1395 3 1 7 75

کاربرد داده کاوی در پیش بینی بقای پیوند کلیه و شناسایی متغیرهای تأثیرگذار در بقای کلیه پیوندی The Impact of Data Mining on Prediction of Renal Transplantation Survival and Identifying the Effective Factors on the Transplanted Kidney 1 1 مقدمه: نارسایی مزمن کلیه از بیماری‌های شایع در ایران و جهان است و پیوند کلیه روش درمانی مناسب و مؤثرترین راهبرد در بین بیماران مبتلا به نارسایی مزمن کلیه است. این مطالعه جهت پیش‌بینی بقای کلیه پیوندی و شناسایی عوامل مؤثر بر آن و ارائه یک مدل به منظور صحت پیش‌بینی بالاتر انجام شد. روش: مطالعه حاضر به روش گذشته‌نگر بر روی داده‌های 423 مورد پرونده بیماران پیوند کلیه در سال‌های 90-1385 در مرکز آموزشی-درمانی افضلی‌پور شهر کرمان انجام گرفت. از طبقه‌بند‌های شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان جهت پیش بینی بقای پیوند کلیه و از همجوشی اطلاعات برای ترکیب نتایج طبقه‌بندهای ذکر شده، به منظور طراحی مدلی با صحت بالاتر استفاده شد. همچنین، برای شناسایی متغیرهای تأثیرگذار در بقای کلیه پیوندی از الگوریتم ژنتیک و جهت تحلیل داده‌ها و اجرای الگوریتم‌ها از نرم افزارهای Clementine 12 و Weka استفاده شد. نتایج: صحت حاصل از سه روش شبکه عصبی، درخت تصمیم و ماشین بردار پشتیبان به ترتیب برابر با 94 ، 92و 92 درصد و صحت به دست آمده از روش همجوشی اطلاعات برابر 95/74درصد بوده است. همچنین، ویژگی‌های شاخص توده بدنی و جنسیت گیرنده، سن دهنده، همسانی گروه خونی دهنده و گیرنده و سابقه پیوند کلیه توسط الگوریتم ژنتیک به عنوان متغیر‌های تأثیرگذار در بقای پیوند کلیه شناسایی شد که صحت پیش‌بینی مدل پیشنهادی با این تعداد ویژگی 91/67درصد بوده است. نتیجه‌گیری: با استفاده از همجوشی اطلاعات، می‌توان صحت نتایج طبقه‌بندها را افزایش داد. همچنین، الگوریتم ژنتیک روش مناسبی جهت شناسایی ویژگی‌های بهینه است. 2 Introduction: Chronic kidney failure is a common disease in the world and kidney transplantation is the most effective treatment in patients with chronic kidney failure. The aim of this study was to predict the survival of transplanted kidney and identify its effective factors, and also to provide a model for higher prediction accuracy. Method: In this retrospective study, data from 423 cases of kidney transplant patients during 2006-2011 in Afzalipour Teaching Hospital in Kerman were obtained. The neural networks, decision tree and support vector machine were used to predict kidney transplantation survival and information fusion was used to combine the results of these classifiers and design a model with higher prediction accuracy. In addition, for identifying factors affecting the survival of transplanted kidney, genetic algorithm was used and for data analysis and implementation of algorithms, Clementine 12 and Weka 2.3 were used. Results: The accuracy of neural networks, decision tree, and support vector machine were 94%, 92%, and 92%, respectively, and the accuracy of information fusion was 95.74%. Also, recipient BMI and gender, donor age, compatibility of donor and recipient blood group, and history of kidney transplantation as the effective factors on renal transplantation survival were identified by genetic algorithm. The prediction accuracy of this model was 91.67%. Conclusion: The results show that information fusion can increase the prediction accuracy. Also, the genetic algorithm as an effective method can be used for identifying the optimal features. 1 9 2016/05/31 1395/3/11 2016/06/16 1395/3/27 محترم میرزایی Mohtaram Mirzaei کارشناس ارشد انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران. ایران mp.mirzaei@gmail.com محمد فیروزآبادی Mohammad FiroozAbadi دکترای مهندسی پزشکی، استاد، گروه انفورماتیک پزشکی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس، تهران، ایران. ایران mp.mirzaei@gmail.com Information fusion Neural Network Decision Tree Support Vector Machine Genetic Algorithm همجوشی اطلاعات شبکه عصبی درخت تصمیم ماشین بردار پشتیبان الگوریتم ژنتیک 1. Mahdavi-Mazdeh M, Heidary Rouchi A, Norouzi S, Aghighi M, Rajolani H, Ahrabi S. Renal replacement therapy in Iran. Urol J. 2007;4(2):66-4.##2. Ashrafi M, Hamidi Beheshti MT, Shahidi S, Ashrafi F. Application of artificial neural network to predict graft survival after kidney transplantation: reports of 22 years follow up of 316 patients in Isfahan. Tehran Univ Med J. 2009, 67(5): 353-9. Persian.##3. Brown TS, Elster EA, Stevens K, Graybill JC, Gillern S, Phinney S, et al. Bayesian modeling of pretransplant variables accurately predicts kidney graft survival. Am J Nephrol. 2012;36(6):561-9.##4. Lasserre J, Arnold S, Vingron M, Reinke P, Hinrichs C. P Predicting the outcome of renal transplantation. J Am Med Inform Assoc. 2012;19(2):255-62.##5. Santori G, Fontana I, Valente U. Application of an artificial neural network model to predict delayed decrease of serum creatinine in pediatric patients after kidney transplantation. Transplant Proc. 2007;39(6):1813-9. ##6. Han J, Kamber M. Data Mining. Southeast Asia: Morgan Kaufmann; 2006.##7. Ruta D, Gabrys B. An overview of classifier fusion methods. Computing and Information systems 2000;7(1):1-10.##8. Rettkowski O, Wienke A, Hamza A, Osten B, Fornara P. Low body mass index in kidney transplant recipients: risk or advantage for long-term graft function? Transplant Proc. 2007;39(5):1416-20.##9. Meier-Kriesche HU, Arndorfer JA, Kaplan B. The impact of body mass index on renal transplant outcomes: a significant independent risk factor for graft failure and patient death. Transplantation. 2002;73(1):70-4.##10. El-Husseini AA, Foda MA, Shokeir AA, Shehab El-Din AB, Sobh MA, Ghoneim MA. Determinants of graft survival in pediatric and adolescent live donor kidney transplant recipients: a single center experience. Pediatr Transplant. 2005;9(6):763-9.##11. Park K, Kim YS, Kim MS, Kim SI, Oh CK, Han DS. A 16-year experience with 1275 primary living donor kidney transplants: univariate and multivariate analysis of risk factors affecting graft survival. Transplant Proc. 1996;28(3):1578-9.##12. Courtney AE, McNamee PT, Maxwell AP. The evolution of renal transplantation in clinical practice: for better, for worse? QJM. 2008;101(12):967-78.##13. Briganti EM, Wolfe R, Russ GR, Eris JM, Walker RG, McNeil JJ. Graft loss following renal transplantation in Australia: is there a centre effect? Nephrol Dial Transplant. 2002;17(6):1099-104.##14. Almasi Hashiani A, Rajaeefard A, Hassanzade J, Salahi H. Survival analysis of renal transplantation and its relationship with age and sex. Koomesh. 2010; 11 (4):302-6. Persian.##15. Rezaei M, Kazemnejad A, Bardideh AR, Mehmoudi M. Factors affecting survival in kidney recipients at Kermanshah. Urol J. 2009;1(3):180-7.##16. Humar A, Durand B, Gillingham K, Payne WD, Sutherland DE, Matas AJ. Living unrelated donors in kidney transplants: better long-term results than with non-HLA-identical living related donors? Transplantation. 2000;69(9):1942-5.##17. Matas AJ, Payne WD, Sutherland DE, Humar A, Gruessner RW, Kandaswamy R, et al. 2,500 living donor kidney transplants: a single-center experience. Ann Surg. 2001;234(2):149-64.##18. Song YS, Jung H, Shim J, Oh C, Shin GT, Kim H. Survival analysis of Korean end-stage renal disease patients according to renal replacement therapy in a single center. J Korean Med Sci. 2007;22(1):81-8.##19. Goldfarb-Rumyantzev AS, Scandling JD, Pappas L, Smout RJ, Horn S. Prediction of 3-yr cadaveric graft survival based on pre-transplant variables in a large national dataset. Clin Transplant. 2003;17(6):485-97. ##20. Shadabi F, Cox RJ, Sharma D, Petrovsky N. A hybrid decision tree - artificial neural networks ensemble approach for kidney transplantation outcomes prediction. 9th International Conference on Knowledge-Based Intelligent Information and Engineering Systems (KES 2005); 2005 Sep 14-16; Melbourne, Australia: Springer Berlin Heidelberg; p.116-22. ##21. Akl A, Ismail AM, Ghoneim M. Prediction of graft survival of living-donor kidney transplantation: nomograms or artificial neural networks? Transplantation. 2008;86(10):1401-6.##22. Port FK, Merion RM, Roys EC, Wolfe RA. Trends in organ donation and transplantation in the United States, 1997-2006. Am J Transplant. 2008;8(4 Pt 2): 911-21.#### ##

بررسی امکان به کارگیری آموزش از راه دور برای پرستاران Exploring the Possibility of Using Distance Learning for Nurses 1 1 مقدمه: با توجه به در مسیر توسعه قرار گرفتن کشور ایران، ضروری است به منظور دستیابی به اهداف نظام آموزشی، نسبت به به کارگیری روش‌های نوین آموزشی مخصوصاً آموزش از راه دور اقدام گردد. بدین ترتیب هدف از مطالعه حاضر بررسی امکان به کارگیری آموزش از راه دور برای پرستاران در بیمارستان‌های آموزشی دانشگاه علوم پزشکی زاهدان است. روش: پژوهش حاضر یک مطالعه توصیفی-مقطعی است. جامعه پژوهش پرستاران شاغل در بیمارستان‌های آموزشی دانشگاه علوم پزشکی زاهدان بود که روایی و پایایی ابزار گردآوری اطلاعات مورد تأیید قرار گرفت و برای تحلیل نتایج از روش‌های آمار توصیفی (میانگین، انحراف معیار و درصد) استفاده شد. نتایج: میانگین پاسخ پرستاران نشان می‌دهد که به ترتیب امکانات سازمانی بیمارستان‌ها با میانگین 2/64 از 5، امکانات تکنولوژیک بیمارستان‌های مورد مطالعه با میانگین 2/49 از 5، امکانات فرهنگی- اجتماعی بیمارستان‌ها با میانگین 2/64 از 5 و در نهایت نیز امکانات آموزشی بیمارستان‌ها با میانگین 2/58 از 5 برای به کارگیری آموزش از راه دور در سطح متوسط وجود دارند. نتیجه‌گیری: یافته‌ها نشان داد بیمارستان‌های مورد مطالعه امکانات لازم، برای برگزاری دوره‌های آموزش از راه دور را در سطح متوسط دارند. بنابراین با فراهم شدن زیر ساخت‌های تکنولوژیک، سازمانی و آموزشی می‌توان با استقرار این سامانه‌ها نقش پر رنگی در ارایه آموزش‌های ضمن خدمت از راه دور به پرستاران که نقش حیاتی در ارتقاء سلامت بیماران دارند و به علت کمبود وقت امکان شرکت در کلاس‌های حضوری را ندارند، ایفا کرد. 2 Introduction: In order to achieve educational goals in developing countries like Iran, it is essential to use new training methods especially distance learning.  The aim of this study was to investigate the possibility of using distance learning for nurses in teaching hospitals affiliated with Zahedan University of Medical Sciences. Method: In this cross-sectional study, all nurses working in teaching hospitals affiliated with Zahedan University of Medical Sciences were included. The validity and reliability of data collection tools were approved and the results were analyzed by using descriptive statistics (mean, standard deviation and percentage). Results: According to the nurses’ responses, it is revealed that for using distance learning, the organizational possibilities with average of 2.64, technological facilities with average of 2.49, sociocultural facilities with average of 2.64, and finally, educational facilities of hospitals with average of 2.58, are at intermediate level, respectively. Conclusion: The findings show that hospitals have necessary facilities at intermediate level for distance learning courses. Therefore, by providing technological, organizational, and educational infrastructure, nurses who have critical role in improving the health of patients but deprived from education due to lack of time, can also use distant learning. 10 17 2016/05/312016/02/4 1394/11/15 2016/06/162016/06/9 1395/3/20 سعید ابراهیمی Saeid Ebrahimi کارشناس ارشد فناوری اطلاعات سلامت، مربی، گروه فناوری اطلاعات سلامت، دانشگاه علوم پزشکی زاهدان، زاهدان، ایران. ایران saeidebrahimi9@gmail.com یوسف مهدی پور Yousef Mehdipour دکتری انفورماتیک پزشکی، استادیار، گروه فناوری اطلاعات سلامت، دانشگاه علوم پزشکی زاهدان، زاهدان، ایران. ایران saeidebrahimi9@gmail.com جهان پور علی پور Jahanpour Alipour دکتری مدیریت اطلاعات سلامت، استادیار، گروه فناوری اطلاعات سلامت، دانشگاه علوم پزشکی زاهدان، زاهدان، ایران. ایران saeidebrahimi9@gmail.com مرضیه بستانی Marziyeh Bostani کارشناس فناوری اطلاعات سلامت، گروه فناوری اطلاعات سلامت، دانشگاه علوم پزشکی زاهدان، زاهدان، ایران. ایران saeidebrahimi9@gmail.com Distance Learning E-Learning Virtual Education Nurses آموزش از راه دور آموزش الکترونیک آموزش مجازی پرستاران 1. Khorami F. Evaluation the health information needs of managers the ministry of health deputy for curial affairs in Iran health Science Universities [dissertation]. Tehran: Iran University of Medical Sciences; 2009.##2. Ahmadi M, Khoshgam M, Farhadi A. Compliance rate of surgical information systems with the information needs of surgeons. Journal Payavard Salamat. 2012; 7(1): 71-9. Persian.##3. Jafarzade MR. Transfer Model to evaluate the effectiveness of staff. Tadbir. 2007; 186. Persian. ##4. Zarparvar S, Hassani M, Kabiri A, Sameri M. Study in service training effectiveness in nurses group of imam reza hospital. J Urmia Nurs Midwifery Fac. 2013; 11 (9):738-44. Persian.##5. Emamzade Ghasemi H, Vanaki Z, Memarian R. The effect of using "applied in-service education model" on quality of nursing care in surgery unit. Iranian Journal of Medical Education 2004; 4(2): 13-21. Persian.##6. Fathivajargah K. Familiarity with staff in service training. Tehran: Publications of Training Department; 2008. Persian.##7. Khawaja J, Nadeem Ahmed B. Training and development program and its benefits to employee and organization: a conceptual study. European Journal of Business and Management. 2013; 5(2) :243-52.##8. Hamid S, Behrad MN. Employees Empowerment through In-Service Training. Inter J Edu Res Technol. 5(2): 2014: 22-31.##9. Klecun-Dabrowska E, Cornford T. The Organizing Vision of Tele health" ECIS 2002 Proceedings. 2002 Jun 6–8; Gdańsk: Poland; 2002. p. 1206-17.##10. Borhani F, Vatanparast M, Zadeh AA, Ranjbar H, Pour RS. Virtual education effect on cognitive learning and attitude of nursing students towards it. Iran J Nurs Midwifery Res. 2011; 16(4): 321–4.##11. Chipps J, Brysiewicz P, Mars M. A systematic review of the effectiveness of videoconference-based tele-education for medical and nursing education. Worldviews Evid Based Nurs. 2012;9(2):78-87.##12. Salari MM, Yaghmaei F, Mehdizade S, Vafadar Z, Afzali M. Factors related to accept of "e-learning" in nursing students. Educ Strategy Med Sci. 2009; 2 (3):103-8.##13. Hugenholtz NI, de Croon EM, Smits PB, van Dijk FJ, Nieuwenhuijsen K. Effectiveness of e-learning in continuing medical education for occupational physicians. Occup Med (Lond) 2008; 58(5): 370-2. ##14. Larijani B, Zahedi F, Malek-Afzali H. Medical ethics in the Islamic Republic of Iran. East Mediterr Health J. 2005;11(5-6):1061-72.##15. Yaghoubi J, Malek Mohammadi I, Iravani H, Attaran M. Desired characteristics of faculty members and students in e-learning in higher education of Iran: virtual students’ viewpoint. Journal of Research and Planning in Higher Education. 2008; 14 (1):160-73.##16. Fahami R, Zare H. An investigation of factors affecting accepting new technologies in distance education drawing on technology acceptance model (a case study of Esfahan Payame Noor University). Journal of New Approach in Educational Administration. 2013; 4 (1): 67 – 79.##17. Shafie Nik Abadi M. The internet's role in the creation of value. Journal of Tadbir. 2008;19(193): 39. Persian.##18. Yazici A, Altas I, Deminary U. Distance education on the net: a model for developing countries. Turkish Online Journal of Distance Education. 2001; 2(2):24-35.##19. Aein F, Nourian K. Problem–based learning: a new experience in education of pediatric nursing course to nursing students. J Shahrekord Univ Med Sci. 2006; 8 (2):16-20. Persian.##20. Abbaszadeh A, Sabeghi H, Borhani F, Heydari A. A comparative study on effect of e-learning and instructor-led methods on nurses’ documentation competency. Iran J Nurs Midwifery Res. 2011; 16(3): 235–43.##21. Munyoka W. Evaluation impact of tele-education as new open distance learning delivery mode on Learners in Botswana. Procedia -Social and Behavioral Sciences. 2014;116: 1248 –52.##22. Jarvis P.The Rutledge International Hand Book of Lifelong Learning. London & NewYork: Rutledge; 2011.##23. Safari MSM, Ghofranipoor F. Effects of nursing education with group discussion on the quality of nursing care for patients with myocardial infarction. Med J Islamic Republic of Iran Army. 2004;3(40): 437-41. Persian.##24. Buckley KM. Evaluation of classroom-based, Web-enhanced, and Web-based distance learning nutrition courses for undergraduate nursing. J Nurs Educ. 2003;42(8):367-70. ##25. Saeedinejat S, Vafaeenajar A. The effect of e-learning on students' educational success. Iranian Journal of Medical Education. 2011; 11 (1):1-9.##26. Sullivan E, Decker P. Effective Leadership and Management in Nursing. New Jersey: Pearson Practice Hall; 2007.##27. Zareiyan Jahromi A, Ahmadi F. Learning needs assessment in bachelor of nursing: a qualitative research. Iranian Journal of Medical Education. 2005; 5(2):81-92. Persian.##28. Parizad N, Hemmati Maslakpak M, Khalkhali HR. The effect of tele-education by telephone and short message service on laboratory parameters in patients with type 2 diabetes. J Ardabil Univ Med Sci. 2014; 14 (1):7-17. Persian.##29. Alavi SS, Makarem J, Namazi A. Implementation of staff in-service electronic training managers and employees of Tehran University of Medical Sciences view. Educ Strategy Med Sci. 2010; 3 (2):47-50.##30. Faraji Z, Alibeik M, Jamshidi R. Feasibility study of distance learning via internet for library staffs in central libraries of ministry of health and Medical education in Tehran. Health Information Management. 2011; 8(1):33-77. Persian.#### ##

پیش‌بینی اهداف MicroRNAهای دخیل در سرطان سینه با استفاده از روش‌های بیوانفورماتیکی Prediction of MicroRNAs (miRNAs) Targets in Breast Cancer Using Bioinformatics Methods 1 1 مقدمه: پیش‌بینی اهداف miRNA‌ها از اهمیت ویژه‌ای برخوردار است. توسعه روش‌های محاسباتی و متعاقباً صرفه‌جویی در هزینه و زمان پژوهش‌های آزمایشگاهی، تأثیر به سزایی در افزایش سرعت ساخت داروهای درمانی از جمله داروهای ضد سرطانی دارد. با توجه به این که زمان کمی از شناخت miRNA‌ها می‌گذرد، روند پژوهش‌ها در ابتدا کند بود. اما به مرور با شکل‌گیری دیتابیس‌های بیولوژیکی و درک اهمیت آن‌ها، دانشمندان بر روی این زمینه سرعت مطالعات و توجه خود را افزایش داده‌اند. تاکنون چندین روش کامپیوتری برای پیش‌بینی اهداف miRNAها ساخته شده است ولی اکثر این روش‏ها دارای نرخ بالایی از مثبت‏های اشتباه هستند و هنوز جا برای بهبود این روش‌ها وجود دارد. از آنجا که مطالعات جدید نشان می‏دهد که miRNAها در بافت‏های مختلف دارای اهداف متفاوتی هستند، هدف از این مقاله ارائه‏ یک روش کامپیوتری برای پیش‌بینی اهداف، در سرطان سینه می‏باشد، تا به این طریق با اطمینان بیشتری بتوان به پیش‌بینی اهداف در این سرطان پرداخت. روش: در این پژوهش، ابتدا انواع ویژگی‌ها استخراج شده، سپس ویژگی‌های برتر توسط دو روش CFS و ReliefF انتخاب گردیدند. انواع مدل‌های هوشمند از جمله شبکه عصبی، ماشین بردار پشتیبان با سه هسته متفاوت، الگوریتم نائیوبیز و درخت تصمیم‌گیری Random Forest بر روی داده‌ها با روش اعتبارسنجی ضربدری 10تایی تست و نتایج آن‌ها با یکدیگر مقایسه و تحلیل شد. سپس برای تأیید نتایج حاصل از داده‌های بیان ژن بهره گرفته شد. نتایج: با استفاده از این روش 124 اثر متقابل عملگر، شامل 21 miRNA و 38 mRNA، در سرطان مورد نظر پیش‌بینی گردید. نتیجه‌گیری: این رویکرد از لحاظ بیوانفورماتیکی برای سرطان سینه مورد تأیید قرار گرفت اما برای تأیید بیشتر این پیش‌بینی‌ها، نیاز به استفاده از روش‌های آزمایشگاهی می‌باشد. 2 Introduction: Prediction of MicroRNAs (miRNAs) targets has a major importance. Development of calculating methods and also cost-effective and time-saving laboratory researches, has great effect on the production of therapeutic medicines like anti cancerous drugs. Since miRNAs have been recently identified, the researches trend was slow at first but by development of biologic databases and understanding its importance, scientists enhanced the speed of studies and paid more attention to this field. Until now, several computerized methods have been developed for prediction of microRNAs (miRNAs) targets but most of these methods have high false positive and further studies are required to improve these methods. Since, recent studies show that miRNAs have different targets in several tissues, this study aimed to provide a computerized method for prediction of miRNAs target in breast cancer. Method: In this study, at first, all types of features were extracted, then, dominant features were selected via CFS and Relief methods. Smart models such as nervous network, Support Vector Machine with three different cores, Naïve Bayes algorithm and Random Forest decision tree using ten cross accreditation method were tested and its results compared and analyzed. In order to validate the results, gene expression profiling was used. Results: Analyzing miRNA and gene expression profiles, the classifier predicted 124 functional interactions involving 21 miRNAs and 38 mRNAs in breast cancer. Conclusion: In terms of bioinformatics, this approach was validated for breast cancer but for further validation, experimental methods also should be used. 18 28 2016/05/312016/02/42016/02/17 1394/11/28 2016/06/162016/06/92016/04/5 1395/1/17 بلال صادقی Balal Sadeghi دکتری تخصصی ژنتیک حیوانی (ژنتیک مولکولی و بیوانفورماتیک)، استادیار گروه بهداشت و مواد غذایی، دانشکده دامپزشکی، دانشگاه شهید باهنرکرمان، کرمان، ایران Iran sadeghi.balal@uk.ac.ir MicroRNAs Targets Prediction Breast Cancer Support Vector Machine Naïve Bayes پیش‌بینی اهداف miRNA‌ها سرطان سینه ماشین بردار پشتیبان بیز 1. Parkin DM, Bray F, Ferlay J, Pisani P. Global cancer statistics, 2002. CA Cancer J Clin. 2005; 55(2):74-108.##2. Casey MC, Sweeney KJ, Brown JA, Kerin MJ. Exploring circulating micro-RNA in the neoadjuvant treatment of breast cancer. Int J Cancer. 2016;139(1):12-22.##3. Madhavan D, Peng C, Wallwiener M, Zucknick M, Nees J, Schott S, et al. Circulating miRNAs with prognostic value in metastatic breast cancer and for early detection of metastasis. Carcinogenesis; 2016. ##4. Shimomura A, Shiino S, Kawauchi J, Takizawa S, Sakamoto H, Matsuzaki J, et al. Novel combination of serum microRNA for detecting breast cancer in the early stage. Cancer Sci. 2016;107(3):326-34. ##5. Costa FF. Non-coding RNAs: Meet thy masters. Bioessays. 2010; 32(7):599-608.##6. Bartel DP. MicroRNAs: Genomics, Biogenesis, Mechanism, and Function. Cell. 2004;116(2):281-97. ##7. Kim VN, Nam JW. Genomics of microRNA. Trends Genet. 2006;22(3):165-73.##8. Calin GA, Dumitru CD, Shimizu M, Bichi R, Zupo S, Noch E, et al. Frequent deletions and down-regulation of micro- RNA genes miR15 and miR16 at 13q14 in chronic lymphocytic leukemia. Proc Natl Acad Sci U S A. 2002;99(24):15524-9.##9. Almeida MI, Reis RM, Calin GA. MicroRNA history: discovery, recent applications, and next frontiers. Mutat Res. 2011; 717(1-2):1-8.##10. Jansson MD, Lund AH. MicroRNA and cancer. Mol Oncol. 2012; 6(6):590-610.##11. Lu J, Getz G, Miska EA, Alvarez-Saavedra E, Lamb J, Peck D, et al. MicroRNA expression profiles classify human cancers. Nature. 2005; 435(7043):834-8.##12. Esquela-Kerscher A, Slack FJ. Oncomirs - microRNAs with a role in cancer. Nat Rev Cancer. 2006;6(4):259-69.##13. Zhang W, Dahlberg JE, Tam W. MicroRNAs in tumorigenesis: a primer. Am J Pathol. 2007;171(3):728-38. ##14. Garzon R, Marcucci G, Croce CM. Targeting MicroRNAs in Cancer: Rationale, Strategies and Challenges. Nat Rev Drug Discov. 2010; 9(10):775-89.##15. Mitra R, Bandyopadhyay S. MultiMiTar: A Novel Multi Objective Optimization based miRNA-Target Prediction Method. PLoS ONE. 2011; 6(9):e24583.##16. Kononenko I. Estimating attributes: analysis and extensions of RELIEF. Machine Learning. 1994; 784: 171-82.##17. Frank E, Hall M, Trigg L, Holmes G, Witten IH: Data mining in bioinformatics using Weka. Bioinformatics. 2004;20(15):2479-81.##18. Buffa FM, Camps C, Winchester L, Snell CE, Gee HE, Sheldon H, et al. microRNA-associated progression pathways and potential therapeutic targets identified by integrated mRNA and microRNA expression profiling in breast cancer. Cancer Res. 2011;71(17):5635-45.##19. Bandyopadhyay S, Ghosh D, Mitra R, Zhao Z. MBSTAR: multiple instance learning for predicting specific functional binding sites in microRNA targets. Sci Rep. 2015;5:8004.##20. Li P, Hua X, Zhang Z, Li J, Wang J. Characterization of regulatory features of housekeeping and tissue-specific regulators within tissue regulatory networks. BMC Syst Biol. 2013;7:112. ##21. Kim SK, Nam JW, Rhee JK, Lee WJ, Zhang BT. miTarget: microRNA target gene prediction using a support vector machine. BMC Bioinformatics. 2006; 7:1-11.##22. Mendoza MR, da Fonseca GC, Loss-Morais G, Alves R, Margis R, Bazzan AL. RFMirTarget: predicting human microRNA target genes with a random forest classifier. PLoS One. 2013;8(7):e70153.##23. Bandyopadhyay S, Ghosh D, Mitra R, Zhao Z. MBSTAR: multiple instance learning for predicting specific functional binding sites in microRNA targets. Sci Rep. 2015;5:8004.##24. Wang X, El Naqa IM. Prediction of both conserved and nonconserved microRNA targets in animals. Bioinformatics. 2008; 24(3):325-32.##25. Xiao J, Li Y, Wang K, Wen Z, Li M, Zhang L, Guang X. In silico method for systematic analysis of feature importance in microRNA-mRNA interactions. BMC Bioinformatics. 2009;10:427##26. Nam JW, Rissland OS, Koppstein D, Abreu-Goodger C, Jan CH, Agarwal V, et al. Global analyses of the effect of different cellular contexts on microRNA targeting. Mol Cell. 2014;53(6):1031-43.## ##

بررسی مقایسه‌ای اهداف برنامه‌های آموزشی با نیازهای حرفه‌ای از دیدگاه دانش‌آموختگان رشته فناوری اطلاعات سلامت Comparative Study of the Goals of Training Programs Related to the Professional Needs from the Viewpoint of Health Information Technology Graduates 1 1 مقدمه: به طور یقین هدایت و مدیریت فن‌آوری اطلاعات در نظام سلامت، طراحی سیستم‌های اطلاعات بیمارستانی و مدارک پزشکی الکترونیکی در مراکز مراقبت بهداشتی مستلزم تربیت نیروی انسانی متخصص است که علاوه بر برخورداری از دانش کامپیوتر و فن­آوری اطلاعات با دانش بالینی و نظام سلامت آشنا باشند. بنابراین هدف از مطالعه حاضر مقایسه اهداف برنامه‌های آموزشی با نیازهای حرفه‌‌ای از دیدگاه دانش‌آموختگان فناوری اطلاعات سلامت می‌باشد. روش: مطالعه حاضر توصیفی-تحلیلی، مقطعی و از نوع پیمایشی بوده و در سال 1395روی 120 نفر از دانش‌آموختگان و فارغ التحصیلان رشته فناوری اطلاعات سلامت که در مقاطع کارشناسی پیوسته از دانشکده پیراپزشکی، علوم پزشکی زاهدان فارغ التحصیل شده‌اند، انجام گردید. داده‌ها با استفاده از پرسشنامه‌ای روا و پایا جمع‌آوری و با آزمون‌های توصیفی و تحلیلی، تجزیه و تحلیل گردید. نتایج: اکثر دانش‌آموختگان دوره سوم (75 درصد) توانایی خود را در به کارگیری فناوری اطلاعات در محیط زیاد ارزیابی کرده بودند. بیشتر دانش‌آموختگان دوره اول کاربرد دروس کارآموزی (48/9 درصد) را بیشتر از دروس تئوری (41/6 درصد) و عملی (35/5 درصد) در کارایی حرفه‌ای مؤثر دانسته‌اند. از سویی دیگر عدم کسب مهارت‌های لازم اکثر دانش‌آموختگان دوره اول (38/7) را تحت فشار روانی قرار داده است که این فشار در دوره دوم متوسط و در دوره سوم کم بوده است. نتیجه‌گیری: همان‌طورکه از نتایج مطالعه بر می‌آید، تناسب میان اهداف برنامه‌های آموزشی با نیازهای حرفه‌ای در سه دوره مورد بررسی سیر نزولی دارد. به همین دلیل نیاز مبرم بر تغییر سر فصل‌های آموزشی در جهت ارتقای سطح مهارت‌های دانش‌آموختگان و رفع نیازهای حرفه‌ای ایشان وجود دارد. 2 Introduction: In fact, management of information technology in the health system, designing the hospital information systems and electronic medical records in the health care centers, need to train some specialists familiar with computer science and Information Technology as well clinical knowledge and health systems. This study aimed to compare training programs and professional needs from the viewpoint of health information technology graduates. Method: This is a descriptive-analytic and cross-sectional survey on the 120 Bachelor graduated in Health Information Technology of Zahedan School of Allied Medical Sciences in 2016. Data were collected by using a standard questionnaire with confirmed validity and reliability and analyzed using SPSS 16. Results: The results show that most of first-year students (% 75) had good ability in using Information Technology in their job. More first-year students believed that training courses (% 48/9) compared to the theoretical (% 41/6) and practical (% 35/5) courses were more effective and applicable in professional performance. On the other hand, most graduates declared that lack of technical skills (% 38/7) is the main factor causing psychological pressure in the first-year students although the level of this pressure in the second- year students and in third-year students were medium and low, respectively. Conclusion: Considering the results, relationship between the goals of training programs and professional needs in the field of health information technology was declining. Therefore, there are urgent need to change training courses in order to improve the professional skills of graduates and meet their professional needs. 29 37 2016/05/312016/02/42016/02/172016/05/16 1395/2/27 2016/06/162016/06/92016/04/52016/06/18 1395/3/29 یوسف مهدی پور Yousef Mehdipour دکتری انفورماتیک پزشکی، استادیار، گروه فناوری اطلاعات سلامت، دانشگاه علوم پزشکی زاهدان، زاهدان، ایران. ایران Saeidebrahimi9@gmail.com سعید ابراهیمی Saeid Ebrahimi کارشناسی ارشد فناوری اطلاعات سلامت، مربی، گروه فناوری اطلاعات سلامت، علوم پزشکی زاهدان، زاهدان، ایران ایران Saeidebrahimi9@gmail.com پیوند باستانی Peivand Bastani دکتری مدیریت خدمات بهداشتی درمانی، استادیار، گروه مدیریت و خدمات بهداشتی و درمانی، دانشگاه علوم پزشکی شیراز، شیراز، ایران ایران Saeidebrahimi9@gmail.com زهرا شجاع الدینی zahra shojaedini کارشناس فناوری اطلاعات سلامت، گروه فناوری اطلاعات سلامت، علوم پزشکی زاهدان، زاهدان، ایران. ایران Saeidebrahimi9@gmail.com Graduates Goals of Training Programs Professional Needs Health Information Technology دانش‌آموختگان اهداف برنامه‌های آموزشی نیازهای حرفه‌ای فناوری اطلاعات سلامت 1. Esmaeili M, Toloie Eshlaghi A, Pour Ebrahimi A, Esmaieli R. Study on feasibility and acceptance of implementation of technology acceptance model of Davis in staff of Shahid Beheshti University of Medical Sciences. Pejouhandeh. 2013;18(1):40-5. Persian.##2. Janz BD, Pitts MG, Otondo RF. Information Systems and Health Care-II: Back to the Future with RFID: Lessons Learned - Some Old, Some New. Communications of the Association for Information Systems. 2015;15:132-48.##3. Aguado CF, Alvarez MJ, Redin LB. RFID and health management: is it a good tool against system inefficiencies? International Journal of Healthcare Technology and Management. 2007; 8(3–4): 268–97. ##4. Salehi M, Vakili MA, Kazemi Malek Mahmoodi S, Kazemi MalekMahmoodi S. The evaluation of the effectiveness of performance management system and the effect of some of the factors in Medical Sciences University of Golestan from the view of faculty members. International Journal of Current Life Sciences. 2014; 4(2):150-4.##5. Chaudhry B, Wang J, Wu S. Maglione M, Mojica W, Roth E, et al. Impact of health information technology on quality, efficiency, and costs of Medical care. Ann Intern Med. 2006; 144(1): 742-52.##6. Hersh W. Health care information technology: progress and barriers. JAMA. 2004;292(18):2273-4.##7. Prince KJ, Boshuizen HP, van der Vleuten CP, Scherpbier AJ. Students' opinions about their preparation for clinical practice. Med Educ. 2005;39(7):704-12.##8. Rezaeian M. A review on the different dimensions of socially accountable Medical schools. J Rafsanjan Univ Med Sci. 2012; 11 (2):159-72. Persian.##9. Aghamolaei T, Zare S, Abedini S. The quality gap of educational services from the point of view of Students in Hormozgan University of Medical Sciences. Strides Dev Med Educ. 2007; 3 (2):78-85.##10. Soltani I. Efficiency of trainings in industrial and manufacturing organizations.Tadbir Journal. 2000; 119: 39-51. Persian.##11. Yunus MM, Osman WSW, Ishak NM. Teacher-student relationship factor affecting motivation and academic achievement in ESL classroom. Procedia - Social and Behavioral Sciences. 2011;15:2637-41.##12. Harandi Zadeh E, Naeimi A, Pezeshki Rad G, Namdar R. Analysis of good faculty characteristics from Students’ perspective at college of agriculture: Tarbiat Modares University case. Journal of Research and Planning in Higher Education. 2011; 16 (4):41-55.##13. Arbouni F, Shoghli A, Badriposhteh S, Mohajery M. The gap between Students’ expectations and Educational services provided for them, Zanjan University of Medical Sciences, 2007. Strides in Development of Medical Education. 2008; 5(1): 17-25. Persian.##14. Farrand P, McMullan M, Jowett R, Humphreys A. Implementing competency recommendations into pre-registration nursing curricula: effects upon levels of confidence in clinical skills. Nurse Educ Today. 2006;26(2):97-103.##15. Toulabi T, Alhani F. A comparative study of educational programs’ objectives for professional needs from the viewpoints of nursing graduates in three periods of three years. Yafteh. 2011; 12 (2):53-66. Persian.##16. Salehi S, Tavakkol Z, Hassan Zahraie R, Bashardoust N, Mahjour SR. The performance evaluation of B.S. Nursing graduates based on their own perspectives and their head Nurses in the Hospitals affiliated to Isfahan University of Medical Sciences in 2001. Iranian Journal of Medical Education. 2001; 1 (4):44-51. Persian.##17. Ramezani G, Valaei N, Basaghzadeh M, Fakhre attar A, Mehrshadian M, Haraji A, Rezaei M, KHajavikhan A. Evaluation of realization rate of under curriculum at Tehran’s university's school of dentistry from 2001-2005. J Res Dent Sci. 2010; 7 (2):20-6. Persian.##18. Zarei J, Abdolkhani R, Azizian S, Sarikhani L. A Survey on the Viewpoint of Graduates of Medical Records Bachelor Degree about Strengths and Weaknesses of the Internships Program in Ahvaz Jundishapour University of Medical Sciences. Journal of Educational Development of Jundishapur. 2014; 5(1):13-20. Persian.##19. Remmen R, Denekens J, Scherpbier A, Hermann I, van der Vleuten C, Royen PV, et al. An evaluation study of the didactic quality of clerkships. Med Educ. 2000;34(6):460-4.##20. Sadegh Tabrizi J, Mardani L, Kalantari H, Hamzehei Z. Clerkship from the Perspective of Students of Health Services Management and Family Health in Tabriz University of Medical Sciences. Iranian Journal of Medical Education. 2011; 10 (4):439-51. Persian.##21. Kouhpayezadeh J, Hemmati A, Baradaran HR, Mirhosseini F, Akbari H, Sarvieh M. Validity and reliability of direct observation of procedural skills in evaluating clinical skills of midwifery students of Kashan nursing and midwifery school. J Sabzevar Univ Med Sci. 2014;21(1): 145-54. Persian.##22. Labbaf Quassemi F, Marbaghi A, Kabiri FG, Hosseini F. Assessment of work experiences of the temporary employed nurses within the program of human resarch project. Iran J Nurs. 2005;18 (43): 7-19. Persian.## ##

تنظیم شدت نور و حذف نویز به منظور ارتقاء کیفیت تصاویر پزشکی Light Intensity Adjustment and Noise Removal for Medical Image Enhancement 1 1 مقدمه: ارتقاء کیفیت تصویر یکی از روش‌های پردازش تصویر است به طوری که  هر چه تصویر خروجی دارای کیفیت نمایش بالاتری باشد. تصاویر پزشکی نقش برجسته‌ای در تشخیص مدرن دارند، در نتیجه هدف از این مطالعه بهبود وضوح تصاویر پزشکی به منظور کمک به رادیولوژیست‌ها و جراحان در پیدا کردن ناحیه‌های ناهنجار است. روش: روش‌های استفاده شده در این مطالعه به منظور ارتقاء تصاویر پزشکی به دو دسته تنظیم شدت نور و حذف نویز دسته‌بندی می‌گردد. روش‌های مبتنی بر تنظم شدت نور، شامل تکنیک‌هایی برای نگاشت مقادیر شدت نور تصویر به دامنه جدید می‌باشد. دسته دوم، شامل روش‌هایی برای حذف نویز تصویر می‌باشند. در این مقاله از هر دو دسته برای ارتقاء تصاویر پزشکی استفاده شده است. تصاویر پزشکی استفاده شده شامل تصاویر ستون فقرات، مغز، ریه و ماموگرافی پستان می باشد. نتایج: نتایج حاصل از به کار بستن روش‌های استفاده شده بر روی تصاویر پزشکی بر اساس پنج معیار تعداد لبه‌های آشکارسازی، PCNR، اندیس کیفیت تصویر، AMBE و ارزیابی کیفیت بصری مورد مقایسه قرار گرفت که تصاویر ستون فقرات، مغز، ریه و ماموگرافی پستان در بهترین حالت به ترتیب دارای تعداد لبه‌های آشکاری‌سازی 6465، 10305، 16266و 13509 می‌باشد. نتیجه‌گیری: نتایج نشان می‌دهد که برخی معیار‌هایی چون تعداد لبه‌های آشکار‌سازی و ارزیابی کیفیت بصری بهترین روش‌های مبتنی بر شدت نور می‌باشند و عملکرد بهتری دارند اما معیار‌هایی مانند PCNR، اندیس کیفیت تصویر، AMBE روش‌های مبتنی بر حذف نویز نتایج بهتری را نشان دادند. 2 Introduction: Image contrast enhancement is an image processing method in which the output image has high quality display. Medical images have prominent role in modern diagnosis; therefore, this study aimed to enhance the quality of medical images in order to help radiologists and surgeons in finding abnormal areas. Method: The methods used in this study to enhance medical images quality are categorized into two groups; intensity adjustment and noise removal. Intensity adjustment methods including techniques for mapping image intensity values to the new domain. The second group including methods to remove noise from the images.  Medical images used in this study including images of spine, brain, lung and breast. Results: The results were analyzed based on five criteria including the number of detected edges, PCNR, Image Quality Index, AMBE and visual quality that the number of detected edges in images of spine, brain, lungs and breast were 6465, 10305, 16266 and 13509, respectively. Conclusion: The results show that the methods with intensity adjustment technique have better performance in criteria such as the number of detected edges and image visual assessment. However, the other method include in noise removal technique perform more effectively in PCNR, Image Quality Index and AMBE measure 38 47 2016/05/312016/02/42016/02/172016/05/162016/02/9 1394/11/20 2016/06/162016/06/92016/04/52016/06/182016/05/4 1395/2/15 میترا منتظری Mitra Montazeri کارشناس ارشد هوش مصنوعی، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران mitra.montazery@gmail.com Medical Image Processing Quality Enhancement Light Intensity Adjustment Noise Removal پردازش تصاویر پزشکی ارتقاء تصویر تنظیم شدت نور حذف نویز 1. Askari A, Khodaie M, Bahaadinbeigy K. The 60 most highly cited articles published in the Journal of Telemedicine and Telecare and Telemedicine Journal and E-health. J Telemed Telecare. 2014;20(1):35-43.##2. Bahaadinbeigy K, Yogesan K, Wootton R. Gaps in the systematic reviews of the telemedicine field. J Telemed Telecare. 2010;16(7):414-6.##3. Mazhari S, Bahaadinbeigy K. Telepsychiatry and its application in Iran. Iranian Journal of Psychiatry and Clinical Psychology. 2012;17(4):336-8. Persian.##4. Montazeri M, Naji HR, Faraahi A. A novel memetic feature selection algorithm. Information and Knowledge Technology (IKT), 2013 5th Conference on; 2013 May 28-30; Shiraz: IEEE; 2013. p. 295 - 300.##5. Montazeri M, Bahrololoum A, Nezamabadi-pour H, Soleymani Baghshah M, Montazeri M. Cooperating of Local Searches based Hyperheuristic Approach for Solving Traveling Salesman Problem. Proceedings of the International Conference on Evolutionary Computation Theory and Applications; 2011 Oct 24-26; Paris, France: Science and Technology; 2011.##6. Montazeri M, Naji HR, Montazeri M. Memetic feature selection algorithm based on efficient filter local search. J Basic Appl Sci Res. 2013;3(10): 126-33.##7. Montazeri M, Nezamabadi-pour H, Bahrololoum A. Exploring and Exploiting Effectively Based Hyper-Heuristic Approach for Solving Travelling Salesman Problem. The Fifth Iran Data Mining Conference; 2011 Dec 12-13; Tehran: Amirkabir University of Technology; 2011.##8. Montazeri M, Baghshah MS, Niknafs A. Selecting Efficient Features via a Hyper-Heuristic Approach. The Fifth Iran Data Mining Conference; 2011 Dec 12-13; Tehran: Amirkabir University of Technology; 2011.##9. Montazeri M, Beigzadeh A. Machine learning models in breast cancer survival prediction. Technol Health Care. 2016;24(1):31-42.##10. Montazeri M, Montazeri M. Machine learning models for predicting the diagnosis of liver disease. Koomesh. 2014; 16(1): 53-9. Persian.##11. Montazeri M, Montazeri M, Montazeri M, Bahrampour A. Can Breast Cancer Survival be predicted by Risk Factors? Machine Learning Models. 10th International Breast Cancer Congress; 2015 Feb 2-3; Tehran: Shahid Beheshti University of Medical Sciences; 2015.##12. Montazeri M, Montazeri M, Beygzadeh A, Zahedi MJ. Identifying efficient clinical parameters in diagnose of liver disease. Health MED. 2014; 8(10): 1115.##13. Afzali F, Heidari Z, Montazeri M, Ahmadian L, Zahedi MJ. Futures studies in health: choosing the best intelligent data mining model to predict and diagnose liver Cancer in early stage. Journal of Health and Biomedical Informatics. 2015; 2 (3):133-40. Persian.##14. Montazeri M, Montazeri M, Montazeri M. Future studies in health care: a new approach in intelligent diagnosis of liver disease by selecting the best decision tree model. 2nd National Futures Studies Conference; 2015 Dec 1; Tehran: Yadegar Derakhshan Arya Company; 2014.##15. Madadizadeh F, Montazeri M, Bahrampour A. Predicting the survival in breast cancer using Hidden Markov Model. 10th International Breast Cancer Congress; 2015 Feb 2-4; Tehran: Shahid Beheshti University of Medical Sciences; 2015.##16. Montazeri M, Baghshah MS, Enhesari A. Hyper-Heuristic Algorithm for Finding Efficient Features in Diagnose of Lung Cancer Disease. J Basic Appl Sci Res. 2013; 3(10): 134-40.##17. Abbasi R, Montazeri M, Zare M. A Rule Based Classification Model to Predict Colon Cancer Survival. 1th Afzalipour International Medical congress on Pathology; 2015 Nov 19-20; Kerman: Kerman University of Medical Sciences; 2015.##18. Montazeri M, Nezamabadi-pour H. Automatic extraction of eye field from a gray intensity image using intensity filtering and hybrid projection function. Communications, Computing and Control Applications (CCCA), 2011 International Conference on; 2011 Mar 3-5; Hammamet: IEEE; 2011. p. 1 - 5.##19. Montazeri M, Nezamabadi-pour H, Montazeri M. Automatically eye detection with different gray intensity image conditions. Computer Technology and Application. 2012;3(8): 1-5.##20. Montazeri M, Montazeri M, Saryazdi S. Eye detection in digital images: challenges and solutions. in 2th National Conference of Electrical Engineering Esfehan: Islamic Azad University of Khomeynishahr; 2011.##21. Gonzalez CI, Melin P, Castro JR, Mendoza O, Castillo O. An improved sobel edge detection method based on generalized type-2 fuzzy logic. Soft Comput. 2016;20(2):773-84.##22. Hashemi S, Kiani S, Noroozi N, Moghaddam ME. An image contrast enhancement method based on genetic algorithm. Pattern Recognition Letters. 2010;31(13):1816-24.##23. Pandey S, Khanna P, Yokota H. An effective use of adaptive combination of visual features to retrieve image semantics from a hierarchical image database. Journal of Visual Communication and Image Representation. 2015;30:136-52.##24. Bialecki B, Park J, Tilkin M. Using Object Storage Technology vs Vendor Neutral Archives for an Image Data Repository Infrastructure. J Digit Imaging. 2016.##25. Rathi VV, Rajgure EG, Ingle AA. A novel Approach for image compression using VHDL simulation. International Journal of Electronics, Communication and Soft Computing Science & Engineering (IJECSCSE). 2015;4:180.##26. Jiang H, Lou B, Liao S. Medical Image Enhancement Method Based on Mode Decomposition. Advances in Multimedia Technology (AMT). 2012;1(1):21-31.##27. Lim SH. Characterization of Noise in Digital Photographs for Image Processing. IS&T/SPIE Electronic Imaging; 2006.##28. Fan B, Zhou F, Han H. Medical image enhancement based on modified lut-mapping derivative and multi-scale layer contrast modification. Image and Signal Processing (CISP), 2011 4th International Congress on; 15-17 Oct 2011; Shanghai: IEEE; 2011. p. 696 - 703##29. Hummel R. Image enhancement by histogram transformation. Computer graphics and image processing. 1977;6(2):184-95.##30. Hai Y, Li L, Gu J, editors. Image enhancement based on contrast limited adaptive histogram equalization for 3D images of stereoscopic endoscopy. Information and Automation, 2015 IEEE International Conference on; 8-10 Aug 2015 IEEE. Lijiang: IEEE; 2015.##31. Sahani M, Rout SK, Mohan Satpathy L, Patra A. Design of an embedded system with modified contrast limited adaptive histogram equalization technique for real-time image enhancement. Communications and Signal Processing (ICCSP), 2015 International Conference on; 2015 Apr 2-4; Melmaruvathur: IEEE; 2015. p. 332 - 5.##32. Lee J, Pant SR, Lee H-S. An Adaptive Histogram Equalization Based Local Technique for Contrast Preserving Image Enhancement. International Journal of Fuzzy Logic and Intelligent Systems. 2015;15(1):35-44.##33. Anand S, Gayathri S. Mammogram image enhancement by two-stage adaptive histogram equalization. Optik-International Journal for Light and Electron Optics. 2015;126(21):3150-2.##34. Hiroyasu T, Hayashinuma K, Ichikawa H, Yagi N. Preprocessing with image denoising and histogram equalization for endoscopy image analysis using texture analysis. Conf Proc IEEE Eng Med Biol Soc. 2015;2015:789-92.##35. Kunnath NX, Lee SH. Meanshift segmentation guided spatially adaptive histogram eQualization. Computer Science and its Applications. 2015; 713-8.##36. Farihan Mat Raffei A, Asmuni H, Hassan R, Othman RM. A low lighting or contrast ratio visible iris recognition using iso-contrast limited adaptive histogram equalization. Knowledge-Based Systems. 2015;74:40-8.##37. Kuber MP, Dixit M, Silakari S. Improving brightness using Dynamic Fuzzy Histogram Equalization. International Journal of Signal Processing, Image Processing and Pattern Recognition. 2015;8(2):303-12.##38. Chen SD, Ramli AR. Contrast enhancement using recursive mean-separate histogram equalization for scalable brightness preservation. IEEE Transactions on Consumer Electronics; 30 Jan; 2004 IEEE; 2003.p.1301-9.##39. Munteanu C, Rosa A. Towards automatic image enhancement using genetic algorithms. Evolutionary Computation, 2000 Proceedings of the 2000 Congress on; 2000 Jul 16-19; La Jolla, CA: IEEE; 2000. p. 1535 - 42.##40. Caselles V, Lisani JL, Morel JM, Sapiro G. Shape preserving local histogram modification. IEEE Trans Image Process. 1999;8(2):220-30.##41. Sengee N, Choi HK. Brightness preserving weight clustering histogram equalization. Consumer Electronics, IEEE Transactions on. 2008;54(3):1329-37.##42. Wang Z, Bovik AC. A universal image quality index. IEEE Signal Processing Letters. 2002;9(3):81-4. p. 81 -4.#### ##

بررسی رفتار جستجوی اطلاعات سلامت شهر کرمان و نقش کتابخانه‌های عمومی در این زمینه The Role of Public Libraries on Kerman Health Information Seeking Behavior 1 1 مقدمه: مشتریان سلامت هنگام جستجوی اطلاعات سلامت با چالش‌های متعددی مانند پیچیدگی سیستم سلامت، افزایش شیوع و بروز بیماری‌های مزمن، نیاز به شرکت در مراقبت و افزایش اطلاعات قابل دسترسی از منابع متعدد و مختلف روبه‌رو هستند. بی‌توجهی به اهمیت رفتار جستجوی اطلاعات سلامت و اثر بخشی ارائه خدمات کتابخانه در این زمینه، سبب شده مطالعات محدودی در مورد رفتار اطلاع‌یابی سلامت جوامع در حال توسعه همچون ایران صورت بگیرد. روش: این مطالعه یک مطالعه پیمایشی است که بر روی اعضای کتابخانه‌های عمومی شهر کرمان انجام گرفت. حجم نمونه بر اساس جدول مورگان 373 نفر تعیین گردید. تحلیل داده‌ها با استفاده از آمار توصیفی (فراوانی، میانگین، انحراف معیار) و نیز از آزمون کای اسکوئر و با استفاده از نرم‌افزار SPSS نسخه 19انجام گرفت. نتایج: 33/1‌% معتقد بودند که کتابخانه در کسب اطلاعات سلامت اصلاً نقشی ندارد و 9/8‌% نیز اعتقاد داشتند که کتابخانه نقش زیادی در این زمینه ایفا می‌کند. بین سن، جنس، وضعیت تأهل، مدرک تحصیلی و شغل افراد با تشخیص بیماری ارتباط معنا‌داری مشاهده شد. بین نقش کتابخانه در کسب اطلاعات سلامت و سن هم ارتباط معناداری مشاهده گردید. نتیجه‌گیری: بررسی رفتار جستجوی اطلاعات سلامت افراد می‌تواند به عنوان ابزاری مؤثر به برنامه‌ریزان، مسؤلان و متولیان کمک نماید. اگرچه فناوری اطلاعات و ارتباطات رشد چشمگیری داشته و اینترنت بیشترین سهم را در بین کانال‌های دسترسی افراد به اطلاعات سلامت مورد نیاز آنان ایفا می‌کند، اما کتاب هنوز هم به عنوان یک منبع مهم و رایج دسترسی به اطلاعات محسوب می‌شود.­ 2 Introduction: Health clients when seeking health information are faced with challenges such as complexity of the health system, increase in prevalence of chronic diseases, need to participate in the health care, and increase in the available information from different and various sources. Disregarding the importance of health information-seeking behavior and the effectiveness of library services in this field, a few studies have been performed on health information-seeking behavior in developing countries like Iran. Method: The present survey was performed on 373 members of the public libraries in Kerman. The sample size were determined based on the Morgan table. Data were analyzed using descriptive statistics (frequency, mean, and standard deviation), chi-square test, and SPSS 19. Results: The results show that among 373 participants, 1.33% believed that library has no significant role in access to health information, and 8.9% believed that the library plays a key role in this area. In this study, a significant relationship between the age, sex, marital status, educational level and occupation of individuals, and the diagnosis of disease was reported. In addition, a significant relationship between the role of library in access to health information and age was also reported. Conclusion: Investigation of individuals’ health information-seeking behavior can be used as an effective tools to help planners and administrators. Although Information and Communication Technology (ICT) has been remarkably grown and internet plays significant role compared to the other channels that help people to access to health information but the book is still regarded as an important and common resource to access the information. 48 56 2016/05/312016/02/42016/02/172016/05/162016/02/92016/06/7 1395/3/18 2016/06/162016/06/92016/04/52016/06/182016/05/42016/06/18 1395/3/29 مریم اخوتی Maryam Okhovati دکترای علوم کتابداری و اطلاع رسانی، دانشیار علوم کتابداری و اطلاع رسانی، مرکز تحقیقات انفورماتیک پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران. ایران okhovati.maryam@gmail.com الهام شریف پور Elham Sharifpoor کارشناس ارشد کتابداری پزشکی، مرکز تحقیقات علوم اعصاب، پژوهشکده نوروفارماکولوژی، دانشگاه علوم پزشکی کرمان، کرمان، ایران ایران elham.sharifpoor@gmail.com مهران حمزه زاده Mehran Hamzeh Zadeh کارشناس مدیریت خدمات بهداشتی و درمانی، معاونت غذا و دارو، دانشگاه علوم پزشکی کرمان، کرمان، ایران. ایران m.hamzeh1986@gmail.com معصومه شهسواری Masoomeh Shahsavari دانشجوی کارشناسی ارشد کتابداری پزشکی، معاونت تحقیقات و فناوری، دانشگاه علوم پزشکی کرمان، کرمان، ایران. ایران shahsavari.ma@gmail.com مهدیه سلطان شاهی Mahdieh Soltan shahi کارشناس کتابداری و اطلاع رسانی پزشکی، مدیر کتابخانه ملی کرمان، کرمان، ایران. ایران soltanshahi@gmail.com Health Information Health Information Seeking Behavior Public Libraries اطلاعات سلامت رفتار جستجوی اطلاعات سلامت کتابخانه‌های عمومی 1. Ratzan SC, Parker RM, Selden CR, Zorn M. National Library of Medicine Current Bibliographies in Medicine: Health Literacy. National Library of Medicine; 1990.##2. Lambert SD, Loiselle CG. Health information seeking behavior. Qual Health Res. 2007; 17(8):1006-19.##3. Rezaie sharifabadi S. A step toward digital libraries: issues and challenges. Book Excerpt Articles of Global Conference on Digital Libraries. Tehran: Dabizesh; 2001. Persian##4. The librarian’s role in the provision of consumer health information and patient education. Medical Library Association. Consumer and Patient Health Information Section (CAPHIS/MLA). Bull Med Libr Assoc. 1996;84(2):238-9. ##5. Zarea Gavgani V, Qeisari E, Asghari Jafarabadi M. Health Information Seeking Behavior (HISB): a study of a developing country. Library Philosophy and Practice (e-journal) 2013; 902.##6. Bakar A. Information Seeking Behaviours of Rural Women in Malaysia. Library Philosophy and Practice (e-journal). 2011; 461. ##7. Fidishun D. Women and the public library: using technology, using the library. Library Trends. 2007; 56(2): 328-43.##8. Harris RM, Wathen CN, Fear JM. Searching for health information in rural Canada. Where do residents look for health information and what do they do when they find it? Information Research. 2006; 12(1): 274. ##9. Gollop CJ. Health information-seeking behavior and older African American women. Bull Med Libr Assoc. 1997; 85(2): 141–6. ##10. Zarea Gavgani V. Health information need and seeking behavior of patients in developing countries' context; an Iranian experience. ACM International Health Informatics Symposium, IHI 2010, Nov 11 – 12; Arlington, VA, USA: ACM; 2010.##11. ZareaGavgani V, Abdollahzadeh P. A review on the role of digital libraries in promoting health literacy. Depiction of Health. 2014; 5(2):32-6.##12. Sharif Moghadam H. Reference librarian's role in improving the healthy and hygienic status of different walks of life. Quarterly Library and Information Science. 2006; 9(4): 165-80. Persian##13. Ybarra ML, Emenyonu N, Nansera D, Kiwanuka J, Bangsberg DR. Health information seeking among Mbararan adolescents: results from the Uganda Media and You survey. Health Educ Res. 2008;23(2):249-58.##14. Courtright C. Health information-seeking among Latino newcomers: an exploratory study. Information Research. 2004; 10(2): 224. ##15. Lam MK, Lam LT. Health Information-seeking Behaviour on the Internet and Health Literacy among Older Australians. e-Journal of Health Informatics. 2012; 7(2):e15.##16. Tehrani Banihashemi S, Amirkhani MA, Haghdoost A A, Alavian S, Asgharifard H, Baradaran H, et al. Health Literacy and the Influencing Factors: A Study in Five Provinces of Iran. Strides Dev Med Educ. 2007; 4 (1):1-9.##17. Yoo-Lee E, Rhodes T, Peterson GM. Hispanics and public libraries: Assessing their health information seeking behaviors in the e-health environment. Reference Services Review. 2016; 44 (2): 85 – 99.##18. Warner D, Procaccino JD. Toward wellness: Women seeking health information. Journal of the American Society for Information Science and Technology. 2004; 55(8): 709-30.##19. Nikbakht Nasrabadi A, Sabzevari S, Negahban Bonabi T. Iranian Women’s Experiences of Health Information Seeking Barriers: A Qualitative Study in Kerman. Iran Red Crescent Med J. 2015;17(2):e25156. ## ##

مطالعه تطبیقی عناصر اطلاعاتی تاریخچه و ارزیابی وضعیت روانی در کشورهای منتخب Comparative Study of Data Elements in Psychiatric History and Assessment Forms in Selected Countries 1 1 مقدمه: با توجه به اهمیت ثبت دقیق اطلاعات تاریخچه و ارزیابی وضعیت روانی و تأثیر آن در درمان فعلی و آتی بیماران، این مطالعه با هدف تعیین عناصر اطلاعاتی در فرم تاریخچه و ارزیابی وضعیت روانی انجام گردید. روش: مطالعه حاضر به روش توصیفی- تطبیقی انجام شد. اطلاعات مورد نیاز از طریق بررسی فرم­های موجود برای ثبت ارزیابی وضعیت روانی بیماران گردآوری شد. در نهایت 9 فرم تاریخچه و ارزیابی وضعیت روانی از ایالات متحده، ‌یک فرم از استرالیا و یک فرم از فرانسه و دو نمونه فرم از ایران که در کشورهای مذکور برای ثبت تاریخچه و ارزیابی وضعیت روانی بیماران روانی بیشتر کاربرد داشتند بررسی گردید. پس از تهیه جداول تطبیقی، فهرست جامعی از عناصر اطلاعاتی مربوط به ثبت تاریخچه و ارزیابی وضعیت روانی تهیه گردید. عناصر اطلاعاتی استخراج شده به روش تجمیع پایین به بالا طبقه­بندی شدند.     نتایج: در مجموع 58 تعداد داده از فرم­های تاریخچه و ارزیابی وضعیت روانی استخراج گردید. این داده­ها در  گروه­های اصلی از قبیل اطلاعات دموگرافیک، سوابق بیمار، علایم فعلی بیماری، ارزیابی حالات روانی،‌ ارزیابی ریسک خودکشی،‌ شرایط رفتاری/احساسی، فرآیند تفکر، ارزیابی سوء مصرف مواد، ارزیابی ایمنی/ خشونت خانوادگی، تشخیص­های چند محوری و نوع درمان یا طرح درمان طبقه­بندی شده اند. نتیجه ­گیری: مطالعه حاضر یک نمای کلی از داده­هایی که در حوزه روان­پزشکی در زمینه فرم تاریخچه و ارزیابی وضعیت روانی مورد توجه قرار گرفته است، به پژوهشگران ارایه می­دهد. 2 Introduction: Considering the importance of accurate documentation in psychiatric history and mental assessment and its effect on the current and future treatment among patients, this study aimed to determine data elements in the psychiatric history and mental assessment forms. Method: This is a descriptive-comparative study. Using psychiatric history and assessment forms, the required data were gathered in this study. Finally, all psychiatric history and mental assessment forms gathered from the selected countries including the United States (n=9), Australia (n=1), France (n=1), Iran (n=2) were assessed. After preparing the comparative tables, a comprehensive list of data elements related to the psychiatric history and assessment was provided. Using bottom up approach the extracted data elements were categorized. Results: In total, 58 data elements including demographic data, patient history, current symptoms of disease, evaluation of psychological states, suicide risk assessment, behavioral/emotional conditions, thinking process, drug abuse assessment, family safety/violence assessment, multi-axial diagnosis and treatment type/plan were extracted from psychiatric history and assessment forms. Conclusion: The present study provides a general view of important data elements considered for documentation in psychiatric history and assessment forms. 57 64 2016/05/312016/02/42016/02/172016/05/162016/02/92016/06/72015/08/22 1394/5/31 2016/06/162016/06/92016/04/52016/06/182016/05/42016/06/182016/01/2 1394/10/12 امیر رضایی اردانی Amir Rezaei Ardani متخصص روانپزشکی، استادیار روانپزشکی، مرکز تحقیقات روان‌پزشکی و علوم رفتاری، دانشگاه علوم پزشکی مشهد، مشهد، ایران‌. ایران rezaeia@mums.ac.ir لیلا احمدیان Leila Ahmadian دکتری انفورماتیک پزشکی، دانشیار، مرکز تحقیقات انفورماتیک پزشکی، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران. ایران ahmadianle@yahoo.com خلیل کیمیافر khalil Kimiyafar دکتری مدیریت اطلاعات سلامت، استادیار، گروه مدارک پزشکی و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران. ایران KimiafarKh@mums.ac.ir فائزه روحانی Faezeh Rohani کارشناس مدارک پزشکی، گروه مدارک پزشکی و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران ایران RohaniF3@mums.ac.ir زهرا ابن حسینی Zahra Ebnehoseini دانشجوی دکتری انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران. ایران Ebnehoseiniz1@mums.ac.ir Data Element Psychiatric History Assessment Forms عناصر اطلاعاتی فرم تاریخچه ارزیابی وضعیت روانی 1. World Health Organization (WHO). Mental disorders; 2015. [cited 2015 May 22]. Available from: http://www.who.int/topics/mental_disorders/en/##2. World health organization (WHO). Prevalence of mental disorders; 2015. [cited 2015 May 22]. Available from:http://www.euro.who.int/en/health-topics/noncommunicable-diseases/mental-health/data-and-statistics##3. Mental Health Foundation. Mental Health Statistics: UK & Worldwide; 2015. [cited 2015 May 23]. Available from: http://www.mentalhealth.org.uk/help-information/mental-health-statistics/UK-worldwide##4. World Health Organization (WHO). Child and adolescent mental disorders. 2015. [cited 2015 May 22]. Available from: http://www.who.int/mental_health/mhgap/evidence/child/en/##5. World Health Organization (WHO). Mental Health Policy and Service Guidance Package: Mental health information systems; 2005. [cited 2015 May 22]. A http://www.who.int/mental_health/policy/en/policy_plans_revision.pdf##6. Information Standards Board for Health and Social Care. Mental Health and Learning Disabilities Data Set; 2015. [cited 2015 May 22] Available from:http://webarchive.nationalarchives.gov.uk/+/http://www.isb.nhs.uk/library/standard/76##7. Mackin RS, Areán PA. Incidence and documentation of cognitive impairment among older adults with severe mental illness in a community mental health setting. Am J Geriatr Psychiatry. 2009;17(1):75-82.##8. Mirhosseini F. Rngrzjdy Fatima, Reza Rezaei, Mohammad Reza Rezaei singular. Evaluation of medical information recorded by the Department of clinical training in patient records in hospitals in 1382. Iranian Journal of Medical Education. 1384; 5(14)##9. Ahmadi M, Hosseini F, Barabadi M. A Survey on the compatibility of the Hospital Information Systems (HIS) with the needs of medical records users from the system. J Health Adm. 2008; 11 (32):25-32. Persian.##10. Lotfnezhad AH, Zare FE, Rezaei HP. Comparative study of mental health registry system of United Kingdom, Malaysia and Iran. Health Information Management. 2009; 6(1):1-10 .Persian.##11. Groenier M, Beerthuis VR, Pieters JM, Witteman CL, Swinkels Jan A. Swinkels. Psychologists’ Diagnostic Processes during a Diagnostic Interview. Psychology. 2011; 2(9): 917-24.##12. Gutheil TG, Simon RI, Pope K, Sadoff R. Empty words in psychiatric records: Where has clinical narrative gone. Psychiatric Times. 2011;28(12):16.##13. Ahmadian L, Cornet R, Kalkman C, de Keizer NF; NVA Working Group Minimal Dataset for Preoperative Assessment. Development of a national core dataset for preoperative assessment. Methods Inf Med. 2009; 48(2):155-61.## ##

چالش‌ها و الزامات استقرار فناوری RFID در صنعت مراقبت سلامت RFID Technology in Healthcare Industry: Its Challenges and Requirements 1 1 مقدمه: امروزه مراکز ارائه دهنده مراقبت سلامت با منابع محدود و هزینه‌های فزآینده مواجهند. در این زمینه فناوری اطلاعات ابزار لازم جهت سنجش و کنترل منابع و فرآیندهای جریان کار و در نهایت بهبود مراقبت از بیمار را برای مراکز ارایه دهنده مراقبت سلامت فراهم می‌کند. در همین راستا RFID یکی از فناوری‌های جدید و کاربردی می‌باشد که کاربرد آن مزایای بسیار زیادی را برای صنعت سلامت در پی دارد. روش: مطالعه حاضر، به صورت مرور جامع و کتابخانه‌ای و با هدف تعیین چالش‌ها و الزامات استقرار فناوری شناسایی از طریق امواج فرکانس رادیویی (RFID) در نظام بیمارستانی انجام شده است. بدین منظور جهت انجام این مطالعه موتورهای جستجو و پایگاه‌های داده Google Scholar ، Emerald، Science Direct، IranMedex، SID، Magiran و PubMed با استفاده از گروه اصطلاحات Mesh و کلمات کلیدی مرتبط با فناوری RFID در صنعت سلامت جستجو گردید. نتایج: علی رغم کاربردهای بسیار حیاتی فناوری RFID در نظام بیمارستانی مانند ردیابی بیماران، تجهیزات، داروها، شناسایی و تأیید هویت، تشخیص و بهبود کیفیت و امنیت بیماران، این فناوری به منظور ارتقاء کیفیت و بالا بردن ایمنی بیماران با چالش‌هایی مانند مسائل تکنولوژیکی، اقتصادی و سازمانی، فرهنگی، مدیریتی، انسانی و اجتماعی روبه‌رو می‌باشد. نتیجه‌گیری: با توجه به آنچه گفته شد فراوانی چالش‌های ذکر شده در منابع مختلف حاکی از آن است که مهم‌ترین چالش‌ها برای استقرار فناوری RFID شامل موارد تأمین بودجه پروژه، محدودیت‌های فنی، نگرانی‌های محرمانگی، عدم پشتیبانی مدیران و تصمیم گیران ارشد می‌باشد. 2 Introduction: Nowadays, the health care providers are faced with limited resources and rising costs. Information technology (IT) provides tools and processes required for measurement and control of the process and ultimately improves patient care in the centers of healthcare provider. In this regard, RFID is one of the new technologies and applications that benefits the healthcare industry. But its application in healthcare industry is faced with a lot of challenges and requirements that are discussed in this study. Method: This compressive review aimed to determine the challenges and requirements for applying radio frequency identification (RFID) technology in the hospital system. For this purpose, search engines and databases e.g.,  Scholar Google, Emerald, Science Direct, IranMedex, SID, Magiran, Pubmed using MESH terms and keywords related to RFID technology in the healthcare industry were used. Results: Despite the critical applications of RFID technology in the hospital system, such as tracking patients, equipment, medications, identification and authentication, recognition and enhancing quality, and patient safety, in order to enhance quality and patient safety, this technology is faced with challenges such as technological, economic, institutional, cultural, administrative, social and human problems. Conclusion: The results show that the main challenges for applying RFID technology include project financing, technical limitations, concerns about privacy, lack of senior managers and decision makers’ supports. 65 75 2016/05/312016/02/42016/02/172016/05/162016/02/92016/06/72015/08/222016/01/14 1394/10/24 2016/06/162016/06/92016/04/52016/06/182016/05/42016/06/182016/01/22016/06/9 1395/3/20 پیوند باستانی Peivand Bastani دکترای مدیریت خدمات بهداشتی و درمانی، استادیار گروه مدیریت و خدمات بهداشتی و درمانی، دانشگاه علوم پزشکی شیراز، شیراز، ایران. ایران peivandbastani@hotmail.com رکسانا شریفیان Roxana Sharifian دکترای مدیریت اطلاعات سلامت، دانشیار، گروه مدیریت اطلاعات سلامت، دانشگاه، علوم پزشکی شیراز، شیراز، ایران. ایران sharifianr@sums.ac.ir سعید ابراهیمی Saeid Ebrahimi کارشناس ارشد فناوری اطلاعات سلامت، مربی گروه فناوری اطلاعات سلامت، دانشگاه، علوم پزشکی زاهدان، زاهدان، ایران. ایران saeidebrahimi9@gmail.com یوسف مهدی پور Yousef Mehdipour دکترای انفورماتیک پزشکی، استادیار، گروه فناوری اطلاعات سلامت، دانشگاه، علوم پزشکی زاهدان، زاهدان، ایران. ایران yas532004@yahoo.com مژده دراهکی Mojdeh Derahaki کارشناس ارشد فناوری اطلاعات سلامت، معاونت درمان، دانشگاه علوم پزشکی بوشهر، بوشهر، ایران. ایران mozhdehdorahaki@gmail.com Radio Frequency Identification Challenges Requirements Healthcare Hospital فناوری شناسایی از طریق امواج رادیویی چالش‌ها الزامات مراقبت سلامت بیمارستان 1. Esmaeili M, Toloie Eshlaghi A, Pour Ebrahimi A, Esmaieli R. Study on feasibility and acceptance of implementation of Technology Acceptance Model of Davis in staff of Shahid Beheshti University of Medical Sciences. Pejouhandeh. 2013;18(1):40-5. Persian.##2. Juzz B, Pitzs M, Otondo R. Information systems & health care: Back to the. Future with RFID. Communications of the Association for Information Systems. 2005; 15: 132-48.##3. Palmieri PA, DeLucia PR, Peterson LT, Ott TE, Green A. The anatomy and, physiology of error in adverse health care events. Advances in Health Care Management/ Emerald Group Publishing; 2008. p.33 – 68. ##4. Wickramasinghe N, Geisler E. Encyclopedia of Health Care Information Systems NewYork. 1th ed. Medical Information Science Reference; 2008:##5. Aguado Correa F, Álvarez-Gil MJ, Redin LB. RFID and health management: is it a good tool against system inefficiencies? International Journal of Healthcare Technology and Management. 8(3-4):268-97.##6. Aggelidis VP, Chatzoglou PD. Using a modified technology acceptance model in hospitals. Int J Med Inform. 2009;78(2):115-26.##7. Wamba SF, Lefebvre LA, Bendavid Y, Lefebvre E. exploring the impact of RFID technology and the EPC network on mobile B2B ecommerce: a case study in the retail industry. Int J Production Economics. 2008; 112(2):614-29.##8. Yao W, Chu C, Li Z. The use of RFID in healthcare: Benefits and barriers. RFID-Technology and Applications (RFID-TA), 2010 IEEE International Conference on; 2010 Jun 17-19 2010; Guangzhou: IEEE; 2010.##9. Wang Y-M, Wang Y-S, Yang Y-F. Understanding the determinants of RFID adoption in the manufacturing industry. Technological Forecasting and Social Change. 2010;77(5):803-15.##10. Neumann DK, Hoffman MW, Balkır S. Dual-Antenna RF CMOS Front-End for Interferer Removal in Ultra-Wideband Systems. Circuits, Systems & Signal Processing. 2007;27(3):381-90.##11. Weis SA, Sarma SE, Rivest RL, Engels DW. Security and Privacy Aspects of Low-Cost Radio Frequency Identification Systems. Springer Berlin Heidelberg; 2004: p. 201-12.##12. Finkenzeller K, Müller D. RFID Handbook: Fundamentals and Applications in Contactless Smart Cards, Radio Frequency Identification and Near-Field Communication. New York: Wiley; 2003.##13. Reiner J, Sullivan M. RFID in healthcare: a panacea for the regulations and issues affecting the industry? Healthcare Purchasing News; 2005.##14. Young D. FDA embraces RFID to protect drug supply. Am J Health Syst Pharm. 2004;61(24):2612, 5. ##15. Singh I, Kumar M, Kaur J, Aboul-Enein HY. Versatility of Radio Frequency Identification (RFID) Tags in the Pharmaceutical Industry. Instrumentation Science & Technology 2008; 36(6):656-63.##16. Mun K, Kantrowitz B, Carmel W, Mason P, Engels W. Active RFID System Augmented With 2D Barcode for Asset Management in a Hospital Setting; 2007 Mar 26-28; Grapevine, TX: IEEE; p 205 – 211.##17. McGee M. Health-care I.T. has a new face. Information Week; 2004. [cited 2015 Jun 2] Available from: http://www.informationweek.com/health-care-it-has-a-new-face/d/d-id/1024995?##18. Janz D, Pitts MG, Otondo RF. Information systems and health care-II: Back to the future with RFID: Lessons taught some old, some new. Communications of the Association for Information Systems. 2005; 15 (1):132–48.##19. Lahtela A, Saranto K. RFID and medication care. Studies in Health Technology and Informatics. 2009;146: 747–748.##20. Yu W, Ray P, Motoc T. WISH: A wireless mobile multimedia information system in healthcare using RFID. Telemedicine and e-Health. 2008; 14(4): 362–70.##21. Cangialosi A, Monaly J, Yang S. Applying RFID to patient care: Challenges and opportunities. Proceeding of the Information Resources Management Association (IRMA) International Conference; 2007.##22. Fuhrer P, Guinard D. Building a smart hospital using RFID technologies. European Conference on eHealth 2006, Proceedings of the ECEH'06; 2006 Oct 12-13; Fribourg, Switzerland; 2006.##23. Ingeholm MK, Mun K, Mun SK. RFID in Healthcare: the applications, and obstacles, are many. Journal of AHIMA. 2006; 77(8):56–8.##24. Kim CS, Kang SS, Design and Implementation of RFID Application System for Hospital Information System. J Korean Soc Med Inform. 2005;11(4):399-407.##25. Houliston B, Parry D, Webster CS, Merry AF. Interference with the operation of medical devices resulting from the use of radio frequency identification technology. N Z Med J. 2009;122(1297):9-16. ##26. Kuo H, Chen G. The Critical Issues about Deploying RFID in Healthcare Industry by Service Perspective. Hawaii International Conference on System Sciences, Proceedings of the 41st Annual; 2008 Jan 7-10; Waikoloa, Big Island, Hawaii, IEEE; 2008.##27. Carr AS, Zhang M, Klopping I, Min H. RFID Technology: Implications for Healthcare Organizations", American Journal of Business. 2010;25(2):25-40.##28. Nahas A, Deogun S. Radio Frequency Identification Applications in Smart Hospitals. Computer-Based Medical Systems. 2007:337-342. Paper presented at: Twentieth IEEE International Symposium on Computer-Based Medical Systems (CBMS'07); 2007 Jun 20-22; Maribor: IEEE; 2007.p. 337 – 42.##29. Vanany I, Shaharoun M, Bin A. Barriers and Critical Success Factors towards RFID Technology Adoption in South-East Asian Healthcare Industry. Proceedings of the 9th Asia Pasific Industrial Engineering & Management Systems Conference; 2008 Dec 3 – 5; Indonesia: p. 148-54.##30. Mehrjerdi Z. RFID‐enabled healthcare systems: risk‐benefit analysis. International Journal of Pharmaceutical and Healthcare Marketing. 2010;4 (3): 282 - 300 ##31. Lim SH, Koh CE. RFID implementation strategy: perceived risks and organizational fits. Industrial Management & Data Systems. 2009; 109(8): 1017– 36. ##32. Chong AY L, Ooi KB. Adoption of interorganizational system standards in supply chains: An empirical analysis of RosettaNet standards. Industrial Management & Data Systems. 2008; 108(4): 529 - 47.##33. Sharma A, Citurs A, Konsynski B. Strategic and Institutional Perspectives in the Adoption and Early Integration of Radio Frequency Identification (RFID) Proceedings of the 40th Hawaii International Conference on System Sciences; 2007 Jan 3-6; IEEE; 2007.##34. Landrum H, Prybutok VR, Zhang X. The moderating effect of occupation on the perception of information services quality and success. Computers and Industrial Engineering. 2010;58(1):132-42.##35. Lee P, Shim P. An exploratory study of radio frequency identification (RFID) adoption in the healthcare industry. European Journal of Information Systems. 2007; 16(6): 712–24. ##36. Lai F, Hutchinson J, Zhang G. Radio frequency identification (RFID) in China: Opportunities and challenges. International Journal of Retail & Distribution Management. 2005; 33(12): 905–16. ##37. Loebbecke C, Palmer J. RFID in the fashion industry: Kaufhof department stores AG and Gerry Weber International AG. Fashion Manufacturer MIS Quarterly Executive. 2006;5(2): 15-25.##38. Brown I, Russell J. Radio frequency identification technology: An exploratory study on adoption in the South African retail sector International Journal of Information Management. 2007;27(4):250-65.##39. Jeyaraj A, Rottman J, Lacity M. A review of the predictors, linkages, and biases in IT innovation adoption research.  Journal of Information Technology.2006; 21(1):1-23.##40. Liebowitz J. Knowledge management and its link to artificial intelligence. Expert Systems with Applications. 2001; 20(1):1-6. ·##41. Galliers RD, Leidner DE. Strategic Information Management: Challenges and Strategies in Managing Information Systems. London: Routledge; 2003.##42. Ting SL, Kwok SK, Tsang AH, Lee WB. Critical elements and lessons learnt from the implementation of an RFID-enabled healthcare management system in a medical organization. J Med Syst. 2011;35(4):657-69. ##43. van der Togt R1, Bakker PJ, Jaspers MW. A framework for performance and data quality assessment of Radio Frequency IDentification (RFID) systems in health care settings. J Biomed Inform. 2011;44(2):372-83. ##44. Wang S, Chen W, Ong C, Liu L, Chuang Y. RFID Application in Hospitals: A Case Study on a Demonstration RFID Project in a Taiwan Hospital Proceedings of the 39th Annual Hawaii International Conference on System Sciences (HICSS'06); 2006 Jan 4-7; Washington, DC, USA: IEEE; 2006. p. 184.##45. Kumar S, Swanson E, Tran T. RFID in the healthcare supply chain: usage and application", International Journal of Health Care Quality Assurance. 2009; 22(1): 67 – 81. ##46. Conner D, Patterson R. Building Commitment to Organizational Change. Training and Development Journal. 1982; 36(4):18-30.##47. Ngai EW, Moon KK, Riggins FJ, Yi CY. RFID research: RFID research: An academic literature review (1995–2005) and future research directions International Journal of Production Economics. 2008; 112(2): 20-51.##48. Hosseni M, Tabibi J, Nasiripour A A, Jasbi J, Sepehri M M. designing evaluation model for the readiness of hospitals to implement RFID. Journal of Healthcare Management. 2012;2(3-4): 37-47. Persian.##49. Want R. RFID. A key to automating everything. Sci Am. 2004;290(1):56-65. ##50. Aguado Correa F, Ávarez Gil MJ, Barcos Redin L. Benefit of connecting RFID and Lean Principle In Health Care. Journal of Business Economic. 2005;44-65.##51. Jones P, Clarke-Hill C, Shears P, Comfort D, Hillier D. Radio frequency identification in the UK: Opportunities and challenges. International Journal of Retail & Distribution Management.2004; 32(3): 164–171.##52. Lai L, Chien W, Chang H, Chen C, Fang K. Enhancing Medication Safety and Healthcare for Inpatients Using RFID. PICMET '07 - 2007 Portland International Conference on Management of Engineering & Technology; 2007 Aug 5-9; Portland, OR: EEE; 2007. p. 2783–90. ##53. Chao C, Jen W, Chi Y, Lin B. Improving patient safety with RFID and mobile technology. Int J Electron Healthc. 2007;3(2):175-92. ##54. Wu F, Kuo F, Liu LW. The application of RFID on drug safety of inpatient nursing healthcare. ICEC '05 Proceedings of the 7th international conference on Electronic commerce, New York: ACM; 2005. p. 85–92.##55. Chen C, Hsieh F, Wang C, Lee R. RFID-based intelligent systems for home-healthcare. 2007 Digest of Technical Papers International Conference on Consumer Electronics; 2007 Jan 10-14; Las Vegas, NV:IEEE; 2007. p. 1 - 2##56. Sun PR, Wang BH, Wu F. A new method to guard inpatient medication safety by the implementation of RFID. J Med Syst. 2008;32(4):327-32. ##57. Lee CP, Shim JP. An exploratory study of radio frequency identification (RFID) adoption in the healthcare industry. European Journal of Information Systems. 2007; 16(6): 712-24.##58. Macario A, Morris D, Morris S. Initial clinical evaluation of a handheld device for detecting retained surgical gauze sponges using radiofrequency identification technology. Arch Surg. 2006;141(7):659-62. ##59. Safdari R, Maserat E, Maserat E. RFID technology in health environment opportunities and challenges for modern cancer care. Asian Pac J Cancer Prev. 2012;13(12):6533-7. ##60. Chun S, Chung D. Hospital Administration Perception on the Adoption of RFID: Emperecal Study Including Privacy/Security. Issues in Information Systems. 2010; 5(2): 390-99.##61. Liao C, Liu L, Kuo F, Jin H. Developing a Patient Safety Based RFID Information System -An Empirical Study in Taiwan. 2006 IEEE International Conference on Management of Innovation and Technology, 2006 Jun 21-23; Singapore, China IEEE; 2006. p. 585–9. ##62. Wicks AM, Visich JK, Li S. Radio frequency identification applications in hospital environments. Hosp Top. 2006;84(3):3-8. ##63. Ashar BS, Ferriter A. Radiofrequency identification technology in health care: benefits and potential risks. JAMA. 2007;298(19):2305-7.##64. Smith J, Lee L, Gleim M. The impact of RFID on service organizations: A service profit chain perspective. Managing Service Quality: An International Journal. 2009; 19(2):179-94.##65. Ebrahimi S, Sharifian R, Bastani P. Readiness of hospitals affiliated with Shiraz University of medical sciences for implementation of radio frequency identification technology. Journal of Health Management and Informatics. 2015; 2(4):120-5.##66. Ajami S, Arab-Chadegani R. What are the Most Important Barriers to Implement Radio Frequency? Identification Device (RFID) in Healthcare System? J Inform Tech Soft Eng. 2013; 1-2.##67. Fisher JA, Monahan T. Tracking the social dimensions of RFID systems in hospitals. Int J Med Inform. 2008;77(3):176-83. ##68. Sharifian R, Ebrahimi S, Bastani P. How Radio Frequency Identification Improves Pharmaceutical Industry: A Comprehensive Review Literature. Journal of Pharmaceutical Care. 2015. 3(1):26-33.## ##