دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 شماره4(زمستان) 2025 12 22 When Scientometric Metrics Become the Goal of Research وقتی سنجه‌های علم‌سنجی به هدف پژوهش تبدیل می‌شوند 33326 10.48305/him.2026.46314.1402 FA ویژه Vizhe علوم پزشکی اصفهان 0000-0002-1904-0999 مهدی زارعی 1- مرکز تحقیقات فیزیولوژی کاربردی، پژوهشکده تحقیقاتی قلب و عروق، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. Elham Shahzeidi دانشجوی دکترای فلسفه تعلیم تربیت، گروه علوم تربیتی، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران. Journal Article 2026 05 23 Criticizing indexation does not mean completely rejecting scientometric indicators. If used correctly, these indicators can be useful tools for analyzing patterns of science production and helping research policy-making. The main issue is when these tools replace scientific judgment and qualitative assessment. A balanced strategy is to consider quantitative indicators alongside criteria such as clinical effectiveness, impact on health policies, solving local problems, and the extent of scientific collaboration. Ultimately, it seems that the challenge of indexation in the life sciences should be seen as a symptom of a deeper problem: The crisis of meaning and responsibility in scientific activity. Returning to the social mission of science requires reforming evaluation systems, strengthening the culture of research integrity, and emphasizing the teaching of professional ethics alongside technical skills. In this regard, the role of professors as behavioral models is of particular importance, because scientific culture is transmitted through practical models rather than being shaped through regulations. If prominent researchers can demonstrate that reaching the frontiers of knowledge and responding to the real needs of society are aligned goals, perhaps the path of science can be guided from a mere competition for indicators to a real impact on human lives. نقد شاخص‌زدگی به معنای نفی کامل شاخص‌های علم‌سنجی نیست. این شاخص‌ها در صورت استفاده صحیح می‌توانند ابزارهای مفیدی برای تحلیل الگوهای تولید علم و کمک به سیاست‌گذاری پژوهشی باشند. مسئله اصلی زمانی است که این ابزارها جایگزین قضاوت علمی و ارزیابی کیفی شوند. راهبردی متعادل آن است که شاخص‌های کمی در کنار معیارهایی مانند اثرگذاری بالینی، تاثیر بر سیاست‌های سلامت، حل مسائل بومی و میزان همکاری‌های علمی مورد توجه قرار گیرند. در نهایت، به نظر می‌رسد چالش شاخص‌زدگی در علوم زیستی را باید نشانه‌ای از مسئله‌ای عمیق‌تر دانست: بحران معنا و مسئولیت‌پذیری در فعالیت علمی. بازگشت به رسالت اجتماعی علم مستلزم اصلاح نظام‌های ارزیابی، تقویت فرهنگ درستکاری پژوهشی و تاکید بر آموزش اخلاق حرفه‌ای در کنار مهارت‌های فنی است. در این بین، نقش اساتید به‌عنوان الگوهای رفتاری اهمیت ویژه‌ای دارد؛ زیرا فرهنگ علمی بیش از آنکه از طریق آیین‌نامه‌ها شکل گیرد، از طریق الگوهای عملی منتقل می‌شود. اگر پژوهشگران برجسته بتوانند نشان دهند که دستیابی به مرزهای دانش و پاسخگویی به نیازهای واقعی جامعه اهدافی همسو هستند، شاید بتوان مسیر علم را از رقابت صرف برای شاخص‌ها به سوی اثرگذاری واقعی بر زندگی انسان‌ها هدایت کرد.

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 شماره4(زمستان) 2025 12 22 Leveraging AI Predictive Models and Genomic Biomarkers in Prostate Cancer Management بهره‌گیری از مدل‌های پیش‌بینی هوش مصنوعی و بیومارکرهای ژنومیک در مدیریت سرطان پروستات 33325 10.48305/him.2026.46294.1398 FA ویژه Vizhe علوم پزشکی اصفهان 0000-0002-1904-0999 حسین طاهری 1 – گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران محمد باقر توکلی گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران حسین صالحی گروه علوم تشریحی و بیولوژی تولیدمثل، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران سیمین همتی گروه رادیوآنکولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران حامد طاهری گروه علوم تشریحی و بیولوژی تولیدمثل، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Journal Article 2026 05 16 Prostate cancer is one of the major challenges facing healthcare systems and requires the achievement of personalized medicine for men in order to properly address treatment response heterogeneity and biochemical recurrence rates. Drawing on the results of applying advanced machine learning models and deep neural networks such as DeepSurv, this policy brief explains the potential of radiogenomics in accurately predicting treatment outcomes. Evidence indicates that the simultaneous use of quantitative features extracted from MRI images and key genetic biomarkers, including Ki-67, PTEN, and the Decipher index, provides a valuable opportunity for non-invasive prediction of disease recurrence with high accuracy. Focusing on performance indicators, the findings of this study confirm that replacing or augmenting conventional diagnostic methods with interpretable AI tools can enable intelligent classification of patients into high-risk and low-risk groups before the initiation of radiotherapy. Implementing this approach at the level of macro health policy can lead to a reduction in unnecessary treatments, better management of side effects, and optimized financial resources. Moreover, by enabling adaptive and personalized radiotherapy, it can significantly improve survival rates and patients’ quality of life. In this regard, three policy strategies were proposed and analyzed: “defining radiogenomics in screening protocols,” “personalizing radiotherapy dose based on DeepSurv risk,” and “establishing a national prostate radiogenomics data network.” Ultimately, this document emphasizes the need to strengthen clinical decision-making and employ intelligent decision support systems to achieve treatment equity and efficient cancer management. سرطان پروستات از چالش‌های اصلی نظام سلامت و نیازمند دستیابی به پزشکی شخصی‌سازی شده برای مردان است تا ناهمگونی‌های پاسخ به درمان و نرخ عود بیوشیمیایی به درستی مدیریت شود. این خلاصه سیاستی با استناد به نتایج به‌کارگیری مدل‌های پیشرفته یادگیری ماشین و شبکه‌های عصبی عمیق چون DeepSurv، به تبیین پتانسیل‌های رادیوژنومیک در پیش‌بینی دقیق نتایج درمانی پرداخت. شواهد نشان می‌دهد استفاده همزمان ویژگی‌های کمی استخراج شده از تصاویر ام‌آر‌آی با بیومارکرهای کلیدی ژنتیکی از جمله Ki-67، PTEN و شاخص Decipher، امکانی ارزشمند برای پیش‌بینی غیرتهاجمی عود بیماری با دقت زیاد فراهم می‌آورد. یافته‌های این پژوهش با تمرکز بر شاخص‌های عملکردی، تایید می‌کند جایگزینی یا تقویت روش‌های تشخیصی متداول با ابزارهای هوش مصنوعی تفسیرپذیر، امکان طبقه‌بندی هوشمند بیماران به گروه‌های پرخطر و کم‌خطر را پیش از شروع رادیوتراپی میسر می‌نماید. پیاده‌سازی این رویکرد در سطح سیاست‌های کلان سلامت، به کاهش درمان‌های غیرضروری و مدیریت عوارض جانبی و بهینه‌سازی منابع مالی منجر می‌گردد. ضمن اینکه با فراهم آوردن امکان رادیوتراپی انطباقی و شخصی‌سازی شده، نرخ بقا و کیفیت زندگی بیماران به طور معناداری ارتقا می‌یابد. در این خصوص سه راهبرد سیاستی شامل«تعریف رادیوژنومیک در پروتکل‌های غربالگری»، «شخصی‌سازی دوز رادیوتراپی بر اساس ریسک DeepSurv» و «ایجاد شبکه ملی داده‌های رادیوژنومیک پروستات» ارائه و تحلیل شد. در نهایت، این سند بر ضرورت تقویت تصمیم‌گیری‌های بالینی و بکارگیری سیستم‌های پشتیبان تصمیم‌گیری هوشمند، برای دستیابی به عدالت درمانی و مدیریت کارآمد سرطان تاکید دارد.

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 شماره4(زمستان) 2026 12 22 Graphical Modeling and Analysis for Discovering Hidden Relationships between Diseases and Symptoms: A Data-driven Approach for Differential Diagnosis and Symptom Co-occurrence مدل‌سازی و تحلیل گرافی برای کشف روابط پنهان میان بیماری‌ها و علائم: رویکردی داده‌محور برای تشخیص افتراقی و هم‌وقوعی علائم 33297 10.48305/him.2026.45792.1346 FA سپیده غفاری مهندسی سیستم‌های سلامت، دانشکده مهندسی صنایع و سیستم‌های مدیریت، دانشگاه صنعتی امیرکبیر، تهران، ایران 0009-0008-3653-0093 رقیه خشا دانشکده مهندسی صنایع و سیستم‌های مدیریت، دانشگاه صنعتی امیرکبیر، تهران، ایران 0000-0002-7460-0549 Journal Article 2025 10 12 Abstract Introduction: Understanding hidden relationships between diseases and symptoms is one of the fundamental challenges in differential diagnosis and comorbidity analysis in medicine. Given the complexity of clinical interactions, identifying shared patterns among diseases can play a crucial role in improving the diagnostic process and clinical decision-making. This study proposes a data-driven, graph-based analytical framework for modeling and uncovering hidden relationships between diseases and symptoms. Methods: This study utilized the publicly available Disease–Symptom Prediction Dataset from the Kaggle platform, consisting of 4920 records covering 41 diseases and 131 unique symptoms. Using a linear combination of occurrence frequency indices and the kappa coefficient, a weighted bipartite disease–symptom graph was constructed. Disease–disease and symptom–symptom unipartite graphs were then extracted, and their network structures were analyzed using the Louvain, Greedy Modularity, and Girvan–Newman clustering algorithms. Results: The results indicated that the symptom fatigue and the disease dengue fever played a key role in the disease–symptom network. Disease clustering using the Louvain and Greedy Modularity algorithms identified meaningful clusters of related diseases. Symptom clustering with the Louvain algorithm revealed six clinically interpretable clusters, which could be useful for rapid disease identification. Moreover, seemingly unrelated symptoms could be associated with a common disease, while specific symptom clusters can guide the diagnosis of particular diseases. Conclusion: The findings indicate that graph-based analysis can serve as an effective tool for uncovering hidden relationships between diseases and symptoms and can play an important role in improving differential diagnosis and designing intelligent decision-support systems. مقدمه: درک روابط پنهان میان بیماری‌ها و علائم یکی از چالش‌های اساسی در تشخیص افتراقی و تحلیل هم‌وقوعی علائم در حوزه پزشکی است. با توجه به پیچیدگی تعاملات بالینی، شناسایی الگوهای مشترک میان بیماری‌ها می‌تواند در بهبود فرایند تشخیص و تصمیم‌گیری بالینی نقش مهمی ایفا کند. هدف این پژوهش، ارائة رویکردی داده‌محور برای تحلیل گرافی به‌منظور کشف و مدل‌سازی روابط پنهان میان بیماری‌ها و علائم است. روش بررسی: در این پژوهش از مجموعه‌داده عمومی «مجموعه‌داده پیش‌بینی بیماری-علامت» در پلتفرم کگل شامل 4920 بیماری و مجموعه‌ای از علائم، استفاده شد که شامل ۴۱ بیماری و ۱۳۱ علامت منحصر‌به‌فرد بود. با بهره‌گیری از ترکیب خطی شاخص‌های فرکانس وقوع و ضریب کاپا، یک گراف دوبخشی وزن‌دار بیماری-علامت ایجاد گردید. سپس با استخراج گراف‌های تک‌بخشی بیماری-بیماری و علامت-علامت و به‌کارگیری الگوریتم‌های خوشه‌بندی لووین، ماژولاریتی حریصانه و گیروان-نیومن، ساختار شبکه تحلیل شد. یافته‌ها: نتایج نشان داد که علامت خستگی و بیماری تب دنگی نقش کلیدی در شبکه بیماری-علائم داشتند. خوشه‌بندی بیماری‌ها با الگوریتم‌های لووین و ماژولاریتی حریصانه توانست خوشه‌های معنادار بیماری‌های مرتبط را ایجاد کند. خوشه‌بندی علائم با الگوریتم لووین، شش خوشه قابل‌تفسیر بالینی را آشکار کرد که برای شناسایی سریع بیماری‌ها مفید است. همچنین، علائم نامرتبط می‌توانند به یک بیماری شایع مرتبط باشند. خوشه‌های خاص علائم نیز راهنمای تشخیص بیماری‌های مشخص‌تر هستند. نتیجه‌گیری: یافته‌ها نشان می‌دهد که تحلیل گرافی می‌تواند ابزاری مؤثر برای کشف روابط پنهان میان بیماری‌ها و علائم باشد و در بهبود تشخیص افتراقی و طراحی سامانه‌های هوشمند پشتیبان تصمیم‌گیری نقش به‌سزایی ایفا کند.

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 شماره4(زمستان) 2026 12 22 An Improved VGG Based Deep Learning Framework for Glioma Classification in Brain MRI Images یک چارچوب یادگیری عمیق بهبود‌یافته مبتنی بر VGG برای طبقه‌بندی گلیوما در تصاویر تشدید مغناطیسی مغز 33298 10.48305/him.2026.45796.1348 FA آسیه خسروانیان استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، مجتمع آموزش عالی لارستان 0000-0002-2436-9756 Journal Article 2025 10 13 Introduction: Early detection of brain tumors can play a significant role in treatment planning. In brain magnetic resonance imaging (MRI), there are considerable similarities between healthy and cancerous tissues, making accurate tumor detection a major challenge. Furthermore, manual classification of these images is time‑consuming and prone to human error; therefore, developing automated classification methods can provide substantial support to physicians. Methods: In this study, a novel deep neural network architecture is proposed for automatic classification of brain tumors in MRI images. In the proposed method, the VGG‑16 deep neural network architecture has been redesigned. To preserve the spatial resolution of features in deeper layers and to enable detection of small tumor regions as well as identification of ambiguous boundaries, the max‑pooling layer in the original VGG‑16 architecture was removed. Results: The proposed method was evaluated using the BraTS2020 dataset with a 10‑fold cross‑validation approach. The evaluation results, based on the metrics Accuracy, Precision, Recall, Specificity, F1 Score, and AUC, showed that the proposed architecture achieved better performance compared to the original VGG‑16 neural network. Specifically, it attained values 0.9512 ± 0.0035, 0.9739 ± 0.0026, 0.9524 ± 0.0044, 0.9490 ± 0.0051, 0.9630 ± 0.0027, and 0.9514 ± 0.0044, respectively, for the mentioned metrics. Conclusion: The results obtained from the proposed method in this study confirm that preserving spatial information and identifying ambiguous boundaries can play a significant role in improving classification accuracy. In addition, the applied modifications led to faster convergence and reduced over‑downsampling. چکیده مقدمه: تشخیص زودهنگام تومورهای مغزی، می‌تواند نقش مهمی در برنامه‌ریزی‌های درمان داشته باشد. در تصاویر تشدید مغناطیسی مغز، شباهت‌های زیادی بین بافت سالم و سرطانی وجود دارد، لذا تشخیص دقیق تومورها به یک چالش مهم تبدیل شده است. همچنین طبقه‌بندی دستی این تصاویر، زمان‌بر و مستعد خطای انسانی است؛ لذا توسعه روش‌های طبقه‌بندی خودکار می‌تواند کمک مؤثری به پزشکان ارائه دهد. روش‌ بررسی: در این پژوهش، معماری جدیدی از شبکه عصبی عمیق برای طبقه‌بندی خودکار تومور مغزی در تصاویر تشدید مغناطیسی پیشنهاد شده است. در روش پیشنهادی، معماری شبکه عصبی عمیق VGG-16 بازطراحی شده است. به‌منظور حفظ رزولوشن مکانی ویژگی‌ها در عمق شبکه و تشخیص نواحی کوچک تومورها و شناسایی مرزهای مبهم، لایة max‑pooling در معماری VGG‑16 حذف گردید. یافته ها: روش پیشنهادی با استفاده از مجموعة داده BraTS2020 با روش 10-fold cross validation ارزیابی شد. نتایج ارزیابی بر اساس معیارهای Accuracy، Precision، Recall، Specificity، F1 Score و AUC نشان داد که معماری پیشنهادی نسبت به نسخه اصلی شبکه عصبی VGG-16، عملکرد بهتری دارد و توانسته در معیارهای ذکر شده به ترتیب به مقادیر 0035/0 9512±/0، 0026/0 9739±/0، 0044/0 ±9524/0، 0051/0 ±9490/0، 0027/0 ±9630/0، 0044/0 ±9514 /0 دست یابد. نتیجه‌گیری: نتایج حاصل از روش پیشنهادی در این پژوهش، تأیید می‌کند که حفظ اطلاعات مکانی و شناسایی مرزهای مبهم می‌تواند نقش مهمی در افزایش دقت طبقه‌بندی داشته باشد. به‌علاوه تغییرات اعمال شده منجر به همگرایی سریع‌تر و کاهش نمونه‌برداری بیش از حد (Over-Downsampling) شده است.

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 شماره4(زمستان) 2026 12 22 Strategies to improve the implementation of patient safety-friendly hospital standards in Iran, a mixed-method study راهکارهای ارتقا اجرای استانداردهای بیمارستان دوستدار ایمنی بیمار در ایران، یک مطالعه ترکیبی 33296 10.48305/him.2026.45901.1360 FA محمدرضا توکلی بیمارستان الزهرا، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران 0000-0001-7162-058X محمدرضا امیر اسماعیلی استاد تمام، مدیریت خدمات بهداشتی و درمانی، مرکز تحقیقات مدیریت ارائه خدمات سلامت، موسسه آینده پژوهی درسلامت، دانشگاه علوم پزشکی محمود نکویی مقدم استاد تمام، مدیریت خدمات بهداشتی و درمانی، مرکز تحقیقات مدیریت ارائه خدمات سلامت، موسسه آینده پژوهی درسلامت، دانشگاه علوم پزشکی رضا کاظمی بخش اورولوژی، بیمارستان الزهرا، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Journal Article 2025 12 07 Background and Objective: The Patient Safety Friendly Hospitals Program includes the implementation of a set of patient safety standards in hospitals. The implementation of these standards ensures that patient safety is accepted as an essential priority in hospitals and that staff from all units are working towards this goal. The purpose of this study was to investigate strategies for improving the implementation of patient safety friendly hospital standards in Iranian hospitals. Methodology: This study was conducted in a sequential manner. First, strategies for improving patient safety friendly hospital standards were identified by conducting a qualitative study, then the strategies were approved or rejected by experts using a two-stage fuzzy Delphi method. Findings: In this study, 30 main issues were identified as strategies for improving the implementation of patient safety friendly hospital standards, of which one strategy was eliminated by the experts and 29 main issues were approved. Conclusion: It is better to implement the strategies presented in this study and achieve the goal of improving the quality of services provided and better implementation of patient safety standards in centers to make the implementation of standards as effective as possible. زمینه و هدف: برنامه بیمارستان های دوستدار ایمنی بیمار اجرای مجموعه ای از استانداردهای ایمنی بیمار را در بیمارستان ها در بر می گیرد. تحقق این استانداردها این اطمینان را ایجاد می کند که ایمنی بیمار یک اولویت ضروری در بیمارستانها پذیرفته شده و کارکنان همه واحدها در این راستا تلاش می کنند. هدف از انجام این مطالعه بررسی راهکارهای ارتقای اجرای استانداردهای بیمارستان دوستدار ایمنی بیمار در بیمارستان های ایران بود. روش کار: این مطالعه به صورت ترکیبی متوالی انجام شد. ابتدا با انجام یک مطالعه کیفی راهکارهای ارتقا استانداردهای بیمارستان دوستدار ایمنی بیمار شناسایی شد سپس با انجام روش دلفی فازی در دو مرحله راهکارها به تایید یا رد خبرگان رسید. یافته ها: در این مطالعه 30 موضوع اصلی به عنوان راهکارهای ارتقای اجرای استانداردهای بیمارستان دوستدار ایمنی بیمار شناسایی شد که با نظر خبرگان یک راهکار حذف گردید و 29 موضوع اصلی مورد تایید قرار گرفت. نتیجه گیری: بهتر است با به کارگیری راهکارهای ارائه شده در این مطالعه و رسیدن به هدف ارتقای کیفیت خدمات ارائه شده و اجرای بهتر استانداردهای ایمنی بیمار در مراکز جهت هرچه موثرتر کردن اجرای استانداردها اقدام شود.

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 شماره4(زمستان) 2026 12 22 Analyzing Research Trends in the Field of Artificial Intelligence and Health Literacy: A Scientometric Approach تحلیل روندهای پژوهش در حوزه هوش مصنوعی و سواد سلامت: با رویکرد علم‌سنجی 33295 10.48305/him.2026.45888.1359 FA سیف اله اندایش استادیار/ دانشکده ادبیات و علوم انسانی. دانشگاه خلیج فارس. بوشهر. ایران 0000-0002-0095-4272 Journal Article 2025 11 14 Objective: This study aims to analyze the knowledge structure, scientific trends, and thematic evolution of research on artificial intelligence and health literacy using a scientometric approach. Methods: This study was conducted using a bibliometric approach. Data were retrieved from the Scopus database without time restrictions. A total of 2,864 documents published between 1983 and 2025 were selected for analysis. The data were imported into Bibliometrix software. Results: The findings indicate that this field has experienced sustained and accelerated growth with an annual growth rate of 4.95%. The scientific collaboration network shows that the United States, with the highest number of links, is at the center of the network. The co-occurrence map identified four main themes: health education and language models, clinical applications, methodology and technical assessment, and mental health. Thematic evolution analysis revealed three distinct phases: expert systems (1983-2005), digital technologies and modern infrastructures (2005-2018), and generative AI and large language models (2018-2024). In the strategic diagram, the combination of "AI-ChatGPT-health literacy" was identified as a motor theme with high centrality and impact. Conclusion: The field of AI and health literacy has evolved from expert systems to large language models, and the integration of ChatGPT with health literacy has been identified as a strategic research front. Keywords: Artificial Intelligence, Health Literacy, Large Language Models, Health Education Key Message: AI in healthcare has evolved from expert systems to large language models. Advancing this emerging field at the intersection of health literacy requires a comprehensive approach to ethics, interdisciplinary collaboration, and modern infrastructure. هدف این پژوهش، تحلیل ساختار دانشی، روندهای علمی و تحول موضوعی پژوهش‌های مرتبط با هوش مصنوعی و سواد سلامت با رویکرد علم‌سنجی است. . روش‌بررسی: این مطالعه با رویکرد کتابسنجی انجام شد. داده‌ها از پایگاه اسکوپوس و بدون محدودیت زمانی گردآوری شد. 2864 سند منتشرشده طی سال‌های 1983 تا 2025 برای تحلیل انتخاب شد. تحلیل داده‌ها با بهره‌گیری از نرم‌افزار VOSviower و Bibliometrix انجام شد. یافته‌ها : نتایج نشان می‌دهد که این حوزه با نرخ رشد سالانه ۴.۹۵ درصد رشد پایدار و شتابانی داشته است. الگوی همکاری علمی کشورها نشان می‌دهد که ایالات متحده آمریکا با بیشترین پیوندها در مرکز شبکه قرار دارد. نقشه هم‌واژگانی چهار محور اصلی را مشخص کرد: آموزش سلامت و مدل‌های زبانی، کاربردهای بالینی، روش‌شناسی و سنجش فنی و سلامت روان. تحلیل تحول موضوعی نیز سه فاز متمایز را نشان داد: سیستم‌های خبره (۱۹۸۳-۲۰۰۵)، فناوری‌های دیجیتال و زیرساخت‌های نوین (۲۰۰۵-۲۰۱۸)، و هوش مصنوعی مولد و مدل‌های زبانی بزرگ (۲۰۱۸-۲۰۲۴). در نقشه موضوعی، ترکیب «هوش مصنوعی-ChatGPT-سواد سلامت» به عنوان موضوعی راهبردی با مرکزیت و تأثیرگذاری بالا شناسایی شد. نتیجه‌گیری: حوزه هوش مصنوعی و سواد سلامت از سیستم‌های خبره به مدل‌های زبانی بزرگ تحول یافته و ترکیب ChatGPT با سواد سلامت به عنوان جبهه پژوهشی راهبردی شناسایی شده است. واژه‌های کلیدی: هوش مصنوعی، سواد سلامت، مدل‌های زبانی بزرگ، آموزش سلامت پیام کلیدی: هوش مصنوعی در سلامت از سیستم‌های خبره به مدل‌های زبانی بزرگ تحول یافته است. پیشبرد این حوزه نوظهور در تلاقی با سواد سلامت، نیازمند رویکردی جامع به اخلاق، همکاری میان‌رشته‌ای و زیرساخت‌های نوین است.

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 شماره4(زمستان) 2025 12 22 Investigating the Relationship Between Digital Skills and Information Entrepreneurship Intention Among Medical Library and Information Science Students بررسی رابطه مهارت‌های دیجیتال با قصد کارآفرینی اطلاعاتی در دانشجویان کتابداری و اطلاع‌رسانی پزشکی 33327 10.48305/him.2026.45802.1349 FA لیلا فاخر دیزاوندی دانشجوی کارشناسی ارشد، کتابداری و اطلاع رسانی پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی کرمان، کرمان، ایران 0009-0000-2487-2493 Journal Article 2025 10 13 This study investigated the relationship between digital skills (digital literacy and digital fluency) and information entrepreneurial intention among students of Medical Librarianship and Information Science in Iran. Recognizing that these future health information managers require advanced digital competencies to identify and capitalize on entrepreneurial opportunities, the research aimed to determine how these skills influence their entrepreneurial ambitions. A descriptive-analytical, cross-sectional study was conducted in the second semester of the 2024–2025 academic year. From a statistical population of 459 students across undergraduate, master’s, and doctoral levels, 210 participants were selected via stratified random sampling. Data were collected using a validated and reliable four-part questionnaire (Cronbach’s alpha = 0.964) measuring demographic information, information entrepreneurial intention (19 items), digital fluency (16 items), and digital literacy (31 items). The data were analyzed with SPSS 26 using descriptive statistics, Pearson correlation, and other inferential tests. Results showed that students possessed a high level of digital literacy (mean score 119.41 ± 22.56) but only a moderate level of digital fluency (57.49 ± 12.12). Their information entrepreneurial intention was also at a moderate level (64.19 ± 14.20). Critically, Pearson’s correlation revealed a positive and significant relationship between both digital literacy and entrepreneurial intention, and digital fluency and entrepreneurial intention. While significant gender and age-based differences were found in digital skills, no significant differences in entrepreneurial intention were observed based on gender, age, or academic level. The findings conclude that digital skills are a significant facilitating factor for entrepreneurial intention. The moderate levels of fluency and intention suggest a gap between theoretical knowledge and practical application. The absence of demographic influences on entrepreneurial intention implies it is shaped more by psychological and contextual factors. These results provide a foundation for developing targeted educational programs to foster an entrepreneurial culture within medical universities. مقدمه: مهارت‌های دیجیتال به عنوان عاملی کلیدی در موفقیت کارآفرینی اطلاعاتی شناخته می‌شوند. این مطالعه با هدف بررسی رابطه بین مهارت‌های دیجیتال و قصد کارآفرینی اطلاعاتی در دانشجویان کتابداری و اطلاع‌رسانی پزشکی ایران انجام شد. روش‌ها: این پژوهش توصیفی-تحلیلی و مقطعی در نیمسال دوم ۱۴۰۳-۱۴۰۴ بر روی ۲۱۰ نفر از دانشجویان کتابداری و اطلاع‌رسانی پزشکی دانشگاه‌های علوم پزشکی کشور که به روش نمونه‌گیری تصادفی-طبقه‌ای انتخاب شده بودند، انجام گرفت. داده‌ها با استفاده از پرسشنامه‌ای معتبر و پایا (آلفای کرونباخ ۰.۹۶۴) گردآوری و با نرم‌افزار SPSS و آزمون‌های آماری شامل همبستگی پیرسون، تی مستقل و آنالیز واریانس تحلیل شدند. یافته‌ها: میانگین سواد دیجیتال دانشجویان در سطح بالا (۲۲/۵۶ ± ۱۱۹/۴۱)، و میانگین تسلط دیجیتال (۱۲/۱۲ ± ۵۷/۴۹) و قصد کارآفرینی اطلاعاتی (۱۴/۲۰ ± ۶۴/۱۹) در سطح متوسط قرار داشت. نتایج آزمون همبستگی پیرسون وجود رابطه مثبت و معناداری را بین سواد دیجیتال و قصد کارآفرینی اطلاعاتی (۰.۰۰۱>p ) و بین تسلط دیجیتال و قصد کارآفرینی اطلاعاتی (۰.۰۰۱>p ) نشان داد. اگرچه بین جنسیت و سن با سطح مهارت‌های دیجیتال تفاوت معناداری مشاهده شد، اما قصد کارآفرینی اطلاعاتی بر اساس جنسیت، سن و مقطع تحصیلی تفاوت معناداری نداشت. نتیجه‌گیری: یافته‌ها حاکی از آن است که مهارت‌های دیجیتال نقش تسهیل‌کننده در شکل‌گیری قصد کارآفرینی اطلاعاتی دانشجویان دارند. سطح متوسط تسلط دیجیتال و قصد کارآفرینی، نشان‌دهنده فاصله بین دانش نظری و توانایی عملی است. این نتایج می‌تواند مبنایی برای طراحی دوره‌های آموزشی هدفمند و توسعه فرهنگ کارآفرینی در دانشگاه‌های علوم پزشکی باشد. کلمات کلیدی: سواد دیجیتال، قصد کارآفرینی، کارآفرینی اطلاعاتی، کتابداری و اطلاع‌رسانی پزشکی.

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 شماره4(زمستان) 2026 12 22 The Experience of Holding the First Medis Smart Health Hackathon with a Look at Achievements, Challenges, and Lessons Learned تجربه‌ برگزاری نخستین هکاتون سلامت هوشمند مدیس، با نگاهی بر دستاوردها، چالش‌ها و درس‌آموخته‌ها 33182 10.48305/him.2026.46034.1378 FA ویژه Vizhe علوم پزشکی اصفهان 0000-0002-1904-0999 مریم جهان بخش Associate Professor of Health Information Management, Department of Management and Health Information Technology, School of Management and Medical Information Sciences, Health Information Technology Research Center, Isfahan University 0000-0003-0876-5422 Journal Article 2025 12 22 The purpose of this experience statement is to review the planning process, implementation, and results of the first Medis Smart Health Hackathon, which was held at Isfahan University of Medical Sciences with a focus on three topics: “Digital Health in Chronic Diseases,” “Health Data Management with Artificial Intelligence,” and “Biocomputing in the Development of Smart Medicines.” The event was held with the participation of 23 interdisciplinary student teams from medical, engineering, and basic sciences. The most important achievements of the event included creating innovative ideas in the field of health technology, strengthening teamwork and interdisciplinary communication skills, creating scientific-professional networks, and motivating students to work at the frontiers of knowledge. However, the event faced major challenges, especially in the area of providing financial resources and administrative obstacles, which affected the quality of implementation and support. However, despite the effectiveness of such events in fostering innovation and operational skills, their continuity and development require more structured organizational support, streamlining administrative processes, and designing sustainable mechanisms for communication with industry and financial sponsors. This experience emphasizes the need to integrate interdisciplinary education and support innovative student ideas in line with the transformation of the health system. هدف از این بیان تجربه، بازنگری فرآیند برنامه‌ریزی، اجرا و نتایج نخستین دوره هکاتون سلامت هوشمند مدیس است که با محوریت سه موضوع «سلامت دیجیتال در بیماری‌های مزمن»، «مدیریت داده‌های سلامت با هوش مصنوعی» و «زیست‌محاسبات در توسعه داروهای هوشمند» در دانشگاه علوم پزشکی اصفهان برگزار شد. این رویداد با حضور 108 نفر در قالب ۲۳ تیم دانشجویی بین‌رشته‌ای از رشته‌های پزشکی، مهندسی و علوم پایه انجام پذیرفت. مهم‌ترین دستاوردهای رویداد شامل خلق ایده‌های نوآورانه در حوزه فناوری سلامت، تقویت مهارت‌های کار تیمی و ارتباط بین‌رشته‌ای، ایجاد شبکه‌های علمی-حرفه‌ای و انگیزه‌دهی به دانشجویان برای فعالیت بین رشته‌ای بود. با این حال، رویداد با چالش‌های عمده‌ای به ویژه در حوزه تامین منابع مالی و موانع اداری مواجه بود که در صورت عدم مراقبه می توانست به دشواری‌های متعددی بیانجامد. لذا با وجود اثربخشی چنین رویدادهایی در پرورش نوآوری و مهارت‌های عملیاتی، تداوم و توسعه آن نیازمند حمایت ساختاریافته‌تر سازمانی، تسهیل فرآیندهای اداری و طراحی سازوکارهای ماندگار برای ارتباط با صنعت و حامیان مالی است. این تجربه بر ضرورت پیوند آموزش‌های بین‌رشته‌ای و حمایت از ایده‌های نوآورانه دانشجویی در راستای تحول نظام سلامت تاکید دارد.