فهرست مطالب

  • سال هفتم شماره 1 (بهار 1399)
  • تاریخ انتشار: 1399/04/09
  • تعداد عناوین: 8
|
  • نیره عطامنش، مصطفی لنگری زاده*، میترا حکیم شوشتری صفحات 1-9
    مقدمه

    اختلال طیف اتیسم، مجموعه‌ای از اختلالات رشد عصبی است که علاوه بر کودک، تمامی اعضای خانواده نیز درگیر می‌شوند. این اختلال بر اساس مشاهده رفتارها و فعالیت‌های عملکردی کودک قابل تشخیص است. غربالگری و تعیین شدت به موقع باعث افزایش توانمندی‌های کودک می‌گردد. هدف اصلی پژوهش ایجاد برنامه کاربردی غربالگری و تعیین شدت اختلال طیف اتیسم در سطح یک خدمات بهداشتی و درمانی بود.

    روش

    این پژوهش از نوع توسعه‌ای-کاربردی بود. به منظور تعیین اقلام داده، پرسشنامه‌ای تهیه و از پنج نفر از پزشکان متخصص روانپزشکی اطفال نیازسنجی انجام شد. بر اساس نتایج، نمونه اولیه برنامه کاربردی مبتنی بر تلفن همراه هوشمند طراحی گردید. سپس برای ارزیابی کاربردپذیری در اختیار 30 نفر از بهورزان شاغل در سطح یک مراکز خدمات بهداشتی و درمانی قرار گرفت. تحلیل داده‌ها با استفاده از روش آمار توصیفی و در محیط نرم‌افزار SPSS نسخه 16 صورت گرفت.

    نتایج

    پزشکان متخصص شرکت‌کننده، تمامی عناصر داده‌ای پرسشنامه را ضروری دانستند. پنج حیطه برقراری ارتباط، حرکات درشت، حرکات ظریف، حل مسیله، شخصی اجتماعی، سوالات کلی و تعیین شدت ابتلاء در نرم افزار در نظر گرفته شد که هر یک از عناوین دارای زیرمجموعه کامل بودند. نتایج ارزیابی از برنامه نشان داد که بهورزان برنامه را در سطح خوب ارزیابی کردند.

    نتیجه گیری

    می‌توان از برنامه‌های کاربردی مبتنی بر موبایل جهت کمک به بهورزان در غربالگری و تعیین شدت زودهنگام اتیسم در جهت افزایش فعالیت‌های عملکردی و شناختی کودکان و کاهش مراجعات به مراکز تخصصی‌تر غربالگری و تعیین شدت استفاده نمود.

    کلیدواژگان: اختلال طیف اتیسم، تلفن همراه هوشمند، برنامه کاربردی، غربالگری، تعیین شدت
  • میترا منتظری، مهدی احمدی نژاد، مهدیه منتظری*، محدثه منتظری صفحات 10-19
    مقدمه

    بخش ICU بیمارستان یکی از بخش‌های پر هزینه در بخش سلامت ملی می‌باشد. این هزینه‌ها تا حد زیادی به مدت اقامت بیمار وابسته است. لذا پیش‌بینی طول مدت اقامت بیماران و درصد موارد مرگ‌و‌میر در بخش مراقبت‌های ویژه اهمیت زیادی دارد. لذا در این پژوهش به طراحی سیستم هوشمند مبتنی بر منطق فازی جهت پیش‌بینی درصد موارد مرگ‌و‌میر بیماران تروما در بخش مراقبت‌های ویژه پرداخته شد.

    روش

    داده‌های مورد نیاز برای طراحی سیستم، از پرونده‌های بیماران از سال 91 - 1389 گردآوری شد، سپس سیستم با استفاده از داده‌های گردآوری شده از هر پرونده اجرا شد و میزان همخوانی تشخیص سیستم با تشخیص نهایی ثبت شده در پرونده بیمار مقایسه گردید. مدل پیشنهادی نروفازی با 5 مدل هوشمند دیگر مقایسه گردید. این مقایسه بر اساس حساسیت، دقت، ویژگی و سطح زیر منحنی راک محاسبه و ارزیابی گردید.

    نتایج

    میزان دقت این 6 مدل حدودا به ترتیب 83% و 81%،80%، 75%، 82% و 81% است.

    نتیجه گیری

    مدل نروفازی بهترین مدل ارزیابی شد و دارای بالاترین میزان دقت است. از نظر سطح زیر منحنی ROC مجددا این مدل بیشترین سطح زیر منحنی را دارد؛ لذا به‌کارگیری مدل نروفازی در زمینه تشخیص و پیش‌بینی درصد موارد مرگ و میر بیماران تروما در بخش مراقبت‌های ویژه پیشنهاد می‌شود. این امر در تحقیقات مرتبط با حوزه سلامت و به خصوص در تخصیص منابع درمانی برای افرادی که پرمخاطره پیش‌بینی می‌شوند از اهمیت بالایی برخوردار است.

    کلیدواژگان: بیماران تروما، بخش مراقبت‌های ویژه، دسته‌بندی، پیش‌بینی، مدل‌های هوشمندANFIS Naïve Bayes، Trees Random Forest 1NN، AdaBoost، SVM
  • ام البنین عباسی، محمدرضا رمضان پور*، ریحانه خورسند صفحات 19-29
    مقدمه

    سرطان ریه منبع اصلی مرگ‌ومیر برای مردان و زنان در سراسر جهان می‌باشد. بیماری ریه توسعه و رشد غیرقابل‌کنترل سلول‌ها در یک یا هر دو ریه می‌باشد. تشخیص زودرس سرطان آسان نیست؛ اما اگر سریع تشخیص داده شود، قابل‌درمان است. هدف از این مطالعه، ساخت مدل بهینه پیش‌بینی کننده بقاء بیماران مبتلابه سرطان ریه بر اساس ویژگی‌های بیماران با رویکرد داده‌کاوی می‌باشد.

    روش

    در این مطالعه توصیفی- کاربردی، از الگوریتم سیستم استنتاج عصبی فازی تطبیقیANFIS  و الگوریتم بهینه‌سازی ازدحام ذرات PSO برای پیش‌بینی بقاء بیماران مبتلابه سرطان ریه استفاده شد. در این مطالعه، از پایگاه داده معتبر برنامه‌ نظارت، اپیدمی‌شناسی و نتایج نهایی SEER دانشگاه لوییزول آمریکا استفاده‌ شد. برای ارزیابی روش پیشنهادی از معیارهای دقت،  صحت، خطا و جذر خطای میانگین مربعات استفاده شد.

    نتایج

    نتایج نهایی به‌ دست‌آمده در این مطالعه نشان‌دهنده برتری روش بهینه‌سازی ANFIS با الگوریتم PSO نسبت به سایر روش‌ها، در راستای پیش‌بینی بقاء بیماران مبتلابه سرطان ریه با متوسط صحت برابر 99/80% برای بقاء یک‌ساله، 99/74%  برای بقاء دوساله و 99/66%  برای بقا پنج‌ساله بر روی مجموعه داده SEER بود.

    نتیجه گیری

    استفاده از مدل بهینه‌سازی شده ANFIS با الگوریتم PSO در پیش‌بینی بقاء بیماران مبتلا به سرطان ریه بسیار قدرتمند است. مدل پیشنهادی نسبت به سایر مدل‌های مورد مقایسه دارای  بیشترین صحت، دقت و کمترین میزان خطا بوده است؛ بنابراین به‌کارگیری این مدل درزمینه پیش‌بینی بقا پیشنهاد می‌شود.

    کلیدواژگان: داده کاوی، پیش بینی بقا، سرطان ریه، نرخ بقاء
  • رویا آرین، علیرضا مهری دهنوی، فهیمه قاسمی* صفحات 30-39
    مقدمه

    پروتیین کیناز عامل ایجاد بسیاری از بیماری‌ها از جمله سرطان است؛ بنابراین مهار آن ها در درمان بسیاری از بیماری‌ها نقش بسزایی ایفا می‌کند. کشف داروهای جدید با روش‌های آزمایشگاهی، از جمله موضوعات هزینه بردار و زمان‌بر می‌باشد؛ یافتن مدل‌های محاسباتی قابل اطمینان برای شناسایی مهار‌کننده‌ها می‌تواند هزینه‌ها را به حداقل برساند. هدف از این مطالعه به کار‌گیری روش شبکه عصبی جهت طبقه‌بندی ترکیبات در دو گروه فعال و غیر فعال و مدل رگرسیون خطی مینیمم خطای جزیی به منظور تخمین میزان اثر بیولوژیکی آن‌ها است.

    روش

    در این پژوهش، پس از استخراج توصیفگرها از داده‌ها، به منظور جلوگیری از بیش برازش مدل‌ها، کاهش ابعاد داده از طریق الگوریتم ژنتیک صورت پذیرفت. همچنین جهت طبقه‌بندی داده‌ها در کلاس فعال و غیر فعال از مدل شبکه عصبی و جهت تخمین مقادیر اثر بیولوژیکی ریزملکول‌ها از مدل رگرسیون خطی مینیمم خطای جزیی استفاده شد.

    نتایج

    نتایج نشان داد بعد از کاهش بعد توصیفگرهای ملکولی، صحت مدل شبکه عصبی از 74/45%  به 86/7% تغییر یافت. این مدل در تعداد گره‌های لایه پنهان برابر با 6، صحت 86/7%، حساسیت 83/4%، اختصاصی بودن 89/6% و ضریب همبستگی متیو 73/2% را ارایه می‌دهد. مدل رگرسیون خطی مینیمم خطای جزیی نیز با میزان همبستگی متوسط 85/8% مقادیر بیولوژیکی را تخمین می‌زند.

    نتیجه‌گیری

     مدل طبقه‌بندی شبکه عصبی و مدل رگرسیون خطی مینیمم خطای جزیی تا میزان قابل قبولی می‌توانند مهارکننده‌های پروتیین کیناز را پیش‌بینی کنند و الگوریتم کاهش بعد ژنتیک عملکرد این مدل‌ها را بهبود می‌بخشد.

    کلیدواژگان: پروتئین کیناز، طبقه بندی، شبکه عصبی، رگرسیون، مینیمم خطای جزئی
  • محمدتقی تقوی فرد*، اکبر یوسف وند صفحات 40-51
    مقدمه

    با افزایش سن جمعیت، ملاحظات زمانی، هزینه استفاده حضوری از خدمات مراقبت‌های بهداشتی و درمانی و افزایش مراجعات غیر‌ضروری به مراکز اریه خدمت، نارضایتی میان ارایه‌دهندگان و نیز گیرندگان خدمات سلامت مشاهده می شود. با ارایه خدمات الکترونیک بخشی از این نارضایتی مرتفع می‌شود. این امر مستلزم پذیرش خدمات الکترونیک سلامت است. با توجه به هزینه سرمایه‌گذاری‌ها در این حوزه برای ارایه‌دهندگان خدمت، رسیدن به نتایج مطلوب بسیار مهم است. با توجه به محدودیت‌های تحقیقات انجام ‌شده از جمله جامع نبودن تحقیقات، تکیه بر خود اظهاری پاسخ‌دهندگان و عدم توجه هم‌زمان به ارایه‌دهنده و گیرنده خدمت، بررسی جامع عواملی که بیشترین تاثیر را بر پذیرش این خدمات داشته و بخشی از محدودیت‌ها را پوشش دهد، بسیار حایز اهمیت است.

    روش

    این تحقیق از نوع توصیفی- کاربردی است. نمونه آماری پژوهش حاضر را خبرگان حوزه فناوری اطلاعات و پزشکان تشکیل دادند. ابزار اندازه‌گیری نیز از نوع کیفی است که با استفاده از مصاحبه و پرسشنامه انجام شد و به منظور گردآوری و تحلیل داده‌ها از روش دلفی فازی استفاده شد.

    نتایج

    مقادیر متغیرهای فازی‌زدایی شده نشان داد که میانگین تمامی شاخص‌ها بیشتر از 0/5 است؛ لذا تمامی شاخص‌ها تایید ‌شدند. یافته‌های پژوهش نشان داد که ارایه‌دهندگان و گیرندگان خدمات سلامت، بر استفاده از خدمات الکترونیک سلامت موثر هستند.

    نتیجه‌گیری

     پیشنهاد می‌شود مدیران و طراحان با در نظر گرفتن نیازها و ترجیحات هر دو طرف اقدام به ارایه خدمات الکترونیک در بخش سلامت نمایند.

    کلیدواژگان: ارائه دهنده خدمت سلامت، گیرنده خدمت سلامت، پذیرش خدمات الکترونیک سلامت، فناوری اطلاعات
  • اکرم غنی زاده، محمدرضا رجبعلی پور، رقیه ارشاد سرابی* صفحات 52-59
    مقدمه

    عفونت بیمارستانی یکی از معضلات نظام سلامت هر کشوری می‌باشد و مهم‌ترین راه کنترل آن آموزش صحیح کارکنان این حوزه است. استفاده از شبکه‌های اجتماعی ابزار قدرتمندی در فرآیند آموزش در اختیار آموزش‌دهندگان سلامت قرار می‌دهد. این مطالعه با هدف ارزیابی کیفیت آموزش از طریق پیام‌رسان تلگرام بر ارتقای آگاهی بهورزان نسبت به پیشگیری از عفونت‌های بیمارستانی صورت گرفت.

    روش

    این مطالعه مقطعی، توصیفی- تحلیلی بود که در آن تمامی بهورزان خانه‌های بهداشت شهرستان بم به روش سرشماری شرکت داشتند. آموزش‌ها از طریق نرم‌افزار پیام‌رسان تلگرام به گروه هدف ارسال شد. قبل و بعد از آموزش آگاهی افراد از طریق پرسشنامه سنجیده شد. سپس داده‌ها توسط نرم‌افزارSPSS  نسخه 23 تحلیل شدند.

    نتایج

    میانگین نمره آگاهی شرکت‌کنندگان قبل و بعد از آموزش از مجموع 26 نمره به ترتیب 3/6±9/9 و 3/7±16/6 بود؛ بنابراین اختلاف نمرات قبل و بعد از آموزش معنی‌دار بود.

    نتیجه‌گیری

    استفاده از شبکه‌های اجتماعی و نرم‌افزار پیام‌رسان تلگرام تاثیر مثبتی در افزایش آگاهی بهورزان نسبت به عفونت‌های بیمارستانی دارد.

    کلیدواژگان: عفونت های بیمارستانی، آگاهی، آموزش مجازی، تلگرام، بهورزان
  • امین عینی پور، محمد مصلح*، کریم انصاری اصل صفحات 60-72
    مقدمه

    استفاده از فناوری «توالی یابی RNA سلول-منفرد» باعث شناخت بهتر ساختارهای سلولی شده و داده‌های با وضوح بسیار بالایی از بیان ژن‌های مختلف هر سلول را در یک زمان واحد ارایه می‌دهد. یکی از زمینه های پرکاربرد در این حوزه، خوشه بندی داده ها بر اساس ژن‌های بیان شده است که بعضا منتج به شناسایی جمعیت های سلولی جدید می گردد. عملکرد روش های پیشنهادی عمدتا به شکل جمعیت ها و ابعاد داده ها بستگی دارد؛ لذا توسعه یک روش که بتواند فارغ از این موانع به شناسایی جمعیت های سلولی بپردازد، بسیار مهم است.

    روش

    در روش پیشنهادی که یک روش کتابخانه ای بود، ابتدا تعداد جمعیت‌های سلولی تخمین زده شد. این تخمین از آن جهت اهمیت دارد که در دنیای واقعی، اطلاعات اولیه مثل تعداد و نوع جمعیت‌های سلولی در دسترس نیست. سپس با استفاده از یک کرنل گاوسی مبتنی بر گراف، ضمن کاهش ابعاد مسیله، اقدام به شناسایی جمعیت‌های سلولی با روش خوشه‌بندی kmeans++ شد.

    نتایج

    نتایج پیاده‌سازی نشان داد که روش پیشنهادی می‌تواند نسبت به سایر روش‌های یادگیری ماشین ارایه شده در این زمینه، بهبود قابل قبولی را حاصل کند. به عنوان مثال برای معیار ARI، مقادیر 100، 93/47 و 84/69 به ترتیب برای مجموعه داده‌های سلول-منفرد Kolod، Buettner و Usoskin حاصل شد.

    نتیجه گیری

    روش پیشنهادی بدون هیچ اطلاعات اولیه در مورد تعداد و نوع جمعیت‌های سلولی و فارغ از ابعاد بالای مسیله، می تواند اقدام به خوشه‌بندی و در نتیجه شناسایی جمعیت‌های سلولی با دقت و کیفیت بالایی نماید.

    کلیدواژگان: توالی یابی RNA سلول-منفرد، خوشه بندی، شناسایی جمعیت های سلولی، کرنل گاوسی مبتنی بر گراف
  • اسماعیل تونی، حبیب الله پیرنژاد، زهرا نیازخانی* صفحات 73-90
    مقدمه

    پرونده الکترونیک سلامت شخصی (ePHR) موجب بهبود آگاهی، مدیریت و ارتقاء سلامت افراد می‌شود. یکی از مهم‌ترین عوامل موثر در پیشبرد و توسعه ePHRs، شناسایی، درک محتوا و ساختار آن‌ها می‌باشد. تاکنون مطالعات جامعی در رابطه با محتوا و ساختار آن‌ها صورت نگرفته است؛ بنابراین هدف مطالعه حاضر‌، مروری سیستماتیک بر محتوا و ساختار ePHRs بود.

    روش

    در این مطالعه مروری سیستماتیک، مطالعات منتشر شده انگلیسی زبان با استفاده از کلمات کلیدی در پایگاه‌های اطلاعاتی PubMed، Scopus، Medline Ovid، ScienceDirect و IEEE بین سال‌های 2000 تا 2019 جستجو و بازیابی گردید. سپس، مقالات بر اساس معیار‌های ورود و خروج انتخاب و از جنبه‌های منابع اطلاعاتی سیستم، ماژول‌های طراحی شده، استانداردها و معماری مورد استفاده مورد بررسی قرار گرفتند.

    نتایج

    در نهایت 38 مقاله تحقیقی اصیل انتخاب گردید. نتایج نشان داد که اکثر ePHRs از معماری‌های اتصال‌گرا و یا ترکیبی استفاده نموده‌اند که کاربران از طریق سرور‌های مبتنی بر وب به آن‌ها دسترسی داشتند. همچنین در اکثر ePHRs، از پرونده‌های الکترونیک سلامت و یا پزشکی به عنوان منابع اطلاعاتی از طریق لینک دیتا استفاده شده بود. استانداردهای ترمینولوژی، محتوا، تبادل، امنیتی و حریم خصوصی ePHRs نیز در تعدادی از مطالعات گزارش شده بود. محتوای اکثر ePHRs به دلیل تنوع جامعه هدف شامل شهروندان و بیماران (از جمله بیماران با شرایط مزمن) متنوع بود.

    نتیجه‌گیری

    نتایج این مطالعه می‌تواند در طراحی ePHRها برای اهداف متنوع مورد استفاده محققان و طراحان قرار گیرد.

    کلیدواژگان: پرونده الکترونیک سلامت شخصی، مرور سیستماتیک، محتوا و ساختار، ePHR
|
  • Nayere Atamanesh, Mostafa Langarizadeh*, Mitra Hakim Shooshtrai Pages 1-9
    Introduction

    Autism Spectrum Disorder is a set of neurodevelopmental disorders that affects not only the child but also the entire family. The disorder is diagnosed by observing the child's behaviors and activities. Timely screening and determining severity improve the child's abilities. The main purpose of this study was to develop an application for screening and determining severity of autism spectrum disorder in primary health care centers.

    Method

    This research was a developmental-applied study. For determining data elements, a researcher-made questionnaire was designed and need assessment was conducted based on the opinions of five pediatric psychiatrists. Based on the results, a prototype of the smartphone application was designed which was provided to 30 health workers in primary health care centers to evaluate its usability. Data analysis was done using descriptive statistics via SPSS software (version 16).

    Results

    The participating physicians recognized all data elements of the questionnaire essential. Five areas included communication, gross motor, fine motor, problem-solving and personal-social were put in the software, each of which with full subclasses and explanations. The results showed that health workers evaluated the usability of the application at a good level.

    Conclusion

    Smartphone applications could be helpful for health workers in early screening and determining severity of autism in order to enhance children's cognitive and functional activities and reduce referrals to more specialized centers for screening and determining severity of autism.

    Keywords: Autism Spectrum Disorder, Smartphone, Application, Screening, Determining Severity
  • Mitra Montazeri, Mahdi Ahmadinejad, Mahdieh Montazeri*, Mohadeseh Montazeri Pages 10-19
    Introduction

    The intensive care unit is one of the most costly parts of the national health sector. These costs are largely attributable to the length of stay in the intensive care unit. For this reason, there are significant benefits in predicting patients' length of stay and the percentage of deaths in intensive care units. Therefore, in this study, a fuzzy logic based intelligent system was designed to predict the percentage of deaths in trauma patients in the intensive care unit.

    Method

    Data needed to design the system were collected from patient files from 2010 to 2012. Then, the system was run using data collected from each file and the system diagnosis was compared with the final diagnosis recorded in the patient file. The proposed neuro-fuzzy model was compared with five other intelligent models. This comparison was calculated and evaluated based on sensitivity, accuracy, specificity, and the area under the ROC curve.

    Results

    The accuracy of these six models was approximately 83%, 81%, 80%, 75%, 82% and 81%, respectively.

    Conclusion

    The neuro-fuzzy model was evaluated as the best model and had the highest accuracy. This model also had the highest area under the ROC curve. Therefore, it is recommended to use neuro-fuzzy model to diagnose and predict the percentage of deaths in trauma patients in the intensive care unit. This is important in health-related research particularly in allocating therapeutic resources to people at risk.

    Keywords: Trauma Patients, Intensive Care Unit, Classification, Prediction, Intelligent Models, ANFIS Naïve Bayes, Trees Random Forest 1NN, AdaBoost, SVM
  • Ommolbanin Abbasi, Mohammadreza Ramezanpour*, Reihaneh Khorsand Pages 19-29
    Introduction

    Lung cancer is the main cause of mortality in both genders worldwide. This disease is caused by the uncontrollable growth and development of cells in both or one of the lungs. Although the early diagnosis of this cancer is not an easy task, the earlier it is diagnosed, the higher will be the chance of treating. The objective of this study was to develop an optimized prediction model of the survival of patients with lung cancer based on patients’ characteristics through data mining approach.

    Method

    In this applied-descriptive study, the Adaptive Neuro-Fuzzy Inference System (ANFIS) algorithm and the Particle Swarm Optimization (PSO) algorithm were applied to predict the survival rate of patients with lung cancer. The Surveillance, Epidemiology and End-Results (SEER) database of Louisville University, USA was also utilized. The evaluation of this proposed model was conducted based on certain criteria including accuracy, precision, error and root-mean-square error.

    Results

    The obtained finding indicate the outperformance of ANFIS through PSO algorithm vs. its counterparts in this context with a 99.80 accuracy for one-year survival, 99.74% for two-years and 99.66% for five-years on SEER dataset.

    Conclusion

    Applying ANFIS through PSO in predicting the survival of patients with lung cancer is a strong measure. Compared with other models, this newly proposed model was of the highest accuracy and precision and of the lowest error rate. Therefore, it is suggested to apply this model for predicting survival of patient.

    Keywords: Data Mining, Survival Prediction, Lung Cancer, Survival Rate
  • Roya Arian, Alireza Mehri Dehnavi, Fahimeh Ghasemi* Pages 30-39
    Introduction

    Protein kinase causes many diseases, including cancer; therefore, inhibiting them plays an important role in the treatment of many diseases. Traditional discovery inhibitors of this enzyme is a time-consuming and costly process. Finding a reliable computer-aided drug discovery tools which can detect the inhibitors will reduce the cost. In this study, it is attempted to separate kinase inhibitors into two groups, active and inactive, using artificial neural network  and finally predict biological activities of the predicted active compounds by partial least square .

    Method

    In this study, after extracting the molecular descriptors in order to avoid overfitting problem, dimensional reduction was applied using Genetic algorithm. Moreover, artificial neural network was applied to distinguish active compounds from inactive ones and the biological activities of the small molecules were predicted using partial least square linear regression.

    Results

    The results show that accuracy of the Neural networkmodel was improved from 74.45% to 86.7%, after reducing molecular descriptor dimensions. . The number of hidden nodes of this model was six with 86.7% accuracy, 83.4% sensitivity, 89.6% specificity and 73.2% Mathew's correlation coefficient. Moreover the partial least square linear regression model predicts the biological activity valuesby 85.8% correlation.

    Conclusion

    The Neural network model and the partial least square linear regression model can sufficiently predict Kinase inhibitors and Genetic algorithm will improve the models performance

    Keywords: Protein kinase, Classification, Neural network, Regression, partial least square
  • Mohammadtaghi Taghavifard*, Akbar Yousefvand Pages 40-51
    Introduction

    By increasing the age of population, time considerations, the cost of health care services and the increase in unnecessary referrals to service centers, dissatisfaction among both health care providers and health service recipients are observed. By providing electronic services, part of this dissatisfaction will be eliminated. This requires the acceptance of e-health services. Given the cost of investment in this area for service providers, achieving the desired results is very important. Considering the limitations of the previous research works including  the lack of comprehensive studies, reliance on self-declaration and lack of paying attention to both the provider and recipient of services, investigation of factors which has the greatest impact on the acceptance of these services and removes some of the constraints of previous studies is of great significance.

    Method

    This research was an applied-descriptive one. The statistical sample of this study included information technology experts and physicians. The measurement tool was a qualitative type based on interviews and questionnaires. The data were collected and analyzed using Delphi-Fuzzy method.

    Results

    The values of defuzzified variables showed that the average values of all indexes were greater than 0.5, therefore, all indicators were confirmed. The research findings show that health care providers and recipients are both effective in using e-health services.

    Conclusion

    Based on the findings of this study, it is suggested that managers and designers provide e-health services with taking into account the needs and preferences of both parties

    Keywords: Health Service Provider, Health Service Recipient, Acceptance of e-Health Services, Information Technology
  • Akram Ghanizadeh, Mohammadreza Rajabalipour, Roghayeh Ershad Sarabi* Pages 52-59
    Introduction

    Hospital infections are one of the most important problems in each health care system the use of social media provides a powerful tool in the education process for health educators. The aim of this study was to evaluate the quality of the educational programs delivered through telegram messenger and its influence on improving the awareness of health workers in the prevention of hospital infections.

    Method

    This was a descriptive-analytical cross-sectional study. All health workers in Bam health houses were enrolled in a census method. The trainings were provided to the target group through telegram messenger and the awareness of participants was measured before and after the training via questionnaires. Thereafter, the data were analyzed by SPSS-23 software.

    Results

    In this study, the mean score of participants before and after training was 9.9 ±3.6 and 16.6 ±3.7 out of a total of 26 scores respectively; finally, the difference in scores before and after the training was significant.

    Conclusion

    The use of social media and the telegram messenger has a positive effect on increasing the awareness of health workers about nosocomial infections.

    Keywords: Hospital Infections, Awareness, Virtual Learning, Telegram, Health workers
  • Amin Einipour, Mohammad Mosleh*, Karim Ansari-Asl Pages 60-72
    Introduction

    The emergence of single-cell RNA-sequencing (scRNA-seq) technology has provided new information about the structure of cells, and provided data with very high resolution of the expression of different genes for each cell at a single time. One of the main uses of scRNA-seq is data clustering based on expressed genes, which sometimes leads to the detection of rare cell populations. However, the results of the proposed methods mainly depend on the shape of the cell populations and the dimensions of the data. Therefore, it is very important to develop a method that can identify cell populations regardless of these obstacles.

    Method

    In the proposed method, which was a library method, at first, the number of clusters (cell populations) was estimated. Estimating the number of clusters is important because in the real world, basic information such as the number and type of cell populations is not available. Thereafter, using a graph-based Gaussian kernel, while reducing the dimensions of the problem, the cell populations were identified by means of the kmeans++ clustering.

    Results

    The results of the implementation showed that the proposed method can achieve an acceptable improvement compared to other machine learning methods presented in this regard. For example, for the ARI criterion, values of 100, 93.47 and 84.69 were obtained for Kolod, Buettner, and Usoskin single-cell data sets, respectively.

    Conclusion

    The proposed method can cluster and thus identify cell populations with high accuracy and quality without having any basic information about the number and type of cell populations, regardless of the high dimensions of the problem.

    Keywords: Single-cell RNA-sequencing, Clustering, Identification of Cell Populations, Graph-based Gaussian Kernel
  • Esmaeel Toni, Habibollah Pirnejad, Zahra Niazkhani* Pages 73-90
    Introduction

    The electronic Personal Health Record (ePHR) improves people’s awareness and care management and leads to health promotion. One of the most important factors that contributes to the development of ePHR is identifying and understanding its content and structure. No comprehensive studies have so far been performed on the content and structure of ePHRs. Therefore, the purpose of this study was to systematically review the content and structure of ePHRs  in terms of system information resources, standards used, and their architecture.

    Method

    This study was a systematic review. Studies published in English were searched using keywords and retrieved from PubMed, Scopus, Medline Ovid, ScienceDirect and IEEE databases from 2000 to 2019. Then, the articles were selected based on inclusion and exclusion criteria and evaluated on the basis of system information resources, design modules, the standards used and the architecture applied.

    Results

    Finally, 38 original research articles met the inclusion criteria. The results of the present study showed that most ePHRs used tethered or hybrid architecture that allowed users to access ePHRs through web-based servers. Most ePHRs have also used electronic health records or medical electronic records as information resources through a data link. Standards of terminology, content, exchange, security, privacy, and confidentiality of ePHR systems have also been reported in a number of studies. Moreover, the content of most ePHRs was varied due to the diversity of the target population of citizens and patients (including chronic patients).

    Conclusion

    The results of this study can be used by researchers and designers in designing ePHRs for various purposes.

    Keywords: Electronic Personal Health Record, Systematic Review, Content, Structure, ePHR