fa اثرات پیاده‌سازی سیستم های تصمیم یار بالینی برتشخیص، درمان و مدیریت سرطان ها: مطالعه مروری نظام‌یافته فناوری اطلاعات سلامت Health Information Technology مروری Review <div style="text-align: justify;"><span style="font-size:18px;"><span style="font-family:nasimYW;"><span style="line-height:150%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span lang="FA"><span style="line-height:150%"><span b="" zar=""><strong>زمینه و هدف:</strong> سرطان دومین عامل مرگ‌ومیر در جهان است که سالانه منجر به مرگ بیش از ۱۰ میلیون نفر در دنیا می‌شود. تشخیص زودرس، مدیریت و درمان صحیح این بیماری نقش مهمی در کاهش عوارض و مرگ‌ومیر دارد. یکی از ابزارهای حمایتی در تشخیص زودرس، مدیریت و درمان این بیماری، سیستم‌های تصمیم‌یار بالینی هستند که به دو دسته قاعده‌محور و غیرقاعده‌محور تقسیم‌بندی میشوند. سیستم‌های تصمیم‌یار قاعده‌محور برپایه راهنماهای بالینی ایجاد می‌شوند، درحالی‌که سیستم‌های تصمیم‌یار غیرقاعده‌محور از یادگیری ماشین بهره می‌گیرند. در این پژوهش اثرات سیستم‌های تصمیم‌یار به تفکیک قاعده‌محور و غیرقاعده‌محور، بر تشخیص، درمان و مدیریت سرطان سنجیده شد.<br> <strong>روش بررسی: </strong>مطالعه‌ی حاضر به‌روش مروری نظام‌یافته انجام شد که با جستجو در پایگاه‌های داده Web of Science، Scopus، IEEE Xplore و PubMED تا تاریخ ۲۰۲۱.۱۲.۳۱ صورت گرفت. پس از حذف موارد تکراری و ارزیابی یافتهها براساس معیار ورود و خروج، مطالعات مرتبط با هدف پژوهش انتخاب شدند. نحوه‌ی انتخاب مقالات براساس عنوان، چکیده و متن کامل بود. ابزار گرداوری داده فرم استخراج داده شامل سال انجام مطالعه، نوع مطالعه، سیستم درگیر در بدن، اندام &nbsp;درگیر در بدن، خدمت ارایه شده توسط سیستم تصمیم‌یار، نوع سیستم تصمیم‌یار، اثر مورد بررسی، شاخص مورد ارزیابی اثر و نمره حاصل از ارزیابی اثر بود. برای تحلیل داده‌ها از روش سنتز روایتی (Narrative synthesis) استفاده شد.<br> <strong>یافته‌ها:</strong> از مجموع ۷۶۸ مقاله، ۱۶ مقاله مرتبط با اهداف مطالعه شناسایی شد. اثرات مورد ارزیابی در دسته سیستم‌های تصمیم‌یار بالینی قاعده‌محور بر تنظیم دوز، شدت علایم سرطان، پیروی از راهنمای‌درمانی، زمان مراقبت، میزان کشیدن‌سیگار، میزان نیاز به شیمی‌درمانی و مدیریت‌درد بودند که این اثرات به جز مدیریت درد، در همه موارد معنی‌دار و مثبت گزارش شده بودند. اثرات مورد ارزیابی در دسته سیستم‌های تصمیم‌یار بالینی غیرقاعده‌محور بر تصمیمات تشخیصی‌ودرمانی، غربالگری، کنترل نوتروپنی‌تب‌دار (Neutropenic Fever) بودند که این اثرات به جز کنترل نوتروپنی‌تب‌دار، در همه‌ی موارد معنی‌دار و مثبت گزارش شده بودند.<br> <strong>نتیجه‌گیری:</strong> نتایج به‌دست آمده برای اثربخشی هر دونوع &nbsp;سیستم‌های تصمیم‌یار قاعده‌محور و غیرقاعده‌محور حاکی از اثرات مثبت و متفاوت این دو دسته بود. بنابراین استفاده از ترکیب آن‌ها در حیطه‌ی سرطان می‌تواند نتایج بسیار مفیدی به‌بار بیاورد.</span></span></span></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="font-size:18px;"><span style="font-family:Times New Roman;"><span style="line-height:150%"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span style="line-height:150%"><strong>Background and Aim:</strong> Cancer is the second leading cause of death in the world, which leads to the death of more than 10 million people in the world every year. Its early diagnosis, management and proper treatment play an important role in reducing complications and mortality. One of the support tools in early diagnosis, treatment and management of this disease are Clinical Decision Support System (CDSS), which are divided into two groups, rule-based and non-rule-based. Rule-based decision support systems are created based on clinical guidelines, while non-rule-based decision support systems use machine learning. In this research, the effects of decision support systems, rule-based and non-rule-based, on cancer diagnosis, treatment and management were measured.<br> <strong>Materials and Methods:</strong> The present study was conducted using a systematic review method, which was conducted by searching the Web of Science, Scopus, IEEE and PubMED databases until 12/31/2021. After removing duplicates and evaluating the characteristics of the inclusion and exclusion criteria, studies related to the goal were selected. The selection of articles was based on the title, abstract and full text The data collection tool was the data extraction form, which included year of study, type of study, system of body, organ of body, the service provided by the decision support system, type of decision support system, effect, effect index and the score of effect index. Narrative synthesis were used for data analysis.<br> <strong>Results:</strong> Out of 768 articles, 16 articles related to the objectives of the study were identified. Studies were presented in two categories of clinical decision-support systems: Rule-based and non-Rule based. The effects evaluated in the clinical decision support systems were Rule-based, dose adjustment, symptoms, adherence to treatment guidelines, care time, smoking, need for chemotherapy and pain management, all of which except pain management were significant and positive. The effects evaluated were in the category of non-Rule based clinical decision support systems, diagnostic and therapeutic decisions, controlling neutropenia, all of which were significant and positive except controlling neutropenia.<br> <strong>Conclusion:</strong> The results obtained for the effectiveness of both Rule-based and non-Rule-based decision support systems indicated different benefits of these two categories. Therefore, using their combination in the field of cancer can bring very useful results.</span></span></span></span></span></span></div> سیستم تصمیم‌یار بالینی, پیامد بالینی, تاثیر, تصمیم‌گیری, سرطان Clinical Decision Support System (CDSS), Clinical Outcome, Effect, Decision Making, Cancer 113 122 http://payavard.tums.ac.ir/browse.php?a_code=A-10-2453-1&slc_lang=fa&sid=1 saman Mohammadpour سامان محمدپور No Ph.D. Candidate in Medical Informatics, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran دانشجوی دکتری انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران Reza Rabiei رضا ربیعی No Associate Professor ,Department of Health Information Management and Technology ,School of Allied Medical Sciences ,Shahid Beheshti University of Medical Sciences ,Tehran ,Iran دانشیار گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران Elham Shabahrami الهام شاه بهرامی No Ph.D. in Industrial Management, School of Management, Kish International Campus, University of Tehran, Tehran, Iran دکتری مدیریت صنعتی، دانشکده مدیریت، پردیس بین‌الملل کیش، دانشگاه تهران، تهران، ایران Kamyar Fathisalari کامیار فتحی سالاری No Master of Science in Health Information Technology, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran کارشناس‌ارشد فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Maryam Khakzad مریم خاکزاد No Master of Science in Knowledge and Information Science, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran کارشناس‌ارشد علم اطلاعات و دانش‌شناسی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Mostafa Langarizadeh مصطفی لنگری زاده langarizadeh.m@iums.ac.ir Yes Associate Professor, Department of Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran دانشیار گروه مدیریت اطلاعات سلامت، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران