سیستمی و ‏ساختاری، دانش بنیان ‏و پژوهشی، صنعتی و ‏تولیدی است. راهبردها را می‌توان به شرح زیر برشمرد: راهبردهای فناورانه ‏و نوآوری، ‏ تجاری ‏و بازار محور، ‏بین‌المللی‌سازی، مالی و ‏‏سرمایه‌گذاری، قانونی ‏و نظارتی. پیامدها به سه دسته اصلی تقسیم می‌شوند: شامل خلق ارزش‌های ‏اقتصادی نوین، ‏دگرگونی‌های ‏اجتماعی و رفتاری، عوامل نوظهور و ‏آینده‌نگر. نتیجه‌گیری: این ‏پژوهش نشان داد که ادغام این فناوری‌ها نه‌تنها ‏امکان ارائه راه‌حل‌های شخصی‌سازی‌شده برای مراقبت از سلامت را فراهم می‌کند، ‏بلکه چارچوبی نوین برای مدل‌های ‏کسب‌وکار کارآفرینانه خلق می‌نماید. با بهره‌گیری از قابلیت‌های تحلیل داده‌های بلادرنگ، ‏هوش مصنوعی و اینترنت اشیاء، ‏شرکت‌های نوپا می‌توانند به نیازهای روزافزون بازار در حوزه‌های پیشگیری، تشخیص و مدیریت ‏بیماری‌ها پاسخ دهند.‏ 2 Introduction: At the heart of the digital revolution, a profound transformation is taking place, erasing the boundaries between technology, health, and daily life. Here lies the new realm of entrepreneurship, where the goal is not merely to build startups, but to create intelligent ecosystems that are deeply intertwined with human health. The driving force behind this shift is the emergence of wearable technology and digital health. Today, devices like smartwatches are no longer just for telling time; they have become guardians of our health, monitoring heart rate, sleep patterns, and stress levels. Method: At the heart of the digital revolution, a profound transformation is taking place, erasing the boundaries between technology, health, and daily life. Here lies the new realm of entrepreneurship, where the goal is not merely to build startups, but to create intelligent ecosystems that are deeply intertwined with human health. The driving force behind this shift is the emergence of wearable technology and digital health. Today, devices like smartwatches are no longer just for telling time; they have become guardians of our health, monitoring heart rate, sleep patterns, and stress levels. Results: The causal factors were identified as technological, environmental & market-related, organizational & entrepreneurial, and socio-cultural factors. Intervening conditions included legal & regulatory, economic & financial, and technical & infrastructural factors. Contextual conditions encompassed geographical & climatic, systemic & structural, knowledge-based & research, and industrial & manufacturing factors. The strategies consisted of technological & innovation strategies, commercial & market-oriented strategies, internationalization strategies, financial & investment strategies, and legal & regulatory strategies. The outcomes were categorized into three main types: the creation of new economic value, socio-behavioral transformations, and emergent & forward-looking factors. Conclusion: This research demonstrated that the integration of these technologies not only enables the provision of personalized healthcare solutions but also creates a novel framework for entrepreneurial business models. By leveraging the capabilities of real-time data analytics, artificial intelligence, and the Internet of Things (IoT), startups can respond to the growing market demands in the fields of disease prevention, diagnosis, and management. 334 347 2025/12/132025/09/182025/10/11 1404/7/19 2026/02/152026/02/152026/02/15 1404/11/26 معصومه آینه Masoumeh Ayeneh دانشجوی دکترای کارآفرینی، گروه مدیریت و کارآفرینی، دانشکده علوم اجتماعی، دانشگاه رازی، کرمانشاه، ایران masomehayneh@gmail.com مهدی حسین پور Mahdi Hosseinpour دکترای مدیریت استراتژیک، استادیار گروه علوم میان‌رشته‌ای، دانشکده فناوری‌های راهبردی، ‌دانشگاه رازی، کرمانشاه، ایران M.hosseinpour@razi.ac.ir کورش ویسی Korush Veisi کارشناسی ارشد مدیریت اجرایی، دانشگاه آزاد اسلامی واحد کرمانشاه، کرمانشاه، ایران korushveisi1357@gmail.com Entrepreneurship Wearable Technology Digital Health Grounded Theory Innovation کارآفرینی فناوری پوشیدنی سلامت دیجیتال داده بنیاد نوآوری ## ##

شبیه‌سازی دینامیک مولکولی چندمقیاسی بازآرایی دولایه‌ی لیپیدی در سرطان: پیامدهای بیوفیزیکی گذار از حالت نرمال به سرطانی در غشای سلول پستان Multiscale Molecular Dynamics Simulation of Lipid Bilayer Remodeling in Cancer: Biophysical Effects of the Transition from Normal to Cancerous States in Breast Cell Membranes 1 1 مقدمه: غشای سلول‌های سرطانی با تغییر در ترکیب لیپیدی و از دست دادن تقارن خود، نقش مهمی در پیشرفت تومور و مقاومت دارویی ایفا می‌کنند. این تغییرات لیپیدومیک به طور مستقیم بر ویژگی‌های ساختاری، بیوفیزیکی و نفوذپذیری غشا اثر می‌گذارند. هدف از این مطالعه، بررسی چند مقیاسی پیامدهای بیوفیزیکی در غشای سلول پستان در گذار از حالت فیزیولوژیک به سرطانی است. روش کار: مدل‌های غشای طبیعی و سرطانی پستان بر اساس داده‌های لیپیدومیک گزارش‌شده طراحی شدند. مدل طبیعی شامل ترکیبی نامتقارن در دو لایه بود، در حالی که در مدل سرطانی، تقارن لیپیدی بین لایه‌ها برقرار شد و مقادیر فسفاتیدیل‌سرین و فسفاتیدیل‌اتانول‌آمین در لایه خارجی افزایش یافت. شبیه‌سازی‌ها در دو مقیاس تمام‌اتمی با میدان نیروی CHARMM36m به مدت ۲۰۰ نانوثانیه و درشت‌دانه با میدان نیروی Martini 2.2 به مدت ۵ میکروثانیه انجام شد. پارامترهای ضخامت دولایه، مساحت به ازای هر لیپید، میزان درهم‌رفتگی زنجیره‌ها، پارامتر نظم و ضریب انتشار جانبی محاسبه و مقایسه شدند. یافته‌ها: تحلیل جامع شاخص‌های ساختاری و دینامیکی نشان داد که غشای سرطانی با افزایش ضخامت و کاهش مساحت سطح به ازای هر لیپید همراه است. افزون بر این، افزایش پارامتر نظم زنجیره‌های آسیل و کاهش ضریب انتشار جانبی در غشای سرطانی مشاهده شد که با کاهش درهم‌رفتگی زنجیره‌ها تطابق کامل دارد. نتایج شبیه‌سازی‌های درشت‌دانه نیز روندهای مشابهی را تأیید کردند. نتیجه‌گیری: این تغییرات فیزیکوشیمیایی نشان می‌دهند که دگرگونی پروفایل لیپیدی در سلول‌های سرطانی، غشا را به وضعیتی متراکم‌تر، صلب‌تر و با تحرک جانبی کمتر سوق می‌دهد. از آنجا که این تغییرات می‌توانند مستقیماً بر نفوذپذیری ترکیبات درمانی تأثیر بگذارند، توجه به ویژگی‌های بیوفیزیکی غشای سرطانی به‌عنوان یک هدف دارویی بالقوه در طراحی درمان‌های نوین از اهمیت بالایی برخوردار است. 2 Introduction: Cancer cell membranes exhibit altered lipid composition and asymmetry, influencing tumor progression and drug resistance. These lipidomic changes can significantly influence membrane structure, biophysical properties, and permeability. This study aims to investigate the biophysical consequences of lipidomic changes in breast cell membranes during cancer development. Method: Normal and cancer breast membrane models were built using reported lipidomic compositions. The normal model had an asymmetric lipid distribution, while the cancer model was symmetric, with increased phosphatidylserine (PS) and phosphatidylethanolamine (PE) in the outer leaflet. Molecular dynamics simulations were conducted at all-atom (CHARMM36m,200 ns) and coarse-grained (Martini 2.2,5 µs) resolutions. Structural and dynamical parameters, including bilayer thickness, area per lipid, acyl chain interdigitation, order parameter, and lateral diffusion coefficient, were calculated and compared. Results: The cancer membrane showed increased thickness, reduced area per lipid, higher acyl chain order parameter, and lower lateral diffusion compared to the normal membrane, consistent with reduced chain interdigitation. Conclusion: Changes in cancer cell profiles lead to a more compact, rigid membrane with decreased lateral mobility. These physicochemical alterations may impact therapeutic permeability, suggesting that targeting the biophysical properties of cancer cell membranes could be a promising strategy for novel treatment. 348 358 2025/12/132025/09/182025/10/112025/12/24 1404/10/3 2026/02/152026/02/152026/02/152026/02/21 1404/12/2 الهه حسین نیا Elahe Hoseinnia کارشناسی ارشد بیوفیزیک، گروه بیوتکنولوژی، دانشکده علوم زیستی، دانشگاه الزهرا، تهران، ایران elahehoseinnia27@gmail.com محبوبه ضرابی Mahboobeh Zarrabi دکترای بیوفیزیک، دانشیار گروه بیوتکنولوژی، دانشکده علوم زیستی، دانشگاه الزهرا، تهران، ایران mzarrabi@alzahra.ac.ir زهرا حاجی مهدی Zahra Hajimahdi دکترای شیمی دارویی، دانشیار گروه شیمی دارویی، دانشکده داروسازی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران z.hajimahdi@sbmu.ac.ir All-Atom molecular dynamics Cancer Coarse-Grained simulation Lipid asymmetry Membrane سرطان شبیه ‌سازی درشت ‌دانه عدم ‌تقارن لیپیدی غشا دینامیک مولکولی تمام‌ اتمی [1]. Nicolson GL. The Fluid-Mosaic Model of Membrane Structure: still relevant to understanding the structure, function and dynamics of biological membranes after more than 40 years. Biochim Biophys Acta 2014;1838(6):1451–66. doi:10.1016/j.bbamem.2013.10.019 ##[2]. Pradas I, Huynh K, Cabré R, Ayala V, Meikle PJ, Jové M, et al. Lipidomics Reveals a Tissue-Specific Fingerprint. Front Physiol 2018;9. doi:10.3389/fphys.2018.01165##[3]. Casares D, Escribá PV, Rosselló CA. Membrane Lipid Composition: Effect on Membrane and Organelle Structure, Function and Compartmentalization and Therapeutic Avenues. Int J Mol Sci 2019;20(9):2167. doi:10.3390/ijms20092167##[4]. Alves AC, Ribeiro D, Nunes C, Reis S. Biophysics in cancer: The relevance of drug-membrane interaction studies. Biochim Biophys Acta 2016;1858(9):2231–44. doi:10.1016/j.bbamem.2016.06.025 ##[5]. Shimolina L, Gulin A, Ignatova N, Druzhkova I, Gubina M, Lukina M, et al. The Role of Plasma Membrane Viscosity in the Response and Resistance of Cancer Cells to Oxaliplatin. Cancers 2021;13(24):6165. doi:10.3390/cancers13246165 ##[6]. Hoejholt KL, Mužić T, Jensen SD, Dalgaard LT, Bilgin M, Nylandsted J, et al. Calcium electroporation and electrochemotherapy for cancer treatment: Importance of cell membrane composition investigated by lipidomics, calorimetry and in vitro efficacy. Sci Rep 2019;9(1):4758. doi:10.1038/s41598-019-41188-z##[7]. Hutchinson S, Battaglia S, Roberg-Larsen H, Hughes T, Thorne J. Cholesterol metabolism and chemo-resistance in breast cancer. Bioscientifica; 2018 [cited 2025 Oct 5]. Available from: https://www.endocrine-abstracts.org/ea/0059/ea0059p111 doi:10.1530/endoabs.59.P111##[8]. Yang Z, Qin W, Chen Y, Yuan B, Song X, Wang B, et al. Cholesterol inhibits hepatocellular carcinoma invasion and metastasis by promoting CD44 localization in lipid rafts. Cancer Lett 2018;429:66–77. doi:10.1016/j.canlet.2018.04.038 ##[9]. Liu LK, Choudhary V, Toulmay A, Prinz WA. An inducible ER-Golgi tether facilitates ceramide transport to alleviate lipotoxicity. J Cell Biol. 2017;216(1):131–47. doi:10.1083/jcb.201606059 ##[10]. Sharma B, Kanwar SS. Phosphatidylserine: A cancer cell targeting biomarker. Semin Cancer Biol 2018;52(Pt 1):17–25. doi:10.1016/j.semcancer.2017.08.012 ##[11]. Peetla C, Bhave R, Vijayaraghavalu S, Stine A, Kooijman E, Labhasetwar V. Drug resistance in breast cancer cells: biophysical characterization of and doxorubicin interactions with membrane lipids. Mol Pharm 2010;7(6):2334–48. doi:10.1021/mp100308n ##[12]. Nguyen HL, Man VH, Li MS, Derreumaux P, Wang J, Nguyen PH. Elastic moduli of normal and cancer cell membranes revealed by molecular dynamics simulations. Phys Chem Chem Phys 2022;24(10):6225–37. doi:10.1039/D1CP04836H##[13]. Reddy AS, Warshaviak DT, Chachisvilis M. Effect of membrane tension on the physical properties of DOPC lipid bilayer membrane. Biochim Biophys Acta 2012;1818(9):2271–81. doi:10.1016/j.bbamem.2012.05.006 ##[14]. Marrink SJ, Corradi V, Souza PCT, Ingólfsson HI, Tieleman DP, Sansom MSP. Computational Modeling of Realistic Cell Membranes. Chem Rev 2019;119(9):6184–226. doi:10.1021/acs.chemrev.8b00460##[15]. Enkavi G, Javanainen M, Kulig W, Róg T, Vattulainen I. Multiscale Simulations of Biological Membranes: The Challenge to Understand Biological Phenomena in a Living Substance. Chem Rev 2019;119(9):5607–774. doi:10.1021/acs.chemrev.8b00538##[16]. Bera I, Klauda JB. Molecular Simulations of Mixed Lipid Bilayers with Sphingomyelin, Glycerophospholipids, and Cholesterol. J Phys Chem B 2017;121(20):5197–208. doi:10.1021/acs.jpcb.7b00359##[17]. Saeedimasine M, Montanino A, Kleiven S, Villa A. Role of lipid composition on the structural and mechanical features of axonal membranes: a molecular simulation study. Sci Rep 2019;9(1):8000. doi:10.1038/s41598-019-44318-9##[18]. Shahane G, Ding W, Palaiokostas M, Orsi M. Physical properties of model biological lipid bilayers: insights from all-atom molecular dynamics simulations. J Mol Model 2019;25(3):76. doi:10.1007/s00894-019-3964-0 ##[19]. Almeida ER, Santos HFD, Capriles PVSZ. Carbon nanohorns as nanocontainers for cisplatin: insight into their interaction with the plasma membranes of normal and breast cancer cells. Phys Chem Chem Phys 2021;23(30):16376–89. doi:10.1039/D1CP02015C##[20]. Lee J, Cheng X, Swails JM, Yeom MS, Eastman PK, Lemkul JA, et al. CHARMM-GUI Input Generator for NAMD, GROMACS, AMBER, OpenMM, and CHARMM/OpenMM Simulations Using the CHARMM36 Additive Force Field. J Chem Theory Comput 2016;12(1):405–13. doi:10.1021/acs.jctc.5b00935 ##[21]. Wu EL, Cheng X, Jo S, Rui H, Song KC, Dávila-Contreras EM, et al. CHARMM‐GUI Membrane Builder toward realistic biological membrane simulations. J Comput Chem 2014;35(27):1997–2004. doi:10.1002/jcc.23702##[22]. Evans DJ, Holian BL. The Nose–Hoover thermostat. J Chem Phys. 1985;83(8):4069–74. doi:10.1063/1.449071##[23]. Parrinello M, Rahman A. Polymorphic transitions in single crystals: A new molecular dynamics method. J Appl Phys 1981;52(12):7182-90. https://doi.org/10.1063/1.328693##[24]. Darden T, York D, Pedersen L. Particle mesh Ewald: An N⋅log(N) method for Ewald sums in large systems. J Chem Phys 1993;98(12):10089–92. doi:10.1063/1.464397##[25]. Hess B. ACS Publications. American Chemical Society. P-LINCS: A Parallel Linear Constraint Solver for Molecular Simulation; 2007 [cited 2025 Dec 21]. Available from: https://pubs.acs.org/doi/abs/10.1021/ct700200b doi:10.1021/ct700200b##[26]. Marrink SJ, Risselada HJ, Yefimov S, Tieleman DP, de Vries AH. The MARTINI Force Field: Coarse Grained Model for Biomolecular Simulations. J Phys Chem B 2007;111(27):7812–24. doi:10.1021/jp071097f##[27]. Tironi IG, Sperb R, Smith PE, van Gunsteren WF. A generalized reaction field method for molecular dynamics simulations. J Chem Phys 1995;102(13):5451–9. doi:10.1063/1.469273##[28]. Wadhwa R, Yadav NS, Katiyar SP, Yaguchi T, Lee C, Ahn H, et al. Molecular dynamics simulations and experimental studies reveal differential permeability of withaferin-A and withanone across the model cell membrane. Sci Rep 2021;11(1):2352. doi:10.1038/s41598-021-81729-z##[29]. Vijayaraghavalu S, Peetla C, Lu S, Labhasetwar V. Epigenetic Modulation of the Biophysical Properties of Drug-Resistant Cell Lipids to Restore Drug Transport and Endocytic Functions. Mol Pharm 2012;9(9):2730–42. doi:10.1021/mp300281t ##[30]. Moradi S, Nowroozi A, Shahlaei M. Shedding light on the structural properties of lipid bilayers using molecular dynamics simulation: a review study. RSC Adv 2019;9(8):4644–58. doi:10.1039/C8RA08441F##[31]. Preta G. New Insights into Targeting Membrane Lipids for Cancer Therapy. Front Cell Dev Biol 2020;8. doi:10.3389/fcell.2020.571237##[32]. Petrache HI, Dodd SW, Brown MF. Area per lipid and acyl length distributions in fluid phosphatidylcholines determined by (2)H NMR spectroscopy. Biophys J 2000;79(6):3172–92. doi:10.1016/S0006-3495(00)76551-9##[33]. Chaisson EH, Heberle FA, Doktorova M. Quantifying Acyl Chain Interdigitation in Simulated Bilayers via Direct Transbilayer Interactions. J Chem Inf Model 2025;65(8):3879–85. doi:10.1021/acs.jcim.4c02287##[34]. Rivel T, Ramseyer C, Yesylevskyy S. The asymmetry of plasma membranes and their cholesterol content influence the uptake of cisplatin. Sci Rep 2019;9:5627. doi:10.1038/s41598-019-41903-w## ##

بررسی تولیدات علمی پزشکی از راه دور در ایران: رویکرد متن‌کاوی Analysis of Scientific Production in Telemedicine in Iran: A Literature Review Using Text Mining Approach 1 1 مقدمه: پیشرفت‌های فناوری اطلاعات و ارتباطات در سال‌های اخیر موجب تحول در ارائه خدمات سلامت شده و پزشکی از راه دور به‌عنوان رویکردی مؤثر برای بهبود دسترسی، کاهش هزینه‌ها و پشتیبانی از مراقبت مستمر بیماران مطرح گردیده است. در ایران نیز توجه پژوهشگران به این حوزه افزایش یافته، اما همچنان موانعی در زمینه‌های سیاستی، زیرساختی و فرهنگی وجود دارد. این مطالعه با هدف شناسایی روندها و موضوعات تولیدات علمی پزشکی از راه دور در ایران انجام شده است. روش کار: مطالعه حاضر یک مرور نظام‌مند از مطالعات گذشته است که با به‌کارگیری فنون متن‌کاوی انجام شده است. داده‌ها شامل ۲۶۷ رکورد علمی مرتبط با پزشکی از راه دور از سوی پژوهشگران ایرانی بود که در تاریخ ۱ سپتامبر ۲۰۲۵ از پایگاه اسکوپوس استخراج گردید. داده‌ها پس از پیش‌پردازش (شامل حذف علائم، کلمات توقف و...) مورد تجزیه‌وتحلیل قرار گرفتند. سپس با استفاده از الگوریتم تخصیص پنهان دیریکله (LDA)، موضوعات تولیدات علمی شناسایی شد. نتایج در قالب ابرواژگان، خوشه‌های موضوعی و روندهای زمانی به‌صورت مصورسازی نمایش داده شد. یافته‌ها: نتایج تحلیل داده‌ها ۹ خوشه موضوعی اصلی را آشکار ساخت. بیشترین میزان انتشارات به موضوع «ارزیابی و کاربردپذیری سیستم‌ها و اپلیکیشن‌های سلامت همراه» اختصاص یافت. سایر خوشه‌ها عبارت بودند از: سیاست‌گذاری و استانداردسازی، مداخلات سلامت همراه، مدیریت بیماری و خودمراقبتی، امنیت و حریم خصوصی داده‌ها، و توسعه روش‌شناسی. نتیجه‌گیری: نتایج نشان داد که تولیدات علمی پزشکی از راه دور در ایران در سال‌های اخیر رشد چشمگیری داشته و از تمرکز صرف بر کاربردهای بالینی به‌سمت توجه به ابعاد سیاستی، فناورانه و مدیریتی حرکت کرده است. با این حال، توجه کمتر به حوزه‌هایی همچون امنیت داده، پذیرش فرهنگی و عدالت در دسترسی، نشان‌دهنده خلأهای مهمی است که باید در مطالعات آینده مورد تأکید قرار گیرند. مقدمه: پیشرفت‌های فناوری اطلاعات و ارتباطات در سال‌های اخیر موجب تحول در ارائه خدمات سلامت شده و پزشکی از راه دور به‌عنوان رویکردی مؤثر برای بهبود دسترسی، کاهش هزینه‌ها و پشتیبانی از مراقبت مستمر بیماران مطرح گردیده است. در ایران نیز توجه پژوهشگران به این حوزه افزایش یافته، اما همچنان موانعی در زمینه‌های سیاستی، زیرساختی و فرهنگی وجود دارد. این مطالعه با هدف شناسایی روندها و موضوعات تولیدات علمی پزشکی از راه دور در ایران انجام شده است. روش کار: مطالعه حاضر یک مرور نظام‌مند از مطالعات گذشته است که با به‌کارگیری فنون متن‌کاوی انجام شده است. داده‌ها شامل ۲۶۷ رکورد علمی مرتبط با پزشکی از راه دور از سوی پژوهشگران ایرانی بود که در تاریخ ۱ سپتامبر ۲۰۲۵ از پایگاه اسکوپوس استخراج گردید. داده‌ها پس از پیش‌پردازش (شامل حذف علائم، کلمات توقف و...) مورد تجزیه‌وتحلیل قرار گرفتند. سپس با استفاده از الگوریتم تخصیص پنهان دیریکله (LDA)، موضوعات تولیدات علمی شناسایی شد. نتایج در قالب ابرواژگان، خوشه‌های موضوعی و روندهای زمانی به‌صورت مصورسازی نمایش داده شد. یافته‌ها: نتایج تحلیل داده‌ها ۹ خوشه موضوعی اصلی را آشکار ساخت. بیشترین میزان انتشارات به موضوع «ارزیابی و کاربردپذیری سیستم‌ها و اپلیکیشن‌های سلامت همراه» اختصاص یافت. سایر خوشه‌ها عبارت بودند از: سیاست‌گذاری و استانداردسازی، مداخلات سلامت همراه، مدیریت بیماری و خودمراقبتی، امنیت و حریم خصوصی داده‌ها، و توسعه روش‌شناسی. نتیجه‌گیری: نتایج نشان داد که تولیدات علمی پزشکی از راه دور در ایران در سال‌های اخیر رشد چشمگیری داشته و از تمرکز صرف بر کاربردهای بالینی به‌سمت توجه به ابعاد سیاستی، فناورانه و مدیریتی حرکت کرده است. با این حال، توجه کمتر به حوزه‌هایی همچون امنیت داده، پذیرش فرهنگی و عدالت در دسترسی، نشان‌دهنده خلأهای مهمی است که باید در مطالعات آینده مورد تأکید قرار گیرند. 2 Introduction: Advances in information and communication technologies have transformed healthcare delivery in recent years, positioning telemedicine as an effective approach to improving accessibility, reducing costs, and supporting continuous patient care. While researchers in Iran have shown increased interest in this field, policy, infrastructural, and cultural barriers persist. This study aimed to identify the trends and topics of telemedicine- related scientific production in Iran. Method: This literature review utilized text mining techniques. Data consisted of 267 scientific records by Iranian researchers, related to telemedicine, retrieved from the Scopus database on September 1, 2025. After preprocessing—including the removal of symbols, stop words, and other irrelevant elements—the data were analyzed. The Latent Dirichlet Allocation (LDA) algorithm was then used to identify the topics of these scientific productions. Results were visualized through word clouds, thematic clusters, and temporal trends. Results: The analysis revealed nine main thematic clusters. The largest share of publications was dedicated to “evaluation and usability of mobile health systems and applications.” Other clusters included policymaking and standardization, mobile health interventions, disease management and self-care, data security and privacy, and methodological development. Conclusion: The findings show that telemedicine-related scientific productions in Iran have grown significantly in recent years, shifting from a sole focus on clinical applications toward broader policy, technological, and managerial dimensions. Nonetheless, limited attention to areas such as data security, cultural acceptance, and equity in access highlights critical gaps that future studies should address. 359 371 2025/12/132025/09/182025/10/112025/12/242025/09/30 1404/7/8 2026/02/152026/02/152026/02/152026/02/212026/01/16 1404/10/26 سید یونس حسینی Seyed Younes Hosseini کارشناسی ارشد روان‌پرستاری، دانشکده پرستاری و مامایی، علوم پزشکی تهران، دانشگاه آزاد اسلامی، تهران، ایران youneshosein@gmail.com مهناز محسنی Mahnaz Mohseni عضو هیئت علمی، گروه علم اطلاعات و دانش‌شناسی، دانشگاه پیام نور، تهران، ایران Mohseni92@pnu.ac.ir میثم داستانی Meisam Dastani دکترای علم اطلاعات و دانش‌شناسی (بازیابی اطلاعات و دانش)، مرکز تحقیقات بیماری‌های عفونی، دانشگاه علوم پزشکی گناباد، گناباد، ایران meisam.dastani@gmail.com Telemedicine mHealth Text Mining Topic Modeling Iran پزشکی از راه دور سلامت همراه متن‌کاوی مدل‌سازی موضوعی ایران [1]. Alenoghena CO, Ohize HO, Adejo AO, Onumanyi AJ, Ohihoin EE, Balarabe AI, et al. Telemedicine: a survey of telecommunication technologies, developments, and challenges. J. Sens. Actuator Netw 2023; 12(2): 20. https://doi.org/10.3390/jsan12020020##[2]. Ftouni R, AlJardali B, Hamdanieh M, Ftouni L, Salem N. Challenges of telemedicine during the COVID-19 pandemic: a systematic review. BMC Med Inform Decis Mak 2022;22(1):207. doi: 10.1186/s12911-022-01952-0##[3]. Keesara S, Jonas A, Schulman K. Covid-19 and health care’s digital revolution. N Engl J Med 2020;382(23):e82. doi: 10.1056/NEJMp2005835##[4]. Omboni S, Padwal RS, Alessa T, Benczúr B, Green BB, Hubbard I, et al. The worldwide impact of telemedicine during COVID-19: current evidence and recommendations for the future. Connect Health 2022:1:7-35. doi: 10.20517/ch.2021.03##[5]. Hosseini SM, Boushehri SA, Alimohammadzadeh K. Challenges and solutions for implementing telemedicine in Iran from health policymakers’ perspective. BMC Health Serv Res 2024;24(1):50. doi: 10.1186/s12913-023-10488-6##[6]. Salehahmadi Z, Hajialiasghari F. Telemedicine in Iran: chances and challenges. World J Plast Surg 2013;2(1):18-25. ##[7]. 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):739–50. doi: 10.18502/ijph.v54i4.18412##[8]. Danesh F, Dastani M, Ghorbani M. Retrospective and prospective approaches of coronavirus publications in the last half-century: a Latent Dirichlet Allocation analysis. Library Hi Tech 2021;39(3):855–72.##[9]. Dastani M, Ehtesham H, Javanmard Z, Sabahi A, Bahador F. Identifying the trends of global publications in health information technology using text-mining techniques. Shiraz E-Med J 2022;23(11):e123803. https://doi.org/10.5812/semj-123803##[10]. Waqas A, Teoh SH, Lapão LV, Messina LA, Correia JC. Harnessing telemedicine for the provision of health care: bibliometric and scientometric analysis. J Med Internet Res 2020;22(10):e18835. doi: 10.2196/18835##[11]. Liu P, Wang F, Xu W, Li Y, Li B. Trends and frontiers of research on telemedicine from 1971 to 2022: a scientometric and visualisation analysis. J Telemed Telecare 2023;29(9):731-46. doi: 10.1177/1357633X231183732##[12]. Kim A, Choi S, Woo K. Navigating the landscape of telemedicine research: a topic modeling approach for the present and future. Telemed J E Health 2024;30(5):1378-93. doi: 10.1089/tmj.2023.0523##[13]. Mongeon P, Paul-Hus A. The journal coverage of Web of Science and Scopus: a comparative analysis. Scientometrics 2016;106(1):213–28. doi: 10.1007/s11192-015-1765-5##[14]. Zimmermann J, Champagne LE, Dickens JM, Hazen BT. Approaches to improve preprocessing for Latent Dirichlet Allocation topic modeling. Decision Support Systems 2024;185:114310. https://doi.org/10.1016/j.dss.2024.114310##[15]. Hickman L, Thapa S, Tay L, Cao M, Srinivasan P. Text preprocessing for text mining in organizational research: review and recommendations. Organizational Research Methods 2022;25(1):114–46. doi:10.1177/1094428120971683##[16]. Chai CP. Comparison of text preprocessing methods. Natural Language Engineering 2023;29(3):509–53. doi:10.1017/S1351324922000213##[17]. Chang IC, Yu TK, Chang YJ, Yu TY. Applying text mining, clustering analysis, and latent Dirichlet Allocation techniques for topic classification of environmental education journals. Sustainability 2021;13(19):10856. doi:10.3390/su131910856##[18]. Antons D, Grünwald E, Cichy P, Salge TO. The application of text mining methods in innovation research: current state, evolution patterns, and development priorities. R&D Management 2020;50(3):329–51. https://doi.org/10.1111/radm.12408##[19]. Vanhala M, Lu C, Peltonen J, Sundqvist S, Nummenmaa J, Järvelin K. The usage of large data sets in online consumer behaviour: a bibliometric and computational text-mining–driven analysis of previous research. Journal of Business Research 2020;106:46–59.##[20]. He H, Abdul-Rashid SH, Raja Ghazilla RA. Research trends and hot spots in telemedicine for the elderly: a scientometric analysis. Healthcare (Basel). 2024;12(18):1853. doi: 10.3390/healthcare12181853##[21]. Fatehi F, Wootton R. Telemedicine, telehealth or e-health? A bibliometric analysis of the trends in the use of these terms. J Telemed Telecare 2012;18(8):460-4. doi: 10.1258/jtt.2012.gth108##[22]. Goharinejad S, Hajesmaeel-Gohari S, Jannati N, Bahaadinbeigy K. Review of systematic reviews in the field of telemedicine. Med J Islam Repub Iran 2021;35:184. doi: 10.47176/mjiri.35.184##[23]. Safi S, Ahmadieh H, Katibeh M, Yaseri M, Nikkhah H, Karimi S, et al. Modeling a telemedicine screening program for diabetic retinopathy in Iran and implementing a pilot project in Tehran suburb. J Ophthalmol 2019:2019:2073679. doi: 10.1155/2019/2073679##[24]. Conroy JC, Babcock DB, Goldstein AM, Li Y, Liang J, Neyra J. Analyzing how research on telepsychology has changed as a result of the coronavirus pandemic. In: TMS Proceedings; 2021. doi: https://doi.org/10.1037/tms0000017##[25]. Sun S, Zack T, Williams CY, Sushil M, Butte AJ. Topic modeling on clinical social work notes for exploring social determinants of health factors. JAMIA Open 2024 ;7(1):ooad112. doi: 10.1093/jamiaopen/ooad112##[26]. Dumbach P, Schwinn L, Löhr T, Do PL, Eskofier BM. Artificial intelligence trend analysis on healthcare podcasts using topic modeling and sentiment analysis: a data-driven approach. Evolutionary Intelligence 2024;17(4):2145–66.##[27]. Maugeri A, Barchitta M, Basile G, Agodi A. Public and research interest in telemedicine from 2017 to 2022: infodemiology study of Google trends data and bibliometric analysis of scientific literature. J Med Internet Res 2024:26:e50088. doi: 10.2196/50088##[28]. Yang YT, Iqbal U, Ching JHY, Ting JBS, Chiu HT, Tamashiro H, Hsu YHE. Trends in the growth of literature of telemedicine: a bibliometric analysis. Comput Methods Programs Biomed 2015;122(3):471-9. doi: 10.1016/j.cmpb.2015.09.008## ##

ضرورت ادغام هوش مصنوعی توضیح‌پذیر در سیستم‌های پشتیبان تصمیم‌گیری بالینی مراقبت‌های بهداشتی اولیه The Necessity of Integrating Explainable Artificial Intelligence into Clinical Decision Support Systems in Primary Health Care 1 1 مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد. 372 375 2025/12/132025/09/182025/10/112025/12/242025/09/302026/01/22 1404/11/2 2026/02/152026/02/152026/02/152026/02/212026/01/162026/02/14 1404/11/25 الهه شفیعی Elaheh Shafiei مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران e.shafiei.sh@gmail.com فرزان مددی زاده Farzan Madadizadeh مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران statlearningeasy@gmail.com Explainable AI Clinical Decision Support Systems Primary Health Care PHC سیستم های پشتیبان تصمیم گیری بالینی هوش مصنوعی توضیح‌پذیر مراقبت‌های بهداشتی اولیه [1]. Starfield B, Shi L, Macinko J. Contribution of primary care to health systems and health. Milbank Q 2005;83(3):457–502. doi: 10.1111/j.1468-0009.2005.00409.x##[2]. Harada T, Miyagami T, Kunitomo K, Shimizu T. Clinical decision support systems for diagnosis in primary care: A scoping review. Int J Environ Res Public Health 2021;18(16):8435. doi: 10.3390/ijerph18168435##[3]. Sutton RT, Pincock D, Baumgart DC, Sadowski DC, Fedorak RN, Kroeker KI. An overview of clinical decision support systems: Benefits, risks, and strategies for success. NPJ Digit Med. 2020;3:17. doi: 10.1038/s41746-020-0221-y##[4]. Elhaddad M, Hamam S. AI-driven clinical decision support systems: An ongoing pursuit of potential. Cureus 2024;16(4):e57728. doi: 10.7759/cureus.57728##[5]. Cutillo CM, Sharma KR, Foschini L, Kundu S, Mackintosh M, Mandl KD. Machine intelligence in healthcare—Perspectives on trustworthiness, explainability, usability, and transparency. NPJ Digit Med 2020;3:47. doi: 10.1038/s41746-020-0254-2##[6]. Gunning D, Stefik M, Choi J, Miller T, Stumpf S, Yang GZ. XAI—Explainable artificial intelligence. Sci Robot 2019;4(37):eaay7120. doi: 10.1126/scirobotics.aay7120##[7]. Antoniadi AM, Du Y, Guendouz Y, Wei L, Mazo C, Becker BA, et al. Current challenges and future opportunities for explainable AI in machine learning-based clinical decision support systems: A systematic review. Appl Sci 2021;11(11):5088. https://doi.org/10.3390/app11115088##[8]. Abbas Q, Jeong W, Lee SW. Explainable AI in clinical decision support systems: Methods, applications, and usability challenges. Healthcare 2025;13(17):2154. doi: 10.3390/healthcare13172154## ##

هوش مصنوعی چندوجهی در پزشکی: از ادغام داده‌های ناهمگون تا تصمیم‌گیری بالینی دقیق Multimodal Artificial Intelligence in Medicine: From Integration of Heterogeneous Data to Precision Clinical Decision‑Making 1 1 مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد. 2 The article is a Letter to the Editor; therefore, it does not include an abstract. 376 379 2025/12/132025/09/182025/10/112025/12/242025/09/302026/01/222026/01/6 1404/10/16 2026/02/152026/02/152026/02/152026/02/212026/01/162026/02/142026/02/4 1404/11/15 عارفه عامری Arefeh Ameri مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ameri1373@gmail.com فرزاد سلمانی زاده Farzad Salmanizadeh مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران salmanifarzad@gmail.com Multimodal Artificial Intelligence Heterogeneous Medical Data Precision Clinical Decision-Making هوش مصنوعی چندوجهی داده‌های ناهمگون پزشکی تصمیم‌گیری بالینی دقیق 1. Acosta JN, Falcone GJ, Rajpurkar P, Topol EJ. Multimodal biomedical AI. Nature medicine. 2022 Sep;28(9):1773-84.##2. Huang SC, Pareek A, Zamanian R, Banerjee I, Lungren MP. Multimodal fusion with deep neural networks for leveraging CT imaging and electronic health record: a case-study in pulmonary embolism detection. Scientific reports. 2020 Dec 17;10(1):22147.##3. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, Cui C, Corrado G, Thrun S, Dean J. A guide to deep learning in healthcare. Nature medicine. 2019 Jan;25(1):24-9.##4. Moor M, Banerjee O, Abad ZS, Krumholz HM, Leskovec J, Topol EJ, Rajpurkar P. Foundation models for generalist medical artificial intelligence. Nature. 2023 Apr 13;616(7956):259-65.##5. Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nature medicine. 2022 Jan;28(1):31-8.##6. Kather JN, Pearson AT, Halama N, Jäger D, Krause J, Loosen SH, Marx A, Boor P, Tacke F, Neumann UP, Grabsch HI. Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nature medicine. 2019 Jul;25(7):1054-6.##7. Attia ZI, Kapa S, Lopez-Jimenez F, McKie PM, Ladewig DJ, Satam G, Pellikka PA, Enriquez-Sarano M, Noseworthy PA, Munger TM, Asirvatham SJ. Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram. Nature medicine. 2019 Jan;25(1):70-4.##8. Bommasani R, Hudson DA, Adeli E, Altman R, Arora S, von Arx S, Bernstein MS, Bohg J, Bosselut A, Brunskill E, Brynjolfsson E. On the opportunities and risks of foundation models. arXiv preprint arXiv:2108.07258. 2021 Aug 16.##9. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature medicine. 2019 Jan;25(1):44-56.##10. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC medicine. 2019 Oct 29;17(1):195.## ##