۱۴ نتیجه برای حسینی
امیر رضایی اردانی، لیلا احمدیان، خلیل کیمیافر، فائزه روحانی، زهرا ابن حسینی،
دوره ۳، شماره ۱ - ( بهار ۱۳۹۵ )
چکیده
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 ۹ 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 ۵۸ 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.
محمدجواد کبیر، حسن اشرفیان امیری، سید مظفر ربیعی، آناهیتا کشاورزی، سهیلا حسینی، سیدداود نصرالله پور شیروانی،
دوره ۴، شماره ۴ - ( زمستان ۱۳۹۶ )
چکیده
مقدمه: پرونده الکترونیک سلامت، جمع‌آوری الکترونیکی اطلاعات «تمام طول حیات یک فرد» می‌باشد که توسط ارائه‌دهندگان مراقبت بهداشتی ثبت و در واحد‌های مختلف نظام ارائه خدمات سلامت به اشتراک گذاشته می‌شود. ایجاد پرونده الکترونیک سلامت از سال ۱۳۹۴ با راه‌اندازی سامانه سیب به همه دانشگاه‌های علوم پزشکی کشور ابلاغ شد. این مطالعه به منظور تعیین رضایتمندی پزشکان خانواده شهری و مراقبین سلامت استان‌های فارس و مازندران از سامانه سیب انجام گرفت.
روش: این مطالعه مقطعی در زمستان ۱۳۹۵ انجام گرفت. جامعه پژوهش پزشکان خانواده شهری و مراقبین سلامت بودند که به صورت نمونه‌گیری تصادفی منظم انتخاب شدند. ابزار جمع‌آوری دادهها پرسشنامه محقق ساخته شامل ۲ بخش متغیرهای فردی با ۸ سؤال باز و بسته و رضایتمندی با ۸ سؤال بسته در مقیاس لیکرت بوده که روایی و پایایی آن مورد تأیید قرار گرفت.
نتایج: از ۴۶۴ نفر مورد مطالعه، ۲۳۶ نفر (۵۰/۹%) پزشک و ۲۲۸ نفر (۴۹/۱ %) مراقب سلامت، ۲۷۳ (نفر(۵۸/۸%) شاغل استان فارس و ۱۹۱ نفر (۴۱/۲%) شاغل استان مازندران بودند. اکثریت افراد (۶۵/۵%) زن بودند. میانگین رضایتمندی افراد مورد مطالعه از سامانه سیب (از ۵ نمره) در کل دو استان ۰/۸±۲/۹۴، در استان فارس ۸/۰±۸۹/۲ و در استان مازندران ۰/۷±۳/۰۳ بود. میانگین رضایتمندی پزشکان خانواده شهری ۰/۷±۲/۷۵ و مراقبین سلامت ۰/۸±۳/۰۴ بود. بین نوع شغل، استان‌های محل خدمت و رضایتمندی از سامانه سیب تفاوت معنی‌دار وجود داشت (۰/۰۰۰۱=P)، (۰/۰۱۲=P).
نتیجه‌گیری: این مطالعه نشان داد رضایت مندی شاغلین در برنامه پزشک خانواده شهری پایین‌تر از حد متوسط بود. پیشنهاد می‌گردد ساختار سامانه سیب متناسب با نیازهای ارائه‌دهندگان و به منظور کاربرمحور باز طراحی شود.
هاله آیت اللهی، لیلا غلامحسینی، مسعود صالحی،
دوره ۵، شماره ۲ - ( تابستان ۱۳۹۷ )
چکیده
مقدمه: بیماری های قلبی- عروقی نخستین علت مرگ در جهان هستند و براساس برآورد سازمان بهداشت جهانی، مرگ ناشی از بیماریهای قلبی تا سال۲۰۳۰ به ۲۳ میلیون مورد افزایش خواهد یافت. از این رو، به نظر میرسد استفاده از الگوریتم های داده کاوی برای پیش بینی بیماری عروق کرونر قلب بسیار کاربردی باشد. هدف از پژوهش حاضر مقایسه عملکرد الگوریتم های شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM)در پیش بینی بیماری عروق کرونر قلب بود.
روش: پژوهش حاضر از نوع توصیفی-تحلیلی و نمونه پژوهش شامل تمام بیماران بستری مبتلا به بیماری عروق کرونر قلب در سه بیمارستان تابعه دانشگاه علوم پزشکی آجا بین سالهای ۱۳۹۵ تا ۱۳۹۶ بود. درمجموع، ۱۳۲۴ رکورد با ۲۶ ویژگی مؤثر در این بیماری استخراج و پس از نرمال سازی و پاکسازی داده ها، در نرم افزار SPSS نسخه ۲۳و Excel نسخه ۲۰۱۳ وارد شدند. برای قالب بندی داده ها نیز از نرم افزار داده کاوی ۳,۲.R۳ استفاده گردید.
نتایج: الگوریتم ماشین بردار پشتیبان با میانگین درصد خطای مطلق پایین تر (۱۱۲/۰۳)، آماره هاسمر-لمشو بالاتر (۱۶/۷۱)، حساسیت (۹۲/۲۳) و ویژگی (۷۴/۴۲)نسبت به مدل شبکه عصبی دقیق تر بود. همچنین، مساحت زیر منحنی راک در الگوریتم SVM بیشتر از ANN بود و میتوان نتیجه گرفت که این مدل دارای دقت بیشتری است.
نتیجه گیری: در این مطالعه، الگوریتم SVM نسبت به مدل شبکه عصبی دقت و عملکرد بهتری در پیش بینی بیماری عروق کرونر قلب نشان داد و دارای حساسیت و صحت بالاتری بود. با این حال پیشنهاد می گردد که نتایج مطالعه حاضر با یافته های حاصل از به کارگیری سایر الگوریتم های داده کاوی در پژوهش های آتی مورد مقایسه قرار گیرد.
محمد محمودی میمند، علی شایان، سیده معصومه حسینی،
دوره ۵، شماره ۳ - ( پاییز ۱۳۹۷ )
چکیده
مقدمه: سلامت همراه به فعالیت‌های حوزه پزشکی و بهداشت عمومی گفته می‌شود که با دستگاه‌های هوشمند در حوزه‌های جمع‌آوری داده‌های بالینی سلامت، ارائه اطلاعات بهداشتی و درمانی پزشکان، محققان و بیماران، نظارت بر علائم حیاتی و ویزیت از راه دور انجام می‌شود. با توجه به این که هنوز در کشورمان به استفاده از این ابزار در دسترس و ارزان به منظور آموزش بهداشت توجه کافی نشده است، هدف این پژوهش، شناسایی عوامل مؤثر در پذیرش فناوری سلامت همراه بود.
روش: این پژوهش از نوع پیمایشی بود و جامعه آن نیز زنان باردار مراجعه کننده به بیمارستان‌‌های شهر کرج می‌باشند که به پرسشنامه طراحی شده پاسخ داده‌اند. دادهها با استفاده از روش‌های آمار توصیفی و استنباطی (آزمون T تک نمونه‌ای) تحلیل شدند و از روش فریدمن برای رتبه‌بندی متغیرهای پژوهش استفاده شد.
نتایج: یافته‌های این پژوهش نشان داد که متغیر شرایط تسهیلات بیشترین تأثیر را بر پذیرش فناوری سلامت همراه دارد و متغیرهای اثر اجتماعی، انتظار عملکرد، متغیرهای انتظار تلاش و زمان انتظار، نگرش، کیفیت اطلاعات، اضطراب فناوری و متغیرهای امنیت و محرمانگی داده، اعتماد و انگیزه لذت به ترتیب در رتبه‌های بعدی قرار گرفتند.
نتیجه‌گیری: با توجه به یافته‌های پژوهش باید با افزایش زیرساخت‌های مالی، سازمانی و فنی لازم برای استفاده از خدمات فناوری سلامت‌محور، شرایط تسهیلات آن افزایش یابد و در نتیجه به افزایش میزان پذیرش نزد افراد کمک شود. همچنین با ایجاد تغییرات در افکار، احساسات، نگرش‌ها، پذیرش فناوری جدید تسهیل شود.
علیرضا خسروی، سید امین حسینی سنو،
دوره ۵، شماره ۴ - ( زمستان ۱۳۹۷ )
چکیده
مقدمه: تعداد افراد سالمندی که نیاز به کمک در رفتارهای روزمره خود دارند به سرعت در حال افزایش است. بیماری زوال عقل یکی از مهم‌ترین علل ناتوانی در سالمندان است که شیوع آن هزینه‌های بسیار بالایی بر جوامع بشری تحمیل کرده است. هدف این تحقیق استفاده از فناوری خانه هوشمند برای نظارت بر رفتار سالمند، شناسایی رفتارهای غیرعادی و کشف علائم اولیه بیماری زوال عقل قبل از وقوع بیماری است. تشخیص زودهنگام بیماری زوال عقل در مراحل اولیه می‌تواند باعث بهبود بالا در درمان آن و منجر به تأخیر بیماری شود.
روش: این مقاله از نوع کاربردی و به روش توصیفی- تحلیلی انجام شد و با استفاده از تکنیک‌های یادگیری ماشین، رفتارهای غیرعادی و علائم اولیه بیماری زوال عقل تشخیص داده شد. برای تشخیص رفتارهای غیرعادی از الگوریتم kmedoide و برای بررسی کیفیت خواب به عنوان علائم اولیه بیماری زوال عقل، از پرسشنامه معتبر PSQI و برای پیاده‌سازی از نرم‌افزار Matlab نسخه ۲۰۱۲ استفاده شد.
نتایج: نتایج در بخش رفتارهای غیرعادی نشان میدهد الگوریتم‌های خوشه‌بندی کارآیی بالایی در تشخیص رفتارهای غیرعادی در خانه هوشمند داشته و همچنین نتایج در بخش بررسی علائم اولیه منجر به تشخیص خواب ضعیف فرد سالمند در پرسشنامه PSQI به عنوان علائم اولیه بیماری زوال عقل گردید.
نتیجه گیری: با استفاده از فناوری سیستم تحت نظارت خانه هوشمند میتوان رفتار سالمندان را تشخیص داد. رفتارهای غیرعادی آن‌ها را شناسایی کرد و علائم اولیه بیماری‌هایی نظیر زوال عقل را کشف نمود.
عباس شیخ طاهری، نجمه حسنی، آغا فاطمه حسینی،
دوره ۶، شماره ۱ - ( بهار ۱۳۹۸ )
چکیده
مقدمه: سیستم ذخیره و انتقال تصاویر (PACS) امکان پردازش، آرشیو و ارسال تصاویر پزشکی را به صورت الکترونیکی در بخش‌های مختلف بیمارستان به ویژه بخش اورژانس فراهم می‌سازد. هدف این مطالعه، تعیین تأثیر پیاده‌سازی PACS بر صحت تشخیص پزشکان بخش اورژانس قبل و بعد از پیاده‌سازی PACS بود.
روش: در این مطالعه تحلیلی، در هر دوره، تشخیصهای پزشکان اورژانس براساس معاینات با تشخیصهای رادیولوژیست‌ها از همان معاینات مقایسه و در نهایت داده‌های دو دوره با هم مقایسه گردید. در این پژوهش، ۳۸۰ سی‌تی اسکن در دوره قبل PACS و ۵۰۹ سی‌تی اسکن در دوره بعد PACS مورد بررسی قرار گرفت. تحلیل دادهها و مقایسه صحت و توافق تشخیص در دوره قبل و بعد از پیاده‌سازی PACS با استفاده از آزمون کای اسکوئر و محاسبه سطح معناداری آماری و به کمک نرم‌افزار SPSS نسخه ۲۴ انجام شد.
نتایج: صحت تشخیص معاینات سی‌تی اسکن از ۲۸۴ معاینه (۷۵/۹ درصد) در دوره قبل PACS به ۴۲۸ معاینه (۸۴/۴ درصد) افزایش داشت. توافق تشخیص نیز در این معاینات از ۳۰۶ معاینه (۸۱/۸ درصد) در دوره قبل PACS به ۴۵۲ معاینه (۸۹/۲ درصد) رسید. در همه این تغییرات ۰/۰۵>P بود که نشان‌دهنده معنادار بودن تغییرات بود.
نتیجه گیری: صحت و توافق تشخیص پزشکان اورژانس در معاینات سی‌تی اسکن در دوره بعد PACS نسبت به دوره قبل آن افزایش یافت؛ در نتیجه پیاده‌سازی PACS منجر به افزایش توافق تشخیص بین پزشکان اورژانس و رادیولوژیست‌ها و به دنبال آن افزایش صحت تشخیص پزشکان اورژانس می‌شود.
زهرا حسینی، فاطمه مویدی، سید ابراهیم دشتی،
دوره ۶، شماره ۳ - ( پاییز ۱۳۹۸ )
چکیده
مقدمه: امروزه اثرات ناشی از استفاده‌های مکرر از موبایل باعث بروز مشکلاتی گردیده است. این امواج موجب ایجاد اختلالاتی در عملکرد سیستمهای مختلف بدن انسان و حتی جنین در حال رشد شده است. در این تحقیق با استفاده از تکنیک‌های داده‌کاوی به این سؤال پاسخ داده شد که تأثیر استفاده مادران باردار از موبایل و اینترنت بر کم شدن میزان آب دور جنین چگونه است؟
روش: در فاز اول طراحی پرسشنامه و ارزیابی آن توسط متخصصین زنان، زایمان و مخابرات صورت گرفت. پرسشنامه شامل سؤالاتی مانند میزان مکالمه با تلفن همراه در طول روز، استفاده از اینترنت، وای فای و... است. پس از جمع‌آوری داده و پیش پردازش آن‌ها با الگوریتم Perdictive Apriori تأثیر ویژگی‌های ذکر شده بر کم شدن میزان آب دور جنین بررسی و قوانین انجمنی مناسب استخراج شد. سپس با استفاده از دسته‌بندی‌های مختلف به پیش‌بینی بروز این خطر پرداخته شد.
نتایج: این امر موجب آگاهی زودهنگام پزشک و بیمار شده که می‌تواند با تغییر سبک زندگی در نحوه استفاده مادران از موبایل و بروز این مشکل جلوگیری به عمل آورد. الگوریتم SVM موفق به کسب بهترین نتیجه با دقتی برابر با %۸۰ شد.
نتیجه‌گیری: مهم‌ترین قانون نشان داد در صورتی که مادران باردار، بالای ۶ ساعت در روز از تلفن همراه و ۴ ساعت به بالا از اینترنت و ۸ ساعت به بالا اینترنت با وای فای روشن استفاده نمایند، حتماً آب دور جنین آن‌ها کم خواهد بود. همچنین روش پیشنهادی قابلیت پیش‌بینی بروز این خطر در شرایط کنونی مادران باردار را دارا می‌باشد.
الهام توکل، ولی نوذری، علی پیرزاد، سید احسان امیر حسینی، علی عبداللهی،
دوره ۷، شماره ۲ - ( ۶-۱۳۹۹ )
چکیده
مقدمه: منظور از تخمین هزینه نرم‌افزار سیستم اطلاعات بیمارستانی، برآورد هزینه و زمان مورد نیاز برای توسعه این نرم‌افزار سیستم اطلاعات بیمارستانی پیش از شروع پروژه است که تا پایان تولید و توسعه سیستم ادامه دارد. تخمین هزینه نرم‌افزار برای تولید سیستم اطلاعات بیمارستان، یکی از دغدغه‌های مهم مدیریت پروژه شرکت‌های حوزه سلامت، تلقی می‌شود. الگوهای تخمین هزینه که در مراحل اولیه ساخت پروژه با حداقل اطلاعات موجود از پروژه، هزینه ساخت سیستم را تخمین می‌زنند، سودمند و مورد نیاز هستند. روش تخمین هزینه مناسب، امکان کنترل مؤثر زمان و هزینه ساخت سیستم را فراهم می‌نماید.
روش: در این مطالعه گذشته نگر ۲۳ نرم‌افزار متن‌باز سیستم اطلاعات بیمارستانی انتخاب شد و میزان هزینه طراحی نرم‌افزار و ۱۶ متغیر مستقل از هر نرم‌افزار سیستم اطلاعات بیمارستانی استخراج شد. سپس دادهها به مجموعه آموزشی و تست تبدیل شدند و به کمک الگوریتم درخت تصمیم پیوسته یک مدل پیش‌بینی برای تخمین هزینه سیستم اطلاعات بیمارستانی طراحی گردید. سپس الگوریتم با چهار الگوریتم پیوسته دیگر مورد ارزیابی قرار گرفت.
نتایج: در این مطالعه با روش ۱۰-Fold الگوریتم درخت تصمیم پیوسته اجرا گردید و جهت ارزیابی از دو پارامتر میانگین مربعات خطا و درصد میانگین خطای مطلق استفاده گردید و در مدل پیشنهادی به خطای ۳۱/۷۴ واحد در میانگین مربعات خطا و خطای ۱۷% برای درصد میانگین خطای مطلق به دست آمد.
نتیجه گیری: در این مطالعه نشان داده شد که مدل پیشنهادی دارای خطای قابل قبولی است که نسبت به روش‌های مشابه بهتر عمل کرده است و میتوان از آن برای تخمین هزینه سیستم های اطلاعات بیمارستانی استفاده نمود.
مهدی شاه حسینی، نیوشا مولوی، محمدامین طباطبائی‌فر، محمدرضا صحتی،
دوره ۷، شماره ۴ - ( ۱۲-۱۳۹۹ )
چکیده
مقدمه: دقت و زمان لازم برای آنالیز داده‌های نسل نوین توالی‌یابی (NGS) بسته به ابزارهای استفاده شده برای هم‌ترازی، فراخوانی واریانت، حاشیه‌نویسی، اولویت‌بندی و فیلترینگ واریانت‌ها، تسلط افراد به تحلیل و تفسیر دادهها و ظرفیت محاسباتی آزمایشگاه متفاوت بوده و بهینه‌سازی آن یک مسئله چالش برانگیز است.
روش: یک نرم‌افزار کاربردی به منظور بهینه‌سازی مرحله سوم آنالیز داده‌های NGS طراحی و با زبان برنامه‌نویسی C# پیاده‌سازی شد. در این مطالعه روند حاشیه‌نویسی، فیلترینگ و تفسیر داده‌های NGS برای بیماری ناشنوایی غیرسندرمیک با وراثت اتوزومی مغلوب به طور اختصاصی بهینه شده است.
نتایج: داده مربوط به بیماری که دارای یک جهش بیماری‌زای تأیید شده توسط آنالیز ژنتیکی فامیلی بود و تعداد واریانت‌های اولیه در فایل حاصل از آنالیز مراحل اولیه وی شامل ۶۷۱۸۲۹ واریانت می‌شد توسط نرم‌افزار پیاده‌سازی شده مورد تحلیل قرار گرفت. بعد از انجام مرحله اولویت بندی خودکار واریانت‌ها با استفاده از فایل BED، تعداد واریانت‌ها ۵۰۸ شد. با توجه به شجره‌ی خانوادگی بیمار در مرحله بعدی آنالیز واریانت‌های هوموزیگوت انتخاب شدند و به این ترتیب تعداد واریانت‌ها به ۱۸۷ رسید. بعد از اعمال آستانه فراوانی جمعیتی ۰/۶% در پایگاه‌های داده genomAD و ExAC تعداد واریانت‌های باقی‌مانده به ترتیب ۱۱۰ و ۳ واریانت شد. پاتوژن شناسایی شده نهایی با نتیجه‌ی توالی‌یابی سنگر که به منظور بررسی هم‌تفکیکی واریانت مورد نظر در خانواده انجام شده بود، همخوانی داشت. مدت زمان آنالیز توسط نرم‌افزار طراحی شده بر روی یک کامپیوتر شخصی متوسط ۱۵ دقیقه بود.
نتیجه‌گیری: نرم‌افزار طراحی شده کاملاً گرافیکی و بدون نیاز به کدنویسی است که علاوه بر قابلیت مقایسه و یکپارچه کردن فایل‌های ورودی، امکان ایجاد یک دیتابیس داخلی از فایل‌های آنالیز شده، امکان اعمال محدودیت ناحیه آنالیز و آستانه‌گذاری بر فیلدهای مختلف پایگاه‌های داده انتخابی توسط کاربر را دارد.
علی گل کار، راضیه ملک حسینی، کیوان رحیمی زاده، آزیتا یزدانی، امین بهشتی،
دوره ۸، شماره ۳ - ( ۹-۱۴۰۰ )
چکیده
مقدمه: مطالعات مختلف مزایای استفاده از محاسبات توزیع شده مه برای شبکه‌های اینترنت اشیاء را به اثبات رسانده‌اند؛ زیرا قابلیت‌های رایانش ابری همچون محاسبات، ذخیره‌سازی و پردازش را به گره‌های اینترنت اشیاء نزدیک‌تر کرده است. الگوی جدید محاسبات مه و محاسبات لبه با نزدیک کردن منابع به کاربران در مقایسه با محاسبات ابری، تأخیر کمتری برای پردازش دادهها ارائه داده است که این امر برای کاربردهای حساس به تأخیر همچون حوزه مراقبت سلامت از راه دور ضروری است و ارائه خدمات قابل اعتماد‌تر را فراهم می‌کند. در این پژوهش جهت پایش وضعیت بیماران قلبی یک سیستم مبتنی بر مه ارائه شده است.
روش: این پژوهش از نوع توسعه‌ای- کاربردی است. به منظور ارزیابی، از مجموعه داده بیماران عروق کرونر قلبی موجود در مخزن داده یادگیری ماشین دانشگاه ارواین استفاده شد. در این سیستم، هر یک از علامت‌های بیمار قلبی بر اساس محدوده نرمال در لایه مه ارزیابی و وخامت حال بیمار بررسی می‌گردد. در این لایه، تقاضاها بر اساس تعداد علائمی که خارج از محدوده نرمال هستند، اولویت‌بندی می‌شوند. کارایی سیستم پیشنهادی از نظر مصرف پهنای باند، تأخیر و زمان پاسخ مورد ارزیابی قرار گرفت.
نتایج: سیستم ارائه شده در این پژوهش منجر به بهبود پهنای باند به میزان ۲۳/۷۷%، کاهش زمان تأخیر به میزان ۲۳/۷۱% و بهبود زمان پاسخ به میزان ۳۲/۹۵% گردید.
نتیجه‌گیری: بهره‌گیری از صف اولویت به منظور اولویت‌بندی تقاضاها در لایه مه، زمان پاسخ‌دهی به درخواست‌های اورژانسی را کاهش میدهد.
سید مصطفی حسینی، سمیه برجعلی لو،
دوره ۹، شماره ۳ - ( ۹-۱۴۰۱ )
چکیده
مقدمه: در دنیای امروزی مفهوم مراقبت سلامت روان الکترونیکی مطرح است که به کمک آن مراقبت‌ها، مهارت‌ها دیگر محدود به موقعیت زمانی و مکانی افراد نمی‌باشد و افراد نیازمند به مراقبت روانی می‌توانند با دریافت و نصب برنامه‌های کاربردی (اپلیکیشن) روی تلفن همراه از این خدمات بهره‌مند شوند. نرم‌افزار کاربردی کاگنو ژن (Cognogene) برای ارائه خدمات سلامت روان الکترونیکی در بستر تلفن‌های هوشمند به وجود آمده است. این پژوهش با هدف بررسی اثر بخشی برنامه کاربردی «کاگنو ژن» ﺑﺮ مهارت‌های ارتباطی در میان دانشجویان انجام شد.
روش: جامعه آماری این پژوهش ۱۰۴ دانشجوی شاغل به تحصیل دانشگاه تهران در نیمسال اول سال تحصیلی ۱۴۰۱-۱۴۰۰ در نظر گرفته شد. تعداد ۵۲ ﻧﻔﺮ در ﮔﺮوه آزﻣﺎیﺶ و ۵۲ ﻧﻔﺮ در ﮔﺮوه ﮐﻨﺘﺮل به صورت تصادفی انتخاب شدند. گروه آزمایش، آﻣﻮزش اﻟﮑﺘﺮوﻧﯿﮑﯽ (شامل ویدئوکلیپ‌ها، تمرین روزانه، برنامه‌های انگیزشی) را در ۲۱ جلسه دریافت کردند و گروه ﮐﻨﺘﺮل مداخله‌ای دریافت نکرد. برای جمع‌آوری دادهها، از ﭘﺮﺳﺸﻨﺎﻣﻪ مهارت‌های ارتباطی کوئین دام در دو مرحله ﭘﯿﺶآزﻣﻮن و ﭘﺲآزﻣﻮن استفاده ﺷﺪ. دادهﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از روش ﺗﺤﻠﯿﻞ واریانس یک طرفه ﺗﺤﻠﯿﻞ شدند.
نتایج: یافته‌ها ﻧﺸﺎن داد ﮐﻪ مداخله صورت گرفته باعث ایجاد تفاوتی معنادار در میانگین همه شاخص‌های مورد پژوهش مهارت‌های ارتباطی به جزء شاخص‌های «دریافت و ارسال پیام» و «کنترل عاطفی» گردیده است.
نتیجه‌گیری: آموزش از طریق برنامه کاربردی «کاگنو ژن» می‌تواند به عنوان مکمل همراه سایر روش‌های آموزشی دیگر برای بهبود مهارت‌های ارتباطی استفاده گردد.
لیلا کبوتری زاده، مرضیه کردی، زهرا کوهمره، سید محسن حسینی، امیرعباس عزیزی،
دوره ۹، شماره ۴ - ( ۱۲-۱۴۰۱ )
چکیده
مقدمه: کاربردپذیری، معیاری کیفی برای ارزیابی سیستمهای اطلاعاتی می‌باشد که از طریق ارزیابی رابط-کاربری قابل سنجش می‌باشد. مشکلات رابط-کاربری می‌تواند باعث افزایش خطای کاربران، کاهش رضایت آنان، کاهش کارایی و عدم پذیرش سیستم های اطلاعاتی شود. از این‌رو سازمان بین‌المللی استاندارد، ارزیابی کاربردپذیری را برای پذیرش و پیاده‌سازی سیستم های اطلاعاتی توصیه می‌کند؛ لذا این مطالعه با هدف طراحی مدل بومی ارزیابی کاربردپذیری سیستم های اطلاعات سلامت منطبق با ارزیابی اکتشافی انجام گرفته است.
روش: این مطالعه کیفی چند مرحله‌ای در سال ۱۳۹۹ انجام شد. جستجو در پایگاه‌های ScienceDirect، PubMed، Web of Science، Scopus، Civilica و Magiran انجام گردید. پس از احراز معیارهای ورود، مقالات نمره‌دهی شدند. سپس، مدل اولیه با استخراج دادهها از منابع کتابخانه‌ای ایجاد و با استفاده از تکنیک دلفی اعتبار‌سنجی شد و سرانجام مدل نهایی ارائه گردید.
نتایج: مدل بومی با استفاده از سیزده اصل توسعه داده شد: ۱) شفافیت سیستم، ۲) تطابق بین سیستم و دنیای واقعی، ۳) کنترل و آزادی کاربر، ۴) همسانی و استانداردها، ۵) کمک به کاربران در شناسایی، تشخیص و اصلاح خطا، ۶) پیشگیری از خطا، ۷) شناخت به‌جای یادآوری، ۸) طراحی انعطاف‌پذیر، ۹) طراحی زیبا، ۱۰) راهنمایی و مستند‌سازی، ۱۱) مهارت، ۱۲) تعامل قابل احترام و محترمانه با کاربر، و ۱۳) حفظ حریم خصوصی.
نتیجه‌گیری: این مطالعه نشان داد که بـومی‌سـازی ارزیابی کاربردپذیری سیستم های اطلاعات سلامت منطبق با ارزیابی اکتشافی و بر اساس منابع اطلاعاتی معتبر، رویکردی هوشـمندانه اسـت چراکـه نـه تنهـا موجـب جلوگیری از فرآیندهای تکراری می‌گــردد بلکــه با بهره‌گیری از بهتـــرین و به روزترین منابع، ارائـه بــا کیفیـــت‌تـــرین ارزیابی را ممکن می‌سازد.
سید محمد موسوی، سوده حسینی،
دوره ۱۰، شماره ۱ - ( ۳-۱۴۰۲ )
چکیده
مقدمه: COVID-۱۹ تأثیرات مخربی بر سلامت عمومی در سراسر جهان ایجاد کرده است. از آنجایی که تشخیص زودهنگام و درمان به‌موقع بر کاهش مرگ‌و میر بر اثر ابتلاء به COVID-۱۹ تأثیر‌گذار است و روش‌های تشخیصی موجود ازجمله آزمایش RT-PCR مستعد خطا است، راه حل جایگزین استفاده از تکنیک‌های هوش مصنوعی و پردازش تصویر است. هدف کلی معرفی مدل هوشمند مبتنی بر یادگیری عمیق و شبکه عصبی پیچشی برای شناسایی موارد مبتلا به COVID-۱۹ و ذات‌الریه به منظور اقدامات درمانی بعدی به کمک تصاویر پزشکی ریه است.
روش: مدل پیشنهادی شامل دو مجموعه داده رادیوگرافی و CT-scan است. تصاویر مجموعه داده مورد پیش‌پردازش قرار می‌گیرند و فرآیند تقویت داده روی تصاویر اعمال می‌شود. در مرحله بعد از سه معماری EfficientNetB۴, InceptionV۳ و InceptionResNetV۲ با استفاده از روش یادگیری انتقالی استفاده می‌شود.
نتایج: بهترین نتیجه به دست آمده برای تصاویر CT-scan متعلق به معماری InceptionResNetV۲ با دقت ۹۹/۳۶۶% و برای تصاویر رادیولوژی مربوط به معماری InceptionV۳ با دقت ۹۶/۹۴۳% می‌باشد. علاوه بر آن نتایج حاکی از آن است که تصاویر CT-scan از ویژگی‌های بیشتری نسبت به تصاویر رادیوگرافی برخوردار بوده و تشخیص بیماری روی این نوع دادهها با دقت بیشتری انجام می‌پذیرد.
نتیجه‌گیری: مدل پیشنهادی مبنتی بر شبکه عصبی پیچشی دقت بالاتری نسبت به سایر مدل‌های مشابه دارد. همچنین با اعلام نتایج آنی می‌تواند در ارزیابی اولیه مراجعان به مراکز درمانی به خصوص در زمان اوج همه‌گیری‌ها که مراکز درمانی با چالش‌هایی مانند کمبود نیرو متخصص و کادر درمان مواجه می‌شوند کمک نماید.
فرشته آراد، سید محمد موسوی، سوده حسینی، مریم عامی زاده، ایوب شیخی،
دوره ۱۱، شماره ۲ - ( ۶-۱۴۰۳ )
چکیده
مقدمه: سرطان حنجره بر اساس عوامل مختلف می‌توانند خوش‌خیم یا بدخیم باشند. هدف این پژوهش بهبود مدلی مبتنی بر یادگیری ماشین جهت ارتقاء تشخیص افراد درگیر با سرطان حنجره می‌باشد.
روش کار: گام نخست، صداهای افرادی که به مراکز درمانی مراجعه کرده‌اند (شامل آواهای (آ)، (ای)، (او)) ضبط شده و به عنوان مجموعه داده در نظر گرفته شده‌اند؛ در گام دوم دادهها توسط پزشک متخصص به سه کلاس سرطان خوش‌خیم، سرطان بدخیم و سالم تقسیم شده‌اند؛ در گام سوم مرحله پاکسازی دادهها انجام شده است؛ در گام چهارم ویژگی‌های مرتبط با صدا از دادهها استخراج و در گام پنجم، ۵ مدل یادگیری ماشین SVM، Decision Tree، Naïve Bayes، MLP و Random Forest بر روی مجموعه دادهها پیاده‌سازی شده است و در آخر با استفاده از معیارهای ارزیابی مانند دقت، F-score و دیگر معیارهای ارزیابی، عملکرد مدل‌ها ارزیابی شده است.
یافته‌ها: نتایج پیاده‌سازی نشان داد که مدل SVM برای آوای (آ) و آوای (او) با دقت ۰/۸۱۸، دقت بالاتری نسبت به سایر مدل‌ها از خود نشان داده است، آوای (ای) با دقت ۰/۸۱۸ در مدل MLP بالاترین دقت را دارا می‌باشد.
نتیجه‌گیری: پژوهش حاضر، به ارزیابی مدل‌های یادگیری ماشین برای تشخیص سرطان حنجره بر اساس داده‌های صوتی پرداخته است، نتایج نشان داد که استفاده از مدل SVM برای تشخیص سرطان حنجره می‌تواند با دقت بیشتری در تشخیص این بیماری کمک کند و ارائه نتایج قابل اعتمادی را فراهم آورد.
