دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 23 1 2026 03 21 Reforming Iran’s Trauma Registry: Policy Strategies to Strengthen Data Systems and Reduce Injury Burden راهبردهای سیاستی برای بهبود نظام ثبت تروما و کاهش بار اقتصادی-اجتماعی آسیب‌ها در ایران 33172 10.48305/him.2026.45915.1362 FA مهدی نصر اصفهانی 1. گروه طب اورژانس، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران 0000-0002-0236-6546 مریم جهانبخش 3. گروه مدیریت و فناوری اطلاعات سلامت، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران 0000-0003-0876-5422 نداالسادات فاطمی 2. گروه سلامت در بلایا و فوریت‌ها، دانشکده مدیریت و اطلاع‌رسانی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران 0000-0002-7972-0793 شهریار زهتابچی 4. گروه طب اورژانس، دانشگاه علوم بهداشتی SUNY Downstate، بروکلین، نیویورک، ایالات متحده آمریکا محمدرضا ظفرقندی 5. گروه جراحی عروق، بیمارستان سینا، دانشگاه علوم پزشکی تهران، تهران، ایران. Journal Article 2025 11 19 The National Trauma Registry in Iran, as one of the fundamental pillars of the injury management system, faces major challenges in data quality. To address these challenges, six policy options are proposed, each targeting different aspects of improving the trauma registration system. The first option is the mandatory establishment of trauma registration centers in tertiary hospitals, integrated into the accreditation system with dedicated funding. This solution strengthens the long-term sustainability of the registration system by establishing legal foundations and ensuring the allocation of financial resources. However, its implementation may face resistance from hospital managers due to increased administrative burden and structural challenges in budget allocation. The second option, performing periodic data audits, is a short-term and low-cost solution that would identify systematic errors and improve data quality. The success of this option requires training a specialized workforce and managing resistance from centers to external inspections. The third option, integrating the National Trauma Registry (NTRI) with hospital systems, would improve the efficiency of the registry by reducing human errors and increasing data accuracy. However, it would require significant initial investment and extensive staff training. The fourth option, developing national standards based on international TR-DGU standards, would enable comparability of Iranian data with advanced global systems. This would require careful localization and retraining of staff due to structural differences between the Iranian and German health systems. ثبت ملی تروما در ایران به عنوان یکی از ارکان اساسی نظام مدیریت آسیب‌ها، با چالش‌های عمده‌ای در کیفیت داده‌ها مواجه است. برای رفع این چالش‌ها، شش گزینه سیاستی پیشنهاد می‌شود که هر یک به جنبه‌های مختلف بهبود نظام ثبت تروما می‌پردازند. گزینه اول، «الزامی‌سازی استقرار مراکز ثبت تروما در بیمارستان‌های درجه یک و ادغام آن در نظام اعتباربخشی با تامین بودجه اختصاصی» است. این راهکار با ایجاد پایه‌های قانونی و تضمین تخصیص منابع مالی، پایداری بلندمدت نظام ثبت را تقویت می‌کند. بااین‌حال، اجرای آن با مقاومت مدیران بیمارستانی به دلیل افزایش بار اداری و چالش‌های ساختاری در تخصیص بودجه همراه است. گزینه دوم، «اجرای حسابرسی دوره‌ای داده‌ها»، به‌عنوان راهکاری کوتاه‌مدت و کم‌هزینه، خطاهای سیستماتیک را شناسایی و کیفیت داده‌ها را بهبود می‌بخشد. موفقیت این گزینه مستلزم تربیت نیروی متخصص و مدیریت مقاومت مراکز در برابر بازرسی‌های خارجی است. گزینه سوم، «یکپارچه‌سازی سامانه ملی ثبت تروما NTRI با سامانه‌های بیمارستانی» است. این اقدام با کاهش خطاهای انسانی و افزایش دقت داده‌ها، کارایی نظام ثبت را ارتقا می‌دهد، اما نیازمند سرمایه‌گذاری اولیه قابل‌توجه و آموزش گسترده پرسنل است. گزینه چهارم، «تدوین استانداردهای ملی مبتنی بر استانداردهای بین‌المللیTR-DGU »، امکان مقایسه‌پذیری داده‌های ایران با نظام‌های پیشرفته جهانی را فراهم می‌کند، ولی به دلیل تفاوت‌های ساختاری بین نظام سلامت ایران و آلمان، نیازمند بومی‌سازی دقیق و بازآموزی نیروهاست. گزینه پنجم، «تامین بودجه پایدار برایNTRI »، از طریق مکانیسم‌هایی مانند مشارکت عمومی-خصوصی و جذب کمک‌های بین‌المللی محقق می‌شود.

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 23 1 2026 03 21 Operational Strategies for Developing a Deep Learning and MRI Radiomics Model to Predict Treatment Response and Survival Outcomes in Rectal Cancer راهبردهای عملیاتی توسعه مدل یادگیری عمیق و رادیومیکس MRI برای پیش بینی پاسخ درمانی و پیامد بقا در سرطان رکتوم 33456 10.48305/him.2026.46726.1428 FA ویژه Vizhe علوم پزشکی اصفهان 0000-0002-1904-0999 حسین طاهری گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران محمد باقر توکلی مرکزتحقیقات فیزیولوژی کاربردی، پژوهشکده قلب و عروق، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران سیمین همتی گروه رادیوآنکولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران حسین صالحی گروه علوم تشریح و بیولوژی تولیدمثل، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران حامد طاهری گروه علوم تشریح و بیولوژی تولیدمثل، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران Journal Article 2026 07 28 Rectal cancer is one of the most important diseases of the distal colon, challenging for healthcare professionals and requiring accurate and timely treatment decisions at the early stages of diagnosis. The current treatment approach, which often includes preoperative radiotherapy and chemotherapy, is associated with different treatment responses in patients due to the diversity and biological heterogeneity of tumors, and exposes some of them to severe treatment complications or disease recurrence without receiving adequate results. This policy brief was developed based on the findings of a radiogenomic modeling study that examined the potential of artificial intelligence models in predicting treatment response and survival outcome in patients with the participation of 200 patients. The results of the study showed that the integration of histological and structural features from pretreatment MRI images with pathology data and genomic markers such as KRAS and BRAF mutation status provides a high accuracy of about 85% in predicting disease-free survival and overall survival of patients. Deep learning-based models also provided more accurate prediction of treatment response. However, the implementation of these achievements in the clinical field required the development of operational policy options, which, according to the research findings and expert opinions, were proposed as follows: "Improving radiogenomic deep learning models in clinical decision-making systems of specialized hospitals, developing a national protocol for validation and multicenter data collection of rectal cancer, and developing new clinical guidelines for screening and predicting treatment response using combined biomarkers (MRI and genomics)." سرطان رکتوم یکی از بیماری‌‌های مهم انتهای روده بزرگ، پرچالش برای متخصصان حوزه سلامت و نیازمند تصمیم‌گیری‌های درمانی دقیق و به‌موقع در مراحل اولیه تشخیص است. رویکرد فعلی درمان که اغلب شامل پرتودرمانی و شیمی‌درمانی پیش از جراحی است، به دلیل تنوع و ناهمگونی زیستی تومورها، با پاسخ‌های درمانی متفاوتی در بیماران همراه می‌شود و بخشی از آنان را بدون دریافت نتیجه کافی، در معرض عوارض شدید درمانی یا عود بیماری قرار می‌دهد. این خلاصه سیاستی، با استناد به یافته‌های یک مطالعه مدلسازی رادیوژنومیک تدوین شد که با مشارکت دویست بیمار، به بررسی پتانسیل مدل‌های هوش مصنوعی در پیش‌بینی پاسخ درمانی و پیامد بقای بیماران پرداخت. نتایج مطالعه نشان داد ادغام ویژگی‌های بافتی و ساختاری حاصل از تصاویر MRI پیش‌درمانی، با داده‌های پاتولوژی و نشانگرهای ژنومی مانند وضعیت جهش‌های KRAS و BRAF، دقت زیادی حدود 85 درصد در پیش‌بینی بقای بدون بیماری و بقای کلی بیماران فراهم می‌کند. همچنین مدل‌های مبتنی بر یادگیری عمیق، پیش‌بینی پاسخ به درمان دقیق‌تری ارائه دادند. با این حال، اجرایی شدن این دستاوردها در حوزه بالین، نیازمند تدوین گزینه‌های سیاستی عملیاتی بود که با توجه به یافته‌های پژوهش و نظر متخصصان به‌این‌صورت «همسان‌سازی مدل‌های یادگیری عمیق رادیوژنومیک در سامانه‌های تصمیم‌یار بالینی بیمارستان‌های تخصصی، توسعه پروتکل ملی اعتبارسنجی و جمع‌آوری داده‌های چندمرکزی سرطان رکتوم، تدوین راهنماهای بالینی جدید برای غربالگری و پیش‌بینی پاسخ درمانی با استفاده از شاخص‌های زیستی ترکیبی (MRI و ژنومیک)»، پیشنهاد شد.

https://him.mui.ac.ir/article_33456_4012e4ca51f4f19e7d001e568a7f4394.pdf

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 23 1 2026 03 21 Modeling the Determinants of Medical Tourist Attraction in the Iranian Health System طراحی الگوی عوامل موثر بر جذب گردشگران پزشکی در نظام سلامت ایران 33404 10.48305/him.2026.45954.1365 FA محمد دهقانی محمودآبادی گروه مدیریت خدمات بهداشتی و درمانی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران جنوب، ایران 0000-0003-4111-2351 ایروان مسعودی اصل استاد مدیریت خدمات بهداشتی درمانی، گروه مدیریت خدمات بهداشتی و درمانی، دانشکده مدیریت و اطلاع رسانی پزشکی دانشگاه علوم پزشکی ایران، 0000-0002-0389-9571 سعاد محفوظ پور گروه مدیریت خدمات بهداشتی و درمانی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران جنوب، ایران 0000-0003-0178-679X سمیه حسام گروه مدیریت خدمات بهداشتی و درمانی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران جنوب، ایران 0000-0001-6501-3687 Journal Article 2025 12 02 Introduction: Medical tourism, as a subcategory of the tourism industry and a significant potential economic driver, can play a substantial role in improving the economic conditions of countries. The aim of this study is to design a model of the factors influencing the attraction of medical tourists within Iran’s healthcare system. Methods: In terms of purpose, this research is developmental and, through an inductive approach, takes on an exploratory–analytical nature in the form of a quantitative study. The research was conducted in two stages. In the first stage, the factors affecting the attraction of medical tourists in Iran’s healthcare system were identified using exploratory and confirmatory factor analysis with the LISREL software. The statistical population in this stage consisted of graduate students in tourism management. In the second stage, in order to propose a model and categorize the influencing factors, the Interpretive Structural Modeling (ISM) method and expert opinions were employed. Results: The attraction of medical tourists depends on a coordinated and integrated combination of specialized, economic, marketing, supportive, infrastructural, political, cultural, and human resource-related factors. Marketing and communication factors, supportive and developmental factors, and the provision of specialized services were identified as the most affected variables. In addition, political and social factors, economic factors, and cultural factors were recognized as the most influential variables. Conclusion: Sustainable development of the medical industry in Iran is a multidimensional and coordinated requirement that requires attention to eight components including political and social factors, marketing and communication factors, support and development factors, infrastructure and management factors, provision of specialized services, human resources and experienced medical staff, economic factors, and cultural factors. زمینه و هدف: گردشگری پزشکی به ‌عنوان یکی از زیرشاخه‌های صنعت گردشگری و یکی از پتانسیل‌های بالقوه اقتصادی، می‌تواند نقش مهمی در بهبود وضعیت اقتصادی کشورها ایفا کند. هدف این تحقیق طراحی الگوی عوامل موثر بر جذب گردشگران پزشکی در نظام سلامت ایران می باشد. روش بررسی: این یک تحقیق کمی است که در دو گام انجام شده است. گام اول شناسایی عوامل موثر جذب گردشگران پزشکی در نظام سلامت ایران با استفاده از روش تحلیل عاملی اکتشافی و تاییدی با استفاده از نرم‌افزار LISREL را دنبال کرد. جامعه آماری این گام، دانشجویان کارشناسی ارشد رشته مدیریت گردشگری بودند. در گام دوم جهت ارائه الگو و سطح بندی عوامل موثر جذب گردشگران پزشکی در نظام سلامت ایران از روش مدل‌سازی ساختاری تفسیری و نظر خبرگان بهره گرفته شده است. یافته ها: جذب گردشگران پزشکی به ترکیب هماهنگ و یکپارچه‌ای از عوامل تخصصی، اقتصادی، بازاریابی، حمایتی، زیرساختی، سیاسی، فرهنگی، و منابع انسانی وابسته است. بازاریابی و ارتباطی، عوامل حمایتی و توسعه‌ای و ارائه خدمات تخصصی به عنوان تاثیر‌پذیرترین عوامل شناسایی شدند. همچنین عوامل سیاسی و اجتماعی، عوامل اقتصادی و عوامل فرهنگی به عنوان تاثیرگذارترین عوامل شناخته شدند. نتیجه‌گیری: توسعه پایدار صنعت گردشگری پزشکی در ایران نیازمند رویکردی چندبعدی و هماهنگ است که لازم است هشت مولفه شامل عوامل سیاسی و اجتماعی، عوامل بازاریابی و ارتباطی، عوامل حمایتی و توسعه‌ای، عوامل زیرساختی و مدیریتی، ارائه خدمات تخصصی، منابع انسانی و کادر درمان مجرب، عوامل اقتصادی و عوامل فرهنگی مورد توجه قرار گیرد.

https://him.mui.ac.ir/article_33404_404fad250f9e44794bad565785d71bfc.pdf

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 23 1 2026 03 21 Analyzing and Predicting Treatment Processes: A Process Oriented Data Science Approach تحلیل و پیش بینی فرایندهای درمانی: رویکرد مبتنی بر علم داده فرایندگرا 33453 10.48305/him.2026.45810.1350 FA محمدامین پیریان دانشکده مهندسی صنایع و سیستم ها ،دانشگاه تربیت مدرس،تهران،ایران 0009-0006-3484-596X توکتم خطیبی دانشیار و عضو هیات علمی دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس 0000-0001-5824-9798 Journal Article 2025 10 16 Background: Healthcare processes are inherently complex and demand data-driven strategies for effective health information management. This study integrates process mining with deep learning to predict subsequent activities in infectious disease emergency care based on event logs, aiming to support more efficient management. Methods: The event log comprised 1,050 patients admitted to the emergency department with infection symptoms and suspected sepsis, for whom specific treatment pathways were expected. First, patient flows were mapped using process mining tools to visualize and clarify care trajectories. Next, process data were analyzed, and the proposed model—built on deep learning with a transformer-based architecture—was employed to predict each patient’s next step. Model performance was evaluated using metrics such as accuracy. Results: Process mining identified bottlenecks, including delays in diagnostic tests and congestion in blood test units. The transformer model achieved an average accuracy of 83.5% in next-activity prediction, representing a 13% improvement over existing approaches. It also reduced mean absolute error (MAE) to 0.93 days for next-event time and 5.43 days for remaining time. Conclusion: The proposed model offers a robust tool for analyzing and improving clinical processes. This approach can reduce patient waiting times, optimize resource allocation, and enhance data-driven decision-making in healthcare. The findings contribute to advancing health information management systems and improving treatment services. مقدمه: فرآیندهای مراقبت‌های بهداشتی به دلیل پیچیدگی، نیازمند رویکردهای داده‌محور برای مدیریت اطلاعات سلامت هستند. این مطالعه با تلفیق فرایندکاوی و یادگیری عمیق، پیش‌بینی فعالیت‌های بعدی در بخش اورژانس عفونی را مبتنی بر نگاره‌های رویداد هدف قرار داده تا مدیریت بهینه‌تر را تسهیل کند. روش‌بررسی: نگاره رویداد استفاده شده شامل 1050بیمار که با نشانه های عفونت و علائم سپسیس به بخش اورژانس بیمارستان مراجعه کردند می باشد. که یک سری از درمان های خاص برای آن ها انتظار می رود. در ابتدا برای شفافیت جریان بیماران به کمک ابزارهای فرآیندکاوی از نگاره رویداد نقشه برداری صورت گرفت. سپس به کمک داده های فرایندی تجزیه و تحلیل فرایندی انجام شد در گام بعدی مدل پیشنهادی با استفاده ازیادگیری عمیق و به طور مشخص معماری شبکه‌های ترانسفورمرگام بعدی هر بیمار در مجموعه پیش بینی شد . مدل پیشنهادی با استفاده از معیارهایی همچون صحت(Accuracy) مورد ارزیابی قرارگرفت. یافته‌ها: فرایندکاوی، گلوگاه‌هایی چون تأخیر در آزمایش‌های تشخیصی و ترافیک واحدهای آزمایش خون را شناسایی کرد. مدل ترانسفورمر با دقت میانگین ۸۳.۵٪ در پیش‌بینی فعالیت بعدی، نسبت به روش‌های موجود ۱۳٪ بهبود نشان داد و خطای میانگین مطلق (MAE) برای زمان رویداد بعدی (93/0 روز) و زمان باقی‌مانده (43/5 روز) را کاهش داد. نتیجه‌گیری: مدل ارائه‌شده، ابزاری قدرتمند برای تحلیل و بهبود فرایندهای درمانی است. این رویکرد می‌تواند به کاهش زمان انتظار بیماران، بهبود تخصیص منابع و ارتقای تصمیم‌گیری مبتنی بر داده در محیط‌های درمانی کمک کند. یافته‌های این پژوهش گامی مؤثر در توسعه سیستم‌های مدیریت اطلاعات سلامت و بهبود خدمات درمانی محسوب می‌شود.

https://him.mui.ac.ir/article_33453_4935c98ae38755f5ddcea74d5488ec7f.pdf

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 23 1 2026 03 21 Factors Influencing and Management Strategies for Clinical Information Overload: An Inquiry into the Experiences of Specialists at Isfahan University of Medical Sciences عوامل موثر و راهکارهای مدیریت اضافه‌بار اطلاعات بالینی: کاوشی در تجربیات متخصصان دانشگاه علوم پزشکی اصفهان 33454 10.48305/him.2026.46103.1384 FA لیلا شهرزادی دانشگاه علوم پزشکی اصفهان 0000-0003-3738-2543 علی منصوری گروه علم اطلاعات و دانش شناسی دانشگاه اصفهان 0000-0003-4047-2697 موسی علوی دانشگاه علوم پزشکی اصفهان احمد شعبانی دانشگاه اصفهان، دانشکده علوم تربیتی و روان شناسی، گروه علم اطلاعات و دانش شناسی 0000-0003-0466-6240 Journal Article 2026 01 26 Introduction: Clinical information overload is a multidimensional phenomenon that adversely affects the quality of clinical decision-making and patient safety. This study aimed to explore the contributing factors and to identify management strategies for this phenomenon from the perspectives of clinical specialists at Isfahan University of Medical Sciences. Methods: This study employed a sequential exploratory mixed-methods design conducted in two phases. In the qualitative phase, semi-structured interviews were conducted with 19 clinical specialists, and the data were analyzed using inductive content analysis. In the quantitative phase, a questionnaire developed based on the qualitative findings was distributed among 100 specialists, and the data were analyzed using descriptive statistics. Results: Data analysis led to the identification of seven main categories of contributing factors, including managerial–organizational factors (ranked as the highest priority), educational, informational, technological, documentation-related, individual, and task-related factors. Among the novel findings was the identification of documentation-related and educational factors as independent determinants of clinical information overload. Overall, 107 management strategies were proposed across seven domains. Key strategies included the utilization of health information professionals, implementation of an integrated electronic health record system, and the design of user-friendly information systems. Conclusion: Effective management of clinical information overload requires a systematic and integrated approach at multiple levels. The proposed conceptual model may serve as a suitable framework for policymaking, information system design, and educational planning aimed at improving the quality of healthcare delivery. مقدمه: پدیده اضافه‌بار اطلاعات بالینی به عنوان چالشی چندبعدی، کیفیت تصمیم‌گیری‌های بالینی و ایمنی بیماران را تحت تأثیر قرار می‌دهد. این مطالعه با هدف واکاوی عوامل مؤثر و استخراج راهکارهای مدیریت این پدیده از دیدگاه متخصصان بالینی دانشگاه علوم پزشکی اصفهان انجام شد. روش‌بررسی: این پژوهش با رویکرد ترکیبی متوالی اکتشافی در دو فاز انجام گردید. در فاز کیفی، با 19 متخصص بالینی مصاحبه نیمه‌ساختاریافته انجام و داده‌ها با تحلیل محتوای استقرایی مورد بررسی قرار گرفت. در فاز کمّی، پرسشنامه‌ای مبتنی بر یافته‌های کیفی بین 100 متخصص توزیع و داده‌ها با آمار توصیفی تحلیل شد. یافته‌ها: تحلیل داده‌ها منجر به شناسایی 7 مقوله اصلی عوامل مؤثر شامل عوامل مدیریتی _ سازمانی (با بالاترین اولویت)، آموزشی، اطلاعاتی، فناوری، مستندسازی، فردی و وظیفه‌ای گردید. از جمله یافته‌های نوآورانه، شناسایی عوامل مستندسازی و آموزشی به عنوان تعیین‌کننده‌های مستقل بود. در مجموع 107 راهکار در 7 حیطه ارائه شد که راهکارهای کلیدی شامل به‌کارگیری متخصصان اطلاعات سلامت، استقرار پرونده الکترونیک سلامت یکپارچه و طراحی سامانه‌های کاربرپسند بودند. نتیجه‌گیری: مدیریت اثربخش اضافه‌بار اطلاعات بالینی مستلزم رویکردی نظام‌مند و یکپارچه در سطوح مختلف است. الگوی مفهومی ارائه‌شده می‌تواند چارچوب مناسبی برای سیاست‌گذاری، طراحی نظام‌های اطلاعاتی و برنامه‌ریزی آموزشی در راستای ارتقای کیفیت مراقبت‌های سلامت باشد.

https://him.mui.ac.ir/article_33454_29eaedf7193718f69931e38f593c37fd.pdf

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 23 1 2026 03 21 Exploring the Mediating Role of Trust in the Relationship Between Artificial Intelligence and Communication Dynamics Among Librarians واکاوی نقش واسطه‌ای اعتماد در رابطه بین هوش مصنوعی و پویایی ارتباطات میان کتابداران 33455 10.48305/him.2026.46195.1393 FA سیف اله اندایش استادیار گروه علم اطلاعات و دانش شناسی، دانشکده ادبیات و علوم انسانی، دانشگاه خلیج فارس، بوشهر، ایران 0000-0002-0095-4272 زهرا کیان راد دانش آموخته دکتری مدیریت اطلاعات و دانش. دانشگاه تهران، تهران،ایران 0000-0002-1474-0830 Journal Article 2026 02 22 Introduction: With the expansion of artificial intelligence (AI) applications in professional environments, medical science libraries have also undergone significant transformation. The effectiveness of these technologies largely depends on the level of trust in intelligent systems as well as interpersonal trust. This study was conducted to analyze the role of trust in the relationship between artificial intelligence and communication dynamics among medical librarians. Methods: This research is applied in terms of purpose and descriptive-survey in terms of data collection. The statistical population consisted of all librarians working in libraries of medical universities in Tehran, with a sample size of 137 participants. Valid and standardized instruments were used to measure the research variables. Convergent and discriminant validity were applied to assess the measurement tools. Data were analyzed using Structural Equation Modeling (SEM) with Smart PLS software. Findings: The results indicated that artificial intelligence has a positive and significant effect on communication dynamics (path coefficient = 0.616). Artificial intelligence also has a positive effect on trust (path coefficient = 0.798). Furthermore, trust has a positive and significant effect on communication dynamics (path coefficient = 0.512). Conclusion: The findings show that trust plays a partial mediating role in the relationship between artificial intelligence and communication dynamics. In other words, artificial intelligence influences communication dynamics not only directly but also indirectly through strengthening trust. These results highlight the importance of addressing both technological and human dimensions in implementing AI in medical libraries, as the success of this technology in improving communication depends on fostering and strengthening trust among its users. مقدمه: با گسترش کاربردهای هوش مصنوعی در محیط‌های حرفه‌ای، کتابخانه‌های علوم پزشکی نیز دچار تحول شده‌اند. اثربخشی این فناوری‌ها تا حد زیادی به میزان اعتماد به سیستم‌های هوشمند و اعتماد بین‌فردی وابسته است. این پژوهش با هدف تحلیل نقش اعتماد در رابطه بین هوش مصنوعی و پویایی‌های ارتباطی در میان کتابداران پزشکی انجام شد. روش‌:پژوهش از لحاظ هدف، کاربردی و از لحاظ شیوه گردآوری داده ها، توصیفی- پیمایشی است. جامعه آماری پژوهش شامل کلیه کتابداران شاغل در کتابخانه‌های دانشگاه‌های علوم پزشکی شهر تهران بود که حجم نمونه پژوهش 137 نفر تعیین گردید. برای سنجش متغیرهای پژوهش، از ابزارهای معتبر و استاندارد استفاده شد. به‌منظور بررسی روایی ابزار اندازه‌گیری، از روایی همگرا و روایی واگرا بهره گرفته شد. تحلیل داده‌ها از روش مد‌ل‌سازی معادلات ساختاری با Smart PLS انجام شد. یافته‌ها: یافته‌ها نشان داد هوش مصنوعی بر پویایی ارتباطات با مقدار ضریب مسیر (616/0) تاثیر مثبت و معنی داری دارد. و همچنین هوش مصنوعی بر اعتماد با مقدار ضریب مسیر(798/0) تاثیر مثبت دارد. اعتماد بر پویایی ارتباطات با مقدار ضریب مسیر(512/0) تأثیر مثبت و معنی داری دارد. نتیجه‌گیری: نتایج پژوهش نشان می‌دهد که اعتماد نقش میانجی جزئی در رابطه بین هوش مصنوعی و پویایی ارتباطات ایفا می‌کند. به این معنا که هوش مصنوعی از طریق تقویت اعتماد نیز بر پویایی ارتباطات تأثیرگذار است. این یافته بر اهمیت توجه هم‌زمان به ابعاد فناورانه و انسانی در پیاده‌سازی هوش مصنوعی در کتابخانه‌های علوم پزشکی تأکید دارد که موفقیت این فناوری در بهبود ارتباطات، مستلزم ایجاد و تقویت اعتماد در میان کاربران آن است.

https://him.mui.ac.ir/article_33455_33190d14d318d1c823c983c952c1fac8.pdf

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 23 1 2026 03 21 Identification of Health System Resilience Indicators from a Knowledge Management Perspective شناسایی شاخص‌های تاب آوری نظام سلامت با رویکرد مدیریت دانش 33405 10.48305/him.2026.46252.1395 FA زهره رضائی ، دانشجوی دکتری، علم اطلاعات و دانش شناسی ، گروه علوم ارتباطات و دانش شناسی ، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران 0000-0001-8731-3162 فهیمه باب الحوائجی گروه علوم ارتباطات و دانش شناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران 0000-0002-0247-6614 نجلا حریری گروه علوم ارتباطات و دانش شناسی، دانشکده ادبیات و علوم انسانی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران 0000-0002-0247-6614 داریوش مطلبی دانشکده علوم انسانی،واحد یادگار امام خمینی(ره) شهرری، دانشگاه آزاد اسلامی، تهران، ایران 0000-0002-2503-6558 Journal Article 2026 04 25 Abstract Introduction: Health system resilience is essential for maintaining critical services during crises. Knowledge management plays a pivotal role in enhancing this resilience. This study aims to identify indicators of health system resilience from a knowledge management perspective. Methods: This the study was conducted using a meta-synthesis qualitative method and a systematic search of domestic and foreign databases. From 168 studies found in the years 1390 to 1404 and 2010 to 2025, 60 studies were selected and by analyzing their content, the final indicators were identified and extracted. The Kappa coefficient was used to validate the results. Results: By analyzing the studies, 402 initial codes were classified into 66 subcategories and 13 main categories after conceptual comparison and integration of similar items, including: knowledge governance and leadership, knowledge management and creation, organizational learning and institutional memory, knowledge and resilient human resources, information and technology infrastructure, knowledge management in crisis, knowledge economic financing and resilience, supply chain and resource management, inter-sectoral and network interactions, knowledge innovation and transformation, resilience monitoring, evaluation and measurement, knowledge and resilient organizational culture, and knowledge resilience of health services. Conclusion: Health system resilience is the outcome of the coordinated interaction of multiple factors. The sustainability and quality of health services can only be ensured when knowledge is institutionalized across all levels of the health system and utilized as a strategic asset in decision-making processes. Keywords: Resilience, Health System, Knowledge Management, Indicator چکیده مقدمه: تاب‌آوری نظام سلامت در مواجهه با بحران‌ها و تداوم خدمات ضروری است. رویکرد مدیریت دانش نقش کلیدی در ارتقای تاب‌آوری ایفا می‌کند. هدف پژوهش شناسایی شاخص‌های تاب‎آوری نظام سلامت با رویکرد مدیریت دانش است. روش بررسی: مطالعه با روش کیفی فراترکیب و با جستجوی نظام‌مند در پایگاه های اطلاعاتی داخلی و خارجی انجام شد. از 168 پژوهش یافت شده در سالهای ۱۳۹۰ تا ۱۴۰۴ شمسی و ۲۰۱۰تا ۲۰۲۵ میلادی ، 60پژوهش انتخاب و با تجزیه و تحلیل محتوای آنها، شاخص‎های نهایی شناسایی و استخراج شدند. جهت اعتبارسنجی نتایج از ضریب کاپا Kappa استفاده شد. یافته ها: با تحلیل مطالعات، ۴۰۲ کد اولیه پس از مقایسه مفهومی و ادغام موارد مشابه، در ۶۶ مقوله فرعی و ۱۳ مقوله اصلی شامل: حکمرانی و رهبری دانشی، مدیریت و خلق دانش، یادگیری سازمانی و حافظه نهادی، منابع انسانی دانشی و تاب‌آور، زیرساخت‌های اطلاعات و فناوری، مدیریت دانش در بحران، تأمین مالی و تاب‌آوری اقتصادی دانشی، زنجیره تأمین و مدیریت منابع، تعاملات بین‌بخشی و شبکه‌ای، نوآوری و تحول‌پذیری دانشی، پایش، ارزیابی و سنجش تاب‌آوری، فرهنگ سازمانی دانشی و تاب‌آور و تاب‌آوری دانشی خدمات سلامت طبقه‌بندی شدند. نتیجه گیری: تاب‌آوری نظام سلامت نتیجه هماهنگی عوامل مختلف است. پایداری و کیفیت خدمات تنها زمانی تضمین می‌شود که دانش در تمام سطوح نظام سلامت نهادینه شده و به عنوان دارایی استراتژیک در تصمیم‌گیری‌ها به‌کار گرفته شود. واژه های کلیدی: ‎ تاب آوری، نظام سلامت، مدیریت دانش، شاخص پیام کلیدی: نهادینه‌سازی مدیریت دانش در تمام سطوح نظام سلامت اساس تاب آوری، پایداری و کیفیت خدمات است.

دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 23 1 2026 03 21 Process Mining in Healthcare Process Simulation: A Structured Narrative Review of Trends, Barriers, and Opportunities فرآیندکاوی در شبیه‌سازی فرآیندهای مراقبت‌های سلامت: یک مرور روایتی ساختارمند بر روندها، موانع و فرصت‌ها 33460 10.48305/him.2026.46060.1380 FA محسن محمدی مجتمع آموزش عالی اسفراین 0000-0003-0532-1236 Journal Article 2025 12 29 As healthcare systems become more complex, advanced data-driven methods are needed to improve efficiency, patient outcomes, and resource allocation. This study examines the integration of process mining and healthcare process simulation to support data-driven decision-making.This analytical review explores the basic concepts of process mining and process simulation, their synergistic integration, healthcare applications, implementation challenges, and future research opportunities.Process mining can enhance simulation models by discovering actual care pathways, identifying bottlenecks, assessing process conformance, and extracting empirical parameters from event logs. Simulation, in turn, enables the evaluation of improvement scenarios, prediction of operational outcomes, analysis of patient flow, and optimization of resources. Together, these approaches can support evidence-based decision-making and improve healthcare service delivery.Integrating process mining and simulation provides a valuable framework for analyzing and improving healthcare processes. However, challenges related to data quality, privacy, workflow complexity, technical limitations, and organizational collaboration remain. Future research should focus on standardized frameworks, high-quality data, predictive analytics, and practical implementation studies. با افزایش پیچیدگی نظام‌های مراقبت سلامت، به‌کارگیری روش‌های تحلیلی پیشرفته برای بهبود کارایی، کیفیت خدمات، پیامدهای بیماران و تخصیص منابع اهمیت بیشتری یافته است. در این زمینه، فرآیندکاوی و شبیه‌سازی فرآیند به‌عنوان دو رویکرد داده‌محور، ظرفیت قابل توجهی برای تحلیل و بهبود فرآیندهای سلامت دارند. هدف این مقاله بررسی امکان و مزایای تلفیق این دو رویکرد در پشتیبانی از تصمیم‌گیری مبتنی بر داده در مراقبت سلامت است. این مطالعه با رویکرد مروری تحلیلی انجام شده و مفاهیم پایه فرآیندکاوی و شبیه‌سازی، چارچوب ادغام آن‌ها، کاربردها، چالش‌های اجرایی و فرصت‌های پژوهشی آینده را بررسی می‌کند. یافته‌ها نشان می‌دهد فرآیندکاوی با استخراج دانش از داده‌های رخدادی، کشف مسیرهای واقعی ارائه خدمت، شناسایی گلوگاه‌ها، ارزیابی انطباق فرآیندهای واقعی با استانداردهای بالینی و استخراج پارامترهای تجربی، می‌تواند دقت و اعتبار مدل‌های شبیه‌سازی را افزایش دهد. از سوی دیگر، شبیه‌سازی امکان آزمون سناریوهای مختلف بهبود، پیش‌بینی پیامدهای عملیاتی، تحلیل جریان بیمار و بهینه‌سازی منابع را پیش از اجرای واقعی تغییرات فراهم می‌سازد. تلفیق فرآیندکاوی و شبیه‌سازی می‌تواند به تصمیم‌گیری شواهد‌محور، کاهش زمان انتظار، استفاده بهتر از منابع و ارتقای کیفیت مراقبت کمک کند. با این حال، چالش‌هایی مانند کیفیت و کامل بودن داده‌ها، حریم خصوصی، پیچیدگی جریان‌های کاری بالینی، موانع فنی و دشواری همکاری سازمانی وجود دارد. توسعه چارچوب‌های استاندارد، استفاده از داده‌های باکیفیت، هوش مصنوعی، تحلیل‌های پیش‌بینانه و مطالعات کاربردی می‌تواند مسیر پژوهش‌های آینده را تقویت کند.