فهرست مطالب

مجله انفورماتیک سلامت و زیست پزشکی
سال پنجم شماره 2 (پیاپی 16، تابستان 1397)

  • تاریخ انتشار: 1397/06/05
  • تعداد عناوین: 7
|
  • هاله آیت اللهی، لیلا غلامحسینی*، مسعود صالحی صفحات 252-264
    مقدمه

    بیماری های قلبی- عروقی نخستین علت مرگ در جهان هستند و براساس برآورد سازمان بهداشت جهانی، مرگ ناشی از بیماری های قلبی تا سال2030 به 23 میلیون مورد افزایش خواهد یافت. از این رو، به نظر می رسد 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 سال های 1395 تا 1396 بود. درمجموع، 1324 رکورد با 26 ویژگی موثر در این بیماری استخراج و پس از نرمال سازی و پاک سازی داده ها، در نرم افزار SPSS نسخه 23 وExcel نسخه 2013 وارد شدند. برای قالب بندی داده ها نیز از نرم افزار داده کاوی R3. 3. 2 استفاده گردید.

    نتایج

    الگوریتم ماشین بردار پشتیبان با میانگین درصد خطای مطلق پایین تر (112/03) ، آماره هاسمر-لمشو بالاتر (16/71) ، حساسیت (92/23) و ویژگی (74/42) نسبت به مدل شبکه عصبی دقیق تر بود. همچنین، مساحت زیر منحنی راک در الگوریتم SVM بیشتر از ANN بود و می توان 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.

    کلیدواژگان: بیماری عروق کرونر، الگوریتم های داده کاوی، شبکه عصبی مصنوعی، ماشین بردار پشتیبان
  • عباس شیخ طاهری، صغری رستمی گراوند، حسین احمدی صفحات 265-273
    مقدمه

    فن آوری شناسایی با امواج رادیویی در طیف وسیعی از صنایع اجرا شده است که صنعت مراقبت سلامت نیز از این قاعده مستثنی نیست. با توجه به اشاعه فن آوری RFID در صنعت مراقبت نیاز به تعیین عوامل موثر بر پذیرش این فن آوری احساس می شود. از این رو در مقاله حاضر عوامل مرتبط با پذیرش فن آوری RFID در بخش مدیریت اطلاعات سلامت بیمارستان های تابعه دانشگاه علوم ایران را بررسی شد.

    روش

    پژوهش کاربردی حاضر به صورت توصیفی-تحلیلی انجام شد. پرسشنامه بین کلیه پرسنل بخش مدیریت اطلاعات سلامت بیمارستان های تابعه دانشگاه علوم پزشکی ایران (138 نفر) توزیع شد که در نهایت 135 نفر پرسشنامه را تکمیل کردند. نتایج حاصل از پژوهش با استفاده از دو روش آمار توصیفی و تحلیلی و استفاده از رگرسیون با کمک نرم افزار SPSS نسخه 16 انجام شد.

    نتایج

    میانگین عوامل مختلف شامل تاثیرات اجتماعی (4/24) ، حمایت مدیریتی (4/34) ، عملکرد مورد انتظار (4/20) ، تلاش مورد انتظار (4/09) ، شرایط تسهیل کننده (3/47) ، امنیت (3/83) و قصد (4/31) بود. ضریب تاثیر آن ها نیز شامل تاثیرات اجتماعی (0/125) ، حمایت مدیریتی (0/210) ، عملکرد مورد انتظار (0/244) ، تلاش مورد انتظار (0/148) ، شرایط تسهیل کننده (0/135) بود که رابطه معنی دار و مثبت با قصد استفاده از RFID داشت. امنیت بر قصد استفاده از RFID موثر نبود.

    نتیجه گیری

    بر اساس نتایج، با ارائه آموزش های عمومی و فرهنگ سازی کارکنان از نظر اجتماعی، ارائه روش هایی جهت تسهیل استفاده از این فن آوری توسط شرکت های ارائه دهنده و ایجاد زیرساخت های کافی می توان تمایل به پذیرش RFID را افزایش داد.

    کلیدواژگان: پذیرش فن در مراقبت سلامت، پذیرش فن آوری، RFID، بخش مدیریت اطلاعات سلامت، مدل
  • مجید حسن زاده، ایمان ذباح، کامران لایقی صفحات 274-285
    مقدمه

    بیماری عروق کرونر قلب، شایع ترین بیماری قلبی است و از علل اصلی مرگ در زنان و مردان است. این مطالعه با هدف پیش بینی وضعیت این بیماری با استفاده از روش ترکیب شبکه های عصبی (ترکیب خبره ها) انجام شد.

    روش

    این تحقیق از نوع تشخیصی و بر روی 200 نفر از مراجعین به مرکز تخصصی قلب و عروق شهرستان تربت حیدریه انجام شد. پرونده مراجعین حاوی اطلاعات دموگرافیک بیماران شامل 13 ریسک فاکتور بود. تولید مدل پیش بینی بیماری عروق کرونر قلب بر اساس شبکه های عصبی پرسپترون چندلایه و سپس جمع بندی نظرات آن ها انجام شد.

    نتایج

    در ابتدا از یک شبکه عصبی پرسپترون چندلایه با الگوریتم پس انتشار خطا استفاده گردید. بهترین معماری توانست با دقت 71/7% بسته بودن عروق کرونر قلب را پیش بینی کند. سپس با افزایش تعداد شبکه ها و تعلیم آن ها، ترکیب نتایج با یکدیگر انجام شد. ترکیب خبره ها با روش خطی رای اکثریت و غیرخطی شبکه عصبی راه گاهی انجام و دقت پیش بینی به ترتیب 75/8% و 78/3% به دست آمد.

    نتیجه گیری

    آنژیوگرافی یک روش تهاجمی و همراه با ریسک هایی مانند سکته قلبی و مغزی است؛ لذا باید از روش های غیرتهاجمی در تشخیص عروق کرونر قلب استفاده کرد. در این مطالعه با افزایش تعداد یاد گیرها و سپس ترکیب غیرخطی آن ها دقت تشخیص افزایش یافت.

    کلیدواژگان: بیماری عروق کرونر قلب، شبکه عصبی مصنوعی، ترکیب خبره ها
  • مینا نظری کمال، راحله سموعی، خانم شیدا صراف زاده، شیما تمنایی فر، نفیسه غائبی، فاطمه مرادی، مهتاب مرادزاده صفحات 286-292
    مقدمه

    اهمال کاری علاوه بر اتلاف زمان، کاهش عملکرد فردی و احساس گناه، نوعی عدم موفقیت نیز برای دریافت درمان و مشاوره در افراد اهمال کار وجود دارد؛ بنابراین استفاده از فناوری در دسترس و آسان مانند تلفن همراه می تواند تسهیل کننده باشد. این مطالعه باهدف تعیین نقش آموزش از طریق تلفن همراه در اهمال کاری کاربران ایرانی انجام شد.

    روش

    مطالعه به صورت نیمه آزمایشی تک گروهی بر روی 32 نفر از کاربران ایرانی که برنامه غلبه بر اهمال کاری را روی تلفن همراه اندروید خود نصب کردند، انجام شد. کاربران قبل و بعد از مداخله آموزشی غلبه بر اهمال کاری، پرسشنامه اهمال کاری باسکو را پاسخ دادند. پس از 2 ماه کار با اپلیکیشن، داده های دو مرحله اجرا با آزمون آماری تی- استیودنت وابسته تحلیل گردید.

    نتایج

    آموزش از طریق تلفن همراه، در کاهش اهمال کاری کاربران شرکت کننده در مطالعه نقش داشت (0/008=P).

    نتیجه گیری

    نتایج این مطالعه برای مراکز مشاوره، درمانی و آموزشی با توجه به سهولت استفاده، دسترسی پذیری زیاد، صرفه جویی در هزینه، زمان و انرژی؛ قابل استفاده و کاربرد است.

    کلیدواژگان: آموزش از راه دور، نرم افزار، تلفن همراه، اهمال کاری، کاربر
  • حامد صباغ گل* صفحات 293-303
    مقدمه

    یکی از شایع ترین بیماری ها در دنیای امروز بیماری دیابت است و سالانه شیوع دیابت در سطح جهان حدود درصد افزایش می یابد. استفاده از تکنیک های داده کاوی برای ایجاد مدل های پیشگویی کننده، جهت شناسایی افراد در معرض خطر برای کاهش عوارض ناشی از بیماری بسیار کمک کننده است. در این پژوهش با استفاده از درخت تصمیم C4. 5 به روش های پیشگیری و تشخیص این بیماری پرداخته شد.

    روش

    در این پژوهش کاربردی- توصیفی از داده های استاندارد UCI و مجموعه داده pima-indians-diabetes استفاده شد. این پایگاه داده شامل 768 رکورد با 8 فیلد می باشد. تجزیه و تحلیل به کمک نرم افزار Weka 3. 6 با به کارگیری روش CRISP3 انجام شد. در بخش مدل سازی درخت تصمیم C4. 5 با به کارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد شد. همچنین جهت ارزیابی مدل از شاخص های حساسیت، ویژگی، دقت، ارزش اخباری مثبت و منفی استفاده شد.

    نتایج

    با توجه به مدل استفاده شده مشخص شد که به ترتیب متغیرهای میزان بالای قند خون دوساعته، تعداد دفعات بالای حاملگی، سن بالا، فشارخون دیاستولیک بالا، سابقه خانوادگی و شاخص توده بدنی (BMI) بالا، بیشترین تاثیر را در ابتلا به بیماری دیابت نوع 2 دارا هستند. نرخ دسته بندی برابر با 73/8% و دقت الگوریتم C4. 5 برابر با 79 % به دست آمد.

    نتیجه گیری

    در مقایسه با نتایج مطالعات انجام شده در حوزه داده کاوی بیماری دیابت، دقت به دست آمده الگوریتم پیشنهادی قابل قبول است. بیشترین عوامل تاثیرگذار بر بیماری دیابت شناسایی شدند. همچنین قوانینی استخراج شد که می تواند به عنوان الگویی در جهت پیشگویی احتمال ابتلا افراد به بیماری دیابت استفاده شود.

    کلیدواژگان: داده کاوی، بیماری دیابت نوع 2، درخت تصمیم
  • محمد جواد حسین پور، حمید پروین، صمد نجاتیان، وحیده رضایی صفحات 304-313
    مقدمه

    سرطان به عنوان یکی از شایع ترین انواع بیماری ها، سلامت بسیاری از انسان ها را تحت تاثیر قرار داده است. هدف اصلی در این مقاله، ارائه یک الگوریتم تکاملی چندهدفه می باشد. این الگوریتم، با استفاده از اطلاعات برهم کنش بین ژنومی در کروموزوم های افراد مبتلا به سرطان، ناحیه های بالقوه پروموتر/انهنسر را کشف و استخراج می کند. استخراج صحیح این ناحیه ها می تواند به علم پزشکی در تشخیص زودهنگام بیماری سرطان کمک کند.

    روش

    پژوهش حاضر از نوع کاربردی و توصیفی می باشد. در این پژوهش از مجموعه داده Hi-C شامل اطلاعات مربوط به برهم کنش های بین ژنومی، در سلول GM12878 استفاده شد. جهت کشف و استخراج پروموتر/انهنسر های بالقوه از الگوریتمی تکاملی و چندهدفه استفاده شد. الگوریتم مذکور با استفاده از نرم افزار متلب پیاده سازی گردید. همچنین کارایی این الگوریتم نیز، با استفاده از دو معیار مورد ارزیابی قرار گرفت. معیار اول، تابع تناسبی است که میزان برهم کنش های بین ژنومی نسبت به طول نواحی ژنوم را محاسبه می کند و معیار دوم تعداد پروموتر/انهنسر های بالقوه کشف شده می باشد.

    نتایج

    نتایج و مقایسه های انجام گرفته در این پژوهش، نشان از کارایی بالا و بهینه بودن روش پیشنهادی در کشف پروموتر/انهنسر با طول متغیر نسبت به روش HiC-Pro می باشد؛ بنابراین روش پیشنهادی می تواند پروموتر/انهنسر های بالقوه ای را کشف کند که روش HiC-Pro قادر به کشف آن نیست.

    نتیجه گیری

    با توجه به نتایج به دست آمده، الگوریتم پیشنهادی قادر به کشف و استخراج بهینه پروموتر/انهنسر های بالقوه با طول متغیر می باشد، که می تواند در تشخیص زودهنگام سرطان کمک شایانی به علم پزشکی کند.

    کلیدواژگان: پروموتر، انهسر، مجموعه داده Hi-C، الگوریتم شبیه سازی تبرید چند هدفه MOSA، روش HiC-Pro
  • فرزانه فیض منش، علی اصغر صفایی صفحات 314-324
    مقدمه

    با به کارگیری گسترده سیستم های الکترونیکی مدارک پزشکی، حجم بسیار زیادی از داده های متنی پزشکی در بیمارستان و سایر محیط های درمانی به صورت روزانه تولید می شوند که سازمان دهی این اطلاعات متنی امری مهم و ضروری است و نیاز به بازیابی خودکار دانش مفید از این داده ها برای کمک به متخصصان بالینی کاملا احساس می شود. به منظور استخراج ارزش های نهفته در مستندات متنی پزشکی، می توان از تکنیک های متن کاوی در حوزه سلامت بهره برد.

    روش

    در این پژوهش مروری پایگاه های اطلاعاتی Science Direct، IEEE ، PubMed central، Google Scholar، SID و Magiran با استفاده از کلید واژه های Text Mining” “AND “Medicine” ، “Clinical Text Mining” AND “Predict” ، “knowledge discovery in medical text” ، “Text Mining for Medical and Healthcare” در پایگاه های اطلاعاتی انگلیسی و از ترکیب "متن کاوی و کشف دانش در پزشکی" در پایگاه های اطلاعاتی فارسی، مورد جستجو قرار گرفتند. سپس، همه مقالاتی که به نوعی به کشف دانش پزشکی و کاربردهای متن کاوی در حوزه سلامت اشاره داشتند، انتخاب شدند.

    نتایج

    متن کاوی از تکنیک های مهم و قدرتمند برای استخراج اطلاعات از سیستم های اطلاعات بهداشتی و درمانی می باشد. متن کاوی داده های کلینیکی، توان بالقوه ای برای اکتشافات جدید و همچنین بهبود کارایی و ارتباطات در سیستم های بیمارستان برای پزشکان و مدیران بیمارستان فراهم می کند.

    نتیجه گیری

    متن کاوی در مستندات بالینی از جمله تکنولوژی های توسعه یافته کشف دانش پزشکی در عصر حاضر است که استفاده از آن در پایگاه داده های پزشکی به منظور دستیابی سریع به منابع مهم سلامت، امری انکارناپذیر است و به کارگیری آن موجب بهبود مراقب بیمار و کاهش هزینه های درمانی می شود.

    کلیدواژگان: متن کاوی در مستندات بالینی، کاربردهای متن کاوی، کشف دانش پزشکی، استخراج اطلاعات
|
  • Haleh Ayatollahi, Leila Gholamhosseini, Masoud Salehi Pages 252-264
    Introduction

    Cardiovascular diseases are the first leading cause of death worldwide. World health organization has estimated that the morality rate due to heart diseases will mount to 23 million cases by 2030. Hence, the use of data mining algorithms will be useful in predicting coronary artery disease. The objective of the present study was to compare the accuracy of the CAD predictions made by ANN and SVM techniques.

    Methods

    The present study was conducted via descriptive-analytical method. The research sample included all CAD patients hospitalized in three hospitals affiliated to AJA University of Medical Sciences from March 2016 to March 2017. Totally, 1324 records with 26 characteristics affecting the disease were extracted and after normalizing, and cleaning of the data, they were entered in SPSS statistics V23.0 & IBM Excel 2013; then, R3.3.2 data mining software was used to format data.

    Results

    SVM model with lower MAPE (112.03) and higher Hosmer-lemeshow statistic (16.71), sensitivity (92.23) and specificity (74.42) yielded better fitness of data and provides more accurate prediction than ANN model. On the other hand, since the area under the ROC curve in SVM algorithm was more than that in ANN, it could be concluded that this model had higher accuracy.

    Conclusion

    According to the results, SVM algorithm presented higher accuracy and better performance than ANN model and showed higher sensitivity and accuracy. It is suggested that in future studies, the results of the present study be compared with the findings resulted from applying other data mining algorithms

    Keywords: Coronary Artery Disease (CAD), Data mining algorithms, Artificial Neural Network (ANN), Support Vector Machine (SVM)
  • Abbas Sheikhtaheri, Soghra Rostami Garavand, Hossein Ahmadi Pages 265-273
    Introduction

    Radio Frequency Identification (RFID) technology has been implemented in a wide variety of industries including healthcare field. Due to the introducing RFID technology in the healthcare industry, it is necessary to determine the factors influencing acceptance of this technology. Therefore, in the present study, the factors associated with the acceptance of RFID technology in Health Information Management hospitals affiliated to Iran University of Medical Sciences were studied.

    Methods

    The current applied research was descriptive-analytic. A questionnaire was distributed among all health information management staff of the hospitals affiliated to Iran University of Medical Sciences (n=138) and finally, 135 questionnaires were completed. The results of the study were analyzed through SPSS16 and using descriptive statistics, inferential statistics, and regression.

    Results

    The mean scores of factors were as follow: social effects (4.24 out of 5), management support (4.34 out of 5), expected performance (4.20 out of 5), expected effort (4.09 out of 5), facilitating conditions (3.47 out of 5), security (3.83 out of 5) and intention (4.3 out of 5). The coefficients of influence of social effects (0.125), management support (0.210), expected performance (0.244), expected effort (0.148) and facilitating conditions (0.135) showed positive significant relationships with intention to use RFID. However, security was not an influential factor on use of RFID.

    Conclusion

    Based on the findings, providing general education, facilitating the use of this technology by vendors and developing adequate infrastructure may increase the willingness to accept RFID.

    Keywords: Technology acceptance in Health Care, Technology acceptance, RFID, Health information management department, UTAUT model
  • Majid Hassanzadeh, Iman Zabbah, Kamran Layeghi Pages 274-285
    Introduction

    Coronary Artery Disease (CAD) is one of the most common heart diseases and the main cause of mortality in men and women. This study aimed to predict the disease status using Neural Network compound (mixture of experts).

    Methods

    The present study was a diagnostic study conducted on 200 patients referred to a heart specialty center in Torbat-e-Heydarieh. Patients' files contained their demographic information including13 risk factors. A model for predicting CAD based on multilayer perceptron neural network and mixture of experts was produced.

    Results

    First, we used a neural network of multilayer perceptron with Propagation algorithm by different architectures. The best architecture could predict closed coronary artery with the accuracy of 71.7%. Then, by increasing the number of neural networks and training process, results were combined. Mixture of experts by liner method (majority voting) and nonlinear method (gating network) was applied and the accuracy rates of 75.8 percent and 78.3 percent were respectively obtained.

    Conclusion

    Angiography is an invasive diagnostic procedure with risk factors such as stroke and heart attack. Therefore, non-invasive methods should be used for the diagnosis of CAD. In this study, with increasing the number of learners and their nonlinear mixture, the accuracy of diagnosis was increased

    Keywords: Diagnosing Coronary Heart Disease, Artificial Neural Network, Mixture of expert
  • Mina Nazari Kamal, Raheleh Samouei, Sheida Sarafzade, Nafiseh Ghaebi, Fatemeh Moradi, Mahtab Moradzadeh Pages 286-292
    Introduction

    Procrastination, in addition to wasting time, reducing personal performance and causing feeling of guilt, can cause failure of receiving treatment or counseling. Therefore, using accessible and easy-to-use technologies such as mobile phones can facilitate the treatment of people with this problem. This study aimed to investigate the effects of education via mobile phones on procrastination of Iranian users.

    Methods

    The study was carried out using semi-experimental single group method on 32 Iranian users who had installed the counter procrastination application on their android mobile phones. The participants filled Basco’s procrastination questionnaire before and after the education. After two months of using the application, the results of pre-test and post-test were gathered and analyzed using student t-test.

    Results

    Findings showed that education via mobile phones has been effective in reducing the procrastination in participants.

    Conclusion

    This application, due to ease-of-use, high accessibility and saving cost, time and energy, can be useful in consulting, treatment and education centers.

    Keywords: Distance learning, Software, Mobile Phone, Procrastination, User
  • Hamed Sabbagh Gol Pages 293-303
    Introduction

    One of the most common diseases in the world is diabetes and the global prevalence of diabetes increases by about six percent annually. The use of data mining techniques to create predictive models is very helpful in identifying people at risk and reducing the complications of the disease. In this study, through using decision tree C4.5, methods of prevention and treatment of diabetes were investigated.

    Methods

    In this applied and descriptive study, we used the standard UCI data and the pima-Indians-diabetes data set. This database contains 768 records with 8 fields. The analysis was done using Weka software using the CRISP3 methodology. In modeling decision tree, C4.5 was created using input variables and determining target variables. Also, the sensitivity, specificity, accuracy, as well as positive and negative predictive values were used to evaluate the model.

    Results

    According to the model, high blood sugar levels, high gravidity, high age, high diastolic blood pressure, familial history and high BMI have respectively the highest effects on type 2 diabetes mellitus. The ranking rate was 73.8% and the accuracy of the C4.5 algorithm was 79%.

    Conclusion

    Compared to the results of studies in the field of data mining for diabetes, the accuracy of the proposed algorithm is acceptable. The most effective factors on diabetes were identified. Also, rules were developed that can be used as a model to predict the risk of diabetes in people

    Keywords: Data mining, Type2 diabetes, C4.5 Decision tree
  • Mohammadjavad Hosseinpoor, Hamid Parvin, Samad Nejatian, Vahideh Rezaei Pages 304-313
    Introduction

    Cancer, as one of the most common diseases, has influenced the health of many people. The main aim of this study was to present a multi-objective evolutionary algorithm. The algorithm is capable of detecting and extracting potentially promoter/enhancer areas in the chromosomes of the affected people using the information concerning inter-genomic interactions. The correct extraction of these areas can help early diagnosis of cancer.

    Methods

    In this applied and descriptive research, Hi-C data set including information on inter-genomic interactions in the GM12878 cell was used. Multi-objective evolutionary algorithm was used in order to discover and extract potential promoter /enhancer interactions. The mentioned algorithm was implemented using MATLAB software. Furthermore, the efficiency of this algorithm was evaluated using two criteria. The first criterion is a proportional function that calculates the magnitude of inter-genomic interactions relative to the length of the genome regions; and the second criterion is the number of discovered potential promoters/enhancers.

    Results

    The results and comparisons showed higher efficiency and optimality of the suggested method in discovering promoter/Enhancer interactions with variable length in comparison to HiC-Pro method. Therefore, the suggested method is able to discover the potential promoter/ enhancer interactions that cannot be discovered by HiC-Pro method.

    Conclusion

    The suggested algorithm is able to optimally discover and extract potential promoter/ enhancer with variable length. This is a great help in medical science for early diagnosis of cancer

    Keywords: Promoter, Enhancer, Hi-C Dataset, Multi-Objective Simulation Annealing Algorithm (MOSA), HiC- Pro Method
  • Farzaneh Feizmanesh, Ali Asghar Safaei Pages 314-324
    Introduction

    With the extensive use of electronic medical records systems, a large amount of medical text data is produced daily in the hospitals and other medical environments that organizing this text information is important and necessary. Also, a need to automatically retrieve useful knowledge from this data to help clinicians is felt. In order to extract the hidden values in the medical text documents, text mining can be used in the field of health.

    Methods

    In this review study, SID, Magiran, Pubmed, ScienceDirect, IEEE, and Google Scholar databases were searched with the keywords including "Text Mining” AND "Medicine”، "Clinical Text Mining” AND "Predict”،, "knowledge discovery in medical text” and "Text Mining for Medical and Healthcare” in the English databases and keywords such as "text mining” AND " Discovering Knowledge in Medicine” in the Persian databases. Then, all articles that somehow refer to Medical knowledge discovery and text mining applications in the field of health were selected.

    Results

    Text mining is one of the important and powerful techniques for extracting information from health information systems. Text mining in clinical data provides potential for new discoveries and it also improves efficiency and communication in hospital systems for doctors and hospital administrators.

    Conclusion

    Nowadays, text mining in clinical documentation, is one of the developed technologies for the discovery of medical knowledge that its use in medical databases is essential to achieving immediate access to important health resources, and its application can improve patient care and reduce medical costs

    Keywords: Text mining in clinical documentation, Text mining applications, Medical knowledge Discovery, Information extraction