Telemedicine And AI

آینده پزشکی در دستان شماست! 🩺📱 انجمن علمی تله‌مدیسین دانشگاه علوم پزشکی تبریز، با تمرکز بر فناوری‌های نوین و سلامت دیجیتال، از تمامی علاقه‌مندان به پژوهش و نوآوری دعوت به همکاری می‌کند. به جمع ما بپیوندید. ✨ جهت ثبت نام و عضویت در انجمن‌: https://digiform.ir/wb176db1ba 📎 کانال اطلاع‌رسانی انجمن: @tbzmed_anjoman_elmi

قسمت آخر | کدام تخصص‌های پزشکی«آینده ندارند»؟ جراحی تخصص‌های جراحی معمولاً مقاوم‌ترین گروه در برابر جایگزینی مستقیم با AI محسوب می‌شوند، چون کار آن‌ها به مهارت دستی، حضور فیزیکی، تصمیم‌گیری حین عمل و مدیریت complication وابسته است. جراحی عمومی، ارتوپدی، ارولوژی، جراحی مغز و اعصاب، جراحی قلب، ENT، جراحی پلاستیک و سایر رشته‌های جراحی در آینده نزدیک حذف نمی‌شوند. اما «حذف‌نشدن» به معنی «بدون تغییر ماندن» نیست. هوش مصنوعی و رباتیک می‌توانند در planning، navigation، تشخیص آناتومی، کنترل حرکت، آموزش جراح و انتخاب تکنیک کمک کنند. در آینده ممکن است بخش‌هایی از بعضی اعمال استاندارد شوند و نقش جراح از اجرای کامل به طراحی، supervision و مدیریت عارضه تغییر کند. رشته‌های جراحی مقاوم‌ترند، به‌خصوص وقتی: آناتومی متغیر است تصمیم intraoperative لازم است عارضه می‌تواند ناگهانی باشد عمل به judgment بالا نیاز دارد بیمار high-risk است درمان فقط یک پروسیجر تکراری نیست با این حال، اگر رباتیک باعث شود هر جراح تعداد بیشتری عمل انجام دهد، باز هم تعداد جراح موردنیاز می‌تواند کاهش یابد. رتبه‌بندی رشته های تخصص تقریبی از نظر ریسک ریسک بالاتر: رادیولوژی تشخیصی پاتولوژی پزشکی هسته‌ای بخش‌های planning در رادیوتراپی انکولوژی درماتولوژی تشخیصی غربالگری‌های چشمی ریسک متوسط: بیهوشی در موارد استاندارد داخلی و اطفال در follow-upهای روتین پزشکی خانواده در ویزیت‌های الگوریتمی روان‌پزشکی اختلالات خفیف بخش‌های low-acuity طب اورژانس ریسک کمتر: رشته‌های جراحی پیچیده زنان و زایمان طب اورژانس بحرانی بیهوشی بیماران high-risk تخصص‌هایی که پروسیجر و مدیریت complication بخش اصلی آن‌هاست

قسمت چهارم | کدام تخصص‌های پزشکی«آینده ندارند»؟ داخلی و اطفال در نگاه اول، داخلی و اطفال کمتر از رادیولوژی یا پاتولوژی در معرض AI به نظر می‌رسند، چون تماس مستقیم با بیمار دارند. اما بخش بزرگی از کار روزمره این رشته‌ها شامل فعالیت‌هایی است که دقیقاً برای اتوماسیون مناسب‌اند: جمع‌آوری شرح حال مرور آزمایش‌ها بررسی تداخل دارویی تطبیق وضعیت بیمار با guideline تنظیم درمان بیماری‌های پایدار Follow-up Documentation Screening و preventive care در بیماری‌هایی مانند hypertension، diabetes، dyslipidemia، hypothyroidism و بسیاری از وضعیت‌های مزمن، بخش بزرگی از تصمیم‌گیری قابل استانداردسازی است. بنابراین ویزیت روتین و follow-up بیمار پایدار ممکن است به‌تدریج به سیستم‌های دیجیتال، تیم‌های پرستاران یا پزشک عمومی مجهز به AI منتقل شود. اما ارزش واقعی متخصص داخلی در جایی است که guideline کافی نیست: Multimorbidity Polypharmacy بیماری‌های مبهم تناقض میان guidelineها بیماری سیستمیک ناشناخته بیماری که با الگوی معمول مطابقت ندارد هرچه بیمار پیچیده‌تر باشد، ارزش internist بیشتر می‌شود. در اطفال نیز follow-upهای روتین، تب‌های ساده، آموزش والدین و غربالگری رشد می‌تواند تا حدی دیجیتالی شود. اما کودک بدحال، بیماری‌های مادرزادی، تفسیر علائم غیرمستقیم، ارتباط با والدین و تصمیم‌گیری در شرایطی که شرح حال قابل‌اعتماد نیست، همچنان به متخصص نیاز دارد. پزشکی خانواده پزشکی خانواده از یک جهت بسیار آسیب‌پذیر است، چون حجم زیادی از کار آن استاندارد و guideline-based است. از جهت دیگر، ممکن است در آینده مهم‌تر شود؛ چون سیستم درمان به فردی نیاز دارد که: تصویر کلی بیمار را ببیند مراقبت را هماهنگ کند ارجاع‌ها را مدیریت کند بیماری‌های متعدد را هم‌زمان در نظر بگیرد از overdiagnosis و overtreatment جلوگیری کند بنابراین دو مدل برای آینده پزشکی خانواده وجود دارد: مدل ضعیف: ویزیت‌های کوتاه، تکراری و نسخه‌محور مدل قوی: مدیریت پیچیدگی، population health و coordination of care مدل اول به‌شدت قابل اتوماسیون است. مدل دوم احتمالاً ارزشمندتر می‌شود. روان‌پزشکی هوش مصنوعی در روان‌پزشکی می‌تواند screening انجام دهد، symptom tracking را مدیریت کند، psychoeducation ارائه دهد و حتی مداخلات ساختاریافته مانند CBT ساده را اجرا کند. بنابراین بخشی از بیماران مبتلا به اضطراب خفیف، افسردگی خفیف و اختلالات پایدار ممکن است دیگر برای هر مرحله از درمان نیاز به ویزیت مستقیم روان‌پزشک نداشته باشند. اما روان‌پزشکی فقط گفت‌وگو نیست. ارزیابی suicide risk، psychosis، mania، substance use، personality pathology، capacity، مسائل قانونی، رفتار غیرقابل‌پیش‌بینی و تنظیم داروهای پیچیده، نیازمند قضاوت انسانی و مسئولیت حرفه‌ای است. همچنین رابطه درمانی، اعتماد و توانایی درک context زندگی بیمار در بسیاری از موارد بخشی از خود درمان است. بخش آسیب‌پذیرتر: درمان اختلالات خفیف پیگیری علائم پایدار Psychoeducation CBT ساختاریافته غربالگری و triage بخش مقاوم‌تر: روان‌پریشی اختلال دوقطبی Suicidality روان‌پزشکی قانونی بیماران پیچیده با comorbidity تصمیم‌گیری درباره بستری و اجبار درمانی زنان و زایمان در زنان و زایمان، AI می‌تواند در تحلیل fetal monitoring، پیش‌بینی preeclampsia، ارزیابی خطر زایمان زودرس و تفسیر تصویربرداری کمک کند. اما این رشته با موقعیت‌هایی درگیر است که به حضور فیزیکی، تصمیم‌گیری فوری و مسئولیت مستقیم نیاز دارد: خونریزی پس از زایمان Distress جنین پارگی رحم دیستوشی شانه زایمان اورژانسی جراحی و عوارض داخل عمل حتی اگر interpretation بخشی از داده‌ها خودکار شود، فردی باید تصمیم نهایی را بگیرد، اقدام کند و عارضه را مدیریت کند. بخش‌های روتین prenatal care ممکن است بیشتر دیجیتالی شوند، اما obstetric emergency و جراحی زنان مقاومت بالایی خواهند داشت.

قسمت سوم | کدام تخصص‌های پزشکی«آینده ندارند»؟ درماتولوژی درماتولوژی به‌دلیل وابستگی زیاد به تصویر، یکی از تخصص‌هایی است که در نگاه اول بسیار مناسب AI به نظر می‌رسد. مدل‌های تصویری می‌توانند ضایعات پوستی را طبقه‌بندی کنند، احتمال بدخیمی بدهند و در بیماری‌های شایع differential diagnosis ارائه کنند. اما در دنیای واقعی، تشخیص پوستی فقط با یک عکس استاندارد انجام نمی‌شود. نوع پوست، نور، کیفیت تصویر، محل ضایعه، لمس، توزیع ضایعات، سیر زمانی، داروها، علائم سیستمیک و پاسخ به درمان اهمیت دارند. با این حال، بخش مشخصی از درماتولوژی واقعاً در معرض کاهش ارزش است: ویزیت‌های ساده ضایعات شایع پیگیری آکنه و اگزمای پایدار ارزیابی اولیه عکس‌محور Prescription renewal Teledermatology کم‌پیچیدگی این خدمات می‌توانند به پزشک عمومی مجهز به AI، پلتفرم‌های دیجیتال یا سیستم‌های triage منتقل شوند. بخش‌های مقاوم‌تر: جراحی پوست Mohs surgery درماتولوژی procedural بیماری‌های التهابی پیچیده درمان‌های بیولوژیک درماتوپاتولوژی موارد نیازمند biopsy و correlation بالینی چشم‌پزشکی در چشم‌پزشکی نیز AI در screening رتینوپاتی دیابتی، تحلیل OCT، ارزیابی گلوکوم و بعضی بیماری‌های شبکیه بسیار مناسب است. بخش زیادی از غربالگری می‌تواند خارج از مطب چشم‌پزشک انجام شود و فقط موارد abnormal ارجاع شوند. این موضوع ممکن است تعداد ویزیت‌های screening را کاهش دهد، اما تخصص را حذف نمی‌کند. بخش‌های مقاوم‌تر چشم‌پزشکی: جراحی کاتاراکت جراحی شبکیه درمان گلوکوم تزریقات داخل چشمی مدیریت بیماری‌های پیچیده اورژانس‌های چشمی تصمیم‌گیری در موارد عدم تطابق یافته تصویری با وضعیت بالینی بیهوشی بسیاری از وظایف بیهوشی از نظر فنی قابلیت اتوماسیون دارند: تنظیم دارو، کنترل فشار خون، مدیریت ventilation، پایش depth of anesthesia، پیش‌بینی hypotension و تصمیم‌گیری پروتکل‌محور در بیمار کم‌خطر. بنابراین ممکن است تصور شود که بیهوشی یکی از تخصص‌های در معرض حذف است. اما اتاق عمل محیطی کاملاً استاندارد نیست. Airway دشوار، خونریزی وسیع، آنافیلاکسی، instability همودینامیک، تغییر ناگهانی برنامه جراحی، واکنش غیرمنتظره به دارو و احیای حین عمل، همگی نیازمند حضور فردی هستند که مسئولیت کامل بیمار را بر عهده بگیرد. هوش مصنوعی احتمالاً نقش متخصص بیهوشی را تغییر می‌دهد، نه اینکه آن را حذف کند. مدل آینده ممکن است شامل این موارد باشد: اتوماسیون بیشتر در موارد کم‌خطر نظارت یک متخصص بر چند اتاق واگذاری بیشتر اجرای روزمره به تیم بیهوشی تمرکز متخصص بر risk stratification، بحران و موارد پیچیده بخش‌های مقاوم‌تر: Cardiac anesthesia Neuroanesthesia Pediatric anesthesia Airway پیچیده بیهوشی بیماران high-risk Critical care ریسک اصلی، کاهش نیاز به متخصص در موارد استاندارد و کم‌خطر است، نه حذف کامل رشته. طب اورژانس در طب اورژانس، AI می‌تواند در triage، شناسایی sepsis، پیش‌بینی deterioration، پیشنهاد differential diagnosis و اولویت‌بندی بیماران کمک کند. اما اورژانس محیطی آشفته، ناقص و غیرقابل‌پیش‌بینی است. بیمار شرح حال کامل ندارد، اطلاعات متناقض است، زمان محدود است و تصمیم باید پیش از رسیدن به قطعیت گرفته شود. علاوه بر این، طب اورژانس شامل resuscitation، trauma، airway management، procedure و مدیریت هم‌زمان چند بیمار بدحال است. AI می‌تواند documentation، order suggestion و مدیریت بیماران low-acuity را تا حد زیادی خودکار کند، اما جای متخصصی را که در چند دقیقه باید تصمیم حیاتی بگیرد، به‌سادگی نمی‌گیرد. بخش آسیب‌پذیرتر: Fast track شکایات ساده درخواست‌های پروتکل‌محور بیماران کم‌خطر با مسیر تشخیصی مشخص بخش مقاوم‌تر: Resuscitation Trauma Toxicology بیمار undifferentiated Shock و respiratory failure Procedure و تصمیم‌گیری در بحران

🔴📣زمان دریافت ایده برای رویداد ایده پردازی مدیکال پلاس به مناسبت روز جهانی مغز🧠 تمدید شد! 💡مهلت ارسال ایده : ۴ مرداد ماه ۱۴۰۵ 📆زمان برگزاری جدید : ۶ مرداد ماه ۱۴۰۵ ⏰ساعت ۱۴ الی ۱۶ 📍مکان : حضوری ؛ مرکز نوآوری و شتابدهی سلامت دانشگاه علوم پزشکی تبریز 🔹کمیته تحقیقات و فناوری دانشجویی با همکاری مرکز نوآوری و شتابدهی سلامت، مرکز توسعه و هماهنگی پژوهش، مرکز تحقیقات علوم اعصاب و انجمن علمی دانشجویی نورورادیولوژی به مناسبت روز جهانی مغز برگزار میکند🔹 ✨✨ منتظر دیدن شما در رویداد تخصصی ایده پردازی علوم پزشکی هستیم 🧐 توجه کنید که هدف این رویداد تقویت مهارت ایده پردازی هست، بنابراین ایده‌های ابتدایی شما یا حتی ایده‌های بازتعریف شده از نمونه های خارجی هم برای ما ارزشمند هستند.✨✨ 🏆 همراه با جایزه‌ برای ایده‌های برتر 🏆 ✍️جهت ثبت نام در این رویداد از طریق وبسایت کارگاه ها به نشانی https://workshop.tbzmed.ac.ir/ اقدام نمایید و سپس ایده خود را از طریق دیجی فرم زیر ارسال نمایید. انجام هر دو مرحله ضروری میباشد. ثبت نام رایگان میباشد. https://digiform.ir/w2458e7e21 🟠@src_tbzmed 🔵@neuroradiology_association

قسمت دوم | کدام تخصص‌های پزشکی«آینده ندارند»؟ 1️⃣ رادیولوژی رادیولوژی معمولاً اولین تخصصی است که در بحث جایگزینی پزشک با AI مطرح می‌شود (مصاحبه رییس شرکت NVIDIA را در این باره ببینید)، چون تقریباً تمام ورودی آن دیجیتال، استاندارد و مبتنی بر تصویر است. هوش مصنوعی می‌تواند در بسیاری از وظایف عملکرد قابل‌قبولی داشته باشد: تشخیص خونریزی مغزی، آمبولی ریه، شکستگی، ندول ریوی، ضایعات پستان، اندازه‌گیری حجم تومور، مقایسه تصاویر قبلی، تریاژ مطالعات اورژانسی و تولید گزارش خوانش تصاویر پزشکی. اما این به معنی حذف رادیولوژیست نیست. کار واقعی رادیولوژی شامل مواردی است که معمولاً در ظاهر دیده نمی‌شود: انتخاب پروتکل مناسب، تشخیص کیفیت ناکافی تصویر، تطبیق یافته‌ها با بالین بیمار، تشخیص یافته‌های تصادفی که در شرح حال بیمار نیامده، پاسخ به مشاوره های پزشکی، تشخیص موارد خارج از الگو، ارتباط با تیم درمان، مسئولیت حقوقی و انجام پروسیجرهای مداخله‌ای. بنابراین خطر اصلی رادیولوژی «بی‌نیازی کامل از رادیولوژیست» نیست. خطر اصلی این است که یک رادیولوژیست مجهز به AI بتواند حجمی از کار را انجام دهد که امروز به چند رادیولوژیست نیاز دارد و پیامدهای احتمالی چنین اتفاقی: کاهش ارزش اقتصادی این شغل افزایش فشار برای گزارش‌کردن تعداد بیشتری مطالعه تمرکز گزارش‌خوانی در مراکز بزرگ و شبکه‌های تله‌رادیولوژی کاهش نیاز به رادیولوژیست عمومی در بعضی بازارها افزایش ارزش رادیولوژیست‌های مداخله‌ای و subspecialty-based حرکت نقش رادیولوژیست از «گزارش‌کننده تصویر» به «مشاور تشخیصی» خواهد بود. بیشترین ریسک مربوط به فعالیت‌هایی است که حجم بالا دارند، تکراری‌اند، سؤال بالینی مشخص دارند و خروجی آن‌ها قابل استانداردسازی است. بخش‌های مقاوم‌تر: Interventional radiology تصویربرداری پیچیده انکولوژی نورورادیولوژی پیچیده تصویربرداری قبل و حین عمل موارد چندوجهی نیازمند integration بالینی نقش فعال در multidisciplinary team پس آیا رادیولوژی آینده ندارد؟ خیر. اما رادیولوژیستی که ارزش اصلی او فقط دیدن تصاویر معمول و نوشتن گزارش استاندارد باشد، نسبت به گذشته آسیب‌پذیرتر خواهد بود. آینده این رشته احتمالاً متعلق به کسی است که هم AI را بهتر از دیگران استفاده کند و هم کاری انجام دهد که AI به‌تنهایی قادر به انجام آن نیست. 2️⃣ پاتولوژی پاتولوژی از نظر ماهیت کار، یکی از مناسب‌ترین تخصص‌ها برای AI است: تشخیص الگو در تصویر، شمارش سلول، grading، quantification مارکرها، مشخص‌کردن نواحی مشکوک و screening اسلایدها. با گسترش digital pathology، هوش مصنوعی می‌تواند اسلایدها را اولویت‌بندی کند، مناطق مشکوک را علامت بزند و بخشی از اندازه‌گیری‌ها را به‌صورت خودکار انجام دهد. اما تحول پاتولوژی به یک عامل مهم وابسته است: دیجیتالی‌شدن کامل workflow. تا زمانی که اسکن اسلاید، استانداردسازی staining، ذخیره‌سازی تصاویر و زیرساخت نرم‌افزاری فراگیر نشده باشد، سرعت اتوماسیون محدود می‌ماند. بخش‌های پرریسک‌تر: غربالگری های روتین شمارش‌ها و اندازه‌گیری‌های تکراری گزارش‌های استاندارد بررسی موارد روتین بخش‌های مقاوم‌تر: Hematopathology Neuropathology Molecular pathology موارد پیچیده انکولوژی Integration اطلاعات مورفولوژیک، مولکولی و بالینی هرچند آینده پاتولوژی احتمالاً از «دیدن اسلاید» به «تفسیر چندلایه داده‌های بافتی و مولکولی» حرکت می‌کند اما باید اذعان داشت پاتولوژی به شیوه ای که امروزه آن را مشناسیم احتمالا تا ۲۰ سال دیگر وجود خارجی نخواهد داشت. 4️⃣ پزشکی هسته‌ای در پزشکی هسته‌ای نیز بخش زیادی از کار شامل پردازش تصویر، segmentation، quantification و پروتکل‌های استاندارد است. این تخصص علاوه بر AI، با یک خطر ساختاری دیگر نیز روبه‌روست: ادغام بیشتر با رادیولوژی و انکولوژی. بخش مقاوم‌تر پزشکی هسته‌ای احتمالاً در این حوزه‌ها خواهد بود: Theranostics Radionuclide therapy Dosimetry طراحی درمان شخصی سازی شده همکاری مستقیم با انکولوژی در رادیوانکولوژی نیز contouring، treatment planning، dose optimization و بررسی تصاویر دوره‌ای به‌سرعت خودکارتر می‌شوند. اما تصمیم درباره indication درمان، intent، انتخاب بیمار، ترکیب درمان‌ها، مدیریت toxicity و گفت‌وگوی پیش‌آگهی همچنان نیازمند قضاوت تخصصی است. ریسک اصلی این رشته کاهش زمان planning و افزایش ظرفیت هر مرکز است؛ یعنی یک پزشک رادیوانکولوژیست به زودی می‌تواند تعداد بیشتری بیمار را درمان کند و جای چندین همکار خود را پر کند. این دو رشته حذف نمی‌شوند، اما تعداد نیرو، نوع مهارت موردنیاز و ارزش اقتصادی فعالیت‌های روتین در آن‌ها احتمالاً تغییر جدی خواهد کرد. ادامه دارد...

کدام تخصص‌های پزشکی«آینده ندارند»؟ با رشد سریع هوش مصنوعی، سؤال رایج بین پزشکان و دانشجویان پزشکی این است: «کدام تخصص را انتخاب نکنیم، چون احتمالاً AI آن را نابود می‌کند؟» پاسخ واقع‌بینانه این است که مسئله اصلی حذف کامل یک تخصص نیست. خطر واقعی در چهار سطح اتفاق می‌افتد: ۱. کاهش تعداد متخصص موردنیاز برای یک حجم ثابت از کار ۲. کاهش ارزش اقتصادی فعالیت‌های روتین ۳. انتقال بخشی از کار پزشک به سیستم‌های خودکار، پزشکان عمومی یا سایر اعضای تیم درمان ۴. تبدیل نقش متخصص از «انجام‌دهنده مستقیم» به «ناظر، تأییدکننده و مسئول نهایی» ممکن است یک تخصص همچنان وجود داشته باشد، اما بازار کار، درآمد، استقلال حرفه‌ای و تعداد موقعیت‌های شغلی آن به‌طور جدی تغییر کند. هر تخصصی که سهم داده متنی و تصویری، تشخیص الگو و گزارش‌نویسی بیشتر باشد، قابلیت حذف بالاتر است. هرچه سهم پروسیجر، قضاوت در شرایط مبهم، تصمیم‌گیری لحظه‌ای، ارتباط انسانی و مدیریت صحنه بیشتر باشد، شانس بقای تخصص بالاتر است. اما حتی تخصص‌های پروسیجرال هم مصون نیستند. اگر فناوری باعث شود هر متخصص تعداد بیشتری بیمار را مدیریت کند، باز هم نیاز به نیروی انسانی می‌تواند کاهش پیدا کند. پس سؤال اصلی این است: «در کدام تخصص، بخش اصلی ارزش من چیزی فراتر از تشخیص الگو و اجرای دستورالعمل خواهد بود و همچنان به من نیاز مبرمی وجود خواهد داشت؟» در قسمت های بعد رشته به رشته با شما به بررسی احتمال بقای هر رشته ی تخصصی پزشکی در آینده نزدیک خواهم پرداخت

✅ رویداد تخصصی ایده پردازی در علوم پزشکی با مدیکال پلاس ➕ ایده پردازی کنید ➕دانش افزایی کنید ➕ و جایزه بگیرید 🧠 به مناسبت روز جهانی مغز ✨✨ منتظر دیدن شما در رویداد تخصصی ایده پردازی علوم پزشکی هستیم 🧐 توجه کنید که هدف این رویداد تقویت مهارت ایده پردازی هست، بنابراین ایده‌های ابتدایی شما یا حتی ایده‌های بازتعریف شده از نمونه های خارجی هم برای ما ارزشمند هستند.✨✨ 📒 چهارشنبه ۳۱ تیر ماه ۱۴۰۵ 🕛 ساعت 14 تا 16 📍مرکز نوآوری و شتابدهی سلامت 💡مهلت ارسال ایده تا ۲۸ تیرماه ۱۴۰۵ 🏆 همراه با جایزه‌ برای ایده‌های برتر 🏆 ✍️جهت ثبت نام در این رویداد از طریق وبسایت کارگاه ها به نشانی https://workshop.tbzmed.ac.ir/ اقدام نمایید و سپس ایده خود را از طریق دیجی فرم زیر ارسال نمایید. انجام هر دو مرحله ضروری میباشد. ثبت نام رایگان میباشد. https://digiform.ir/w2458e7e21 🟠@src_tbzmed 🔵@neuroradiology_association

📢 اطلاعیه مهم – زمان‌بندی جدید مسابقات آیروکاپ (AIROCup) با سلام به همه شرکت‌کنندگان گرامی، احتراماً به استحضار می‌رساند، با توجه به شرایط خاص کشور، عدم برقراری اینترنت بین‌الملل و تعطیلی دانشگاه علم و صنعت ایران، امکان برگزاری حضوری مسابقات در زمان پیش‌بینی شده میسر نیست. پس از بررسی امکانات موجود، برنامه جدید مسابقات به شرح زیر اعلام می‌شود: ✅ بخش عمدۀ لیگ‌ها شامل: لیگ تولید محتوا ویژه بازار کار لیگ تولید محتوا با هوش مصنوعی لیگ عامل هوشمند AI Agent لیگ برنامه نویسی لیگ اختراعات لیگ مصرف هوشمند آب لیگ کشاورزی لیگ هوش مصنوعی در سلامت به صورت کاملاً برخط (آنلاین) و صرفاً بر بستر اینترنت داخلی کشور برگزار خواهد شد. همچنین با توجه به شرایط موجود، تغییرات مقتضی در قوانین برخی از لیگ ها اعمال و جزئیات آن اطلاع رسانی خواهد شد. 📅 تاریخ برگزاری آنلاین: ۱ و ۲ مرداد ماه ۱۴۰۵ 🔹 تمامی تیم‌ها می‌توانند از طریق ادمین بله و ایتا سوالات خود را بپرسند. دبیران هوش مصنوعی و رباتیک شرایط برگزاری را اعلام خواهند نمود. ❌ برخی لیگ‌ها که ذاتاً نیازمند حضور فیزیکی هستند (از جمله لیگ جنگجوی هوشمند و سایر لیگ‌های کاملاً حضوری) به زمان دیگری موکول می‌شود. ⏳ تاریخ برگزاری بخش‌های حضوری پس از عادی شدن شرایط، رفع محدودیت‌ها و بازگشایی دانشگاه علم و صنعت ایران متعاقباً اعلام خواهد شد. بدیهی است که به محض ایجاد امکان، زمان جدید را به اطلاع شما خواهیم رساند. 📌 نکات مهم: · مهلت ثبت‌نام بخش آنلاین همچنان ادامه دارد. · پشتیبانی آنلاین در روزهای برگزاری فعال خواهد بود. از درک و صبوری شما سپاسگزاریم. با همکاری هم این شرایط سخت را پشت سر می‌گذاریم و مسابقات را با قدرت برگزار می‌کنیم. با آرزوی موفقیت برای همه تیم‌ها دبیرخانه مسابقات ملی هوش مصنوعی و رباتیک (AIROCup) مرکز نوآوری حکمرانی هوشمند – دانشگاه علم و صنعت ایران

📣📣 دعوت به مشارکت در انجمن علمی دانشجویی نورورادیولوژی دانشگاه علوم پزشکی تبریز 📌لینک جهت عضویت عمومی در انجمن : https://digiform.ir/w77291c565 📌لینک جهت اعلام داوطلبی جهت عضویت در شورای مرکزی انجمن(فقط دانشگاه علوم پزشکی تبریز): https://digiform.ir/w112bcd555 📌لینک جهت اعلام داوطلبی جهت مشارکت در طرح های پژوهشی : (گزینش بعد از بررسی رزومه ، امکان شرکت از سراسر کشور و خارج از کشور ): https://digiform.ir/w471c83ffe لینک کانال جهت اطلاع رسانی : @neuroradiology_association آیدی ادمین : @Neuroradiology_admin

🧬 تشویق حضار ASCO برای نتایج چشمگیر Daraxonrasib در سرطان متاستاتیک پانکراس در مطالعه RASolute 302 که نتایج آن در NEJM منتشر شد، میانه بقای کلی بیماران با Daraxonrasib به ۱۳.۲ ماه رسید؛ در حالی که این عدد در گروه شیمی‌درمانی استاندارد حدود ۶.۷ ماه بود. 📈 تقریباً دو برابر شدن بقا 📉 کاهش حدود ۶۰ درصدی خطر مرگ 📊 افزایش PFS از ۳.۵ به ۷.۳ ماه در بیماران دارای جهش‌های RAS G12 اهمیت این نتایج فراتر از اعداد است. Daraxonrasib یک مهارکننده خوراکی RAS(ON) است که یکی از مهم‌ترین مسیرهای رشد سرطان پانکراس را هدف قرار می‌دهد؛ مسیری که سال‌ها به‌عنوان یکی از دشوارترین اهداف درمانی در انکولوژی شناخته می‌شد. این داده‌ها می‌توانند آغاز فصل جدیدی در درمان هدفمند سرطان پانکراس باشند. #ASCO2025 #PancreaticCancer #KRAS #TBZTeleMed

🍳 از کجا بفهمیم یک تاپیک قابلیت Systematic Review یا Meta-analysis دارد؟ قسمت سوم: آیا outcomeها و داده‌ها قابل استخراج و قابل ترکیب هستند؟ حتی اگر مطالعات کافی وجود داشته باشد، هنوز یک سؤال خیلی مهم باقی می‌ماند: آیا داده‌ها واقعاً برای Meta-analysis قابل استفاده‌اند؟ برای متاآنالیز فقط داشتن مقاله کافی نیست؛ باید داده عددی قابل استخراج هم وجود داشته باشد. چه نوع outcomeهایی معمولاً قابل pooling هستند؟ 🔹 در مطالعات تشخیصی: - Sensitivity - Specificity - AUC - TP / FP / TN / FN 🔹 در مطالعات درمانی: - Mortality - Recurrence - Complication rate - Pain score - HbA1c - Blood pressure - Length of stay 🔹 در مطالعات prevalence: - شیوع - incidence - event rate 🔹 در مطالعات risk/prognostic: - OR - RR - HR - Mean difference - SMD ### برای متاآنالیز معمولاً به چه داده‌هایی نیاز داریم؟ ✅ برای outcomeهای دوحالتی: - تعداد event - تعداد کل افراد - OR / RR / HR با CI ✅ برای outcomeهای پیوسته: - mean - SD - sample size ✅ برای diagnostic studies: - TP - FP - TN - FN ✅ برای prevalence: - تعداد موارد - حجم کل نمونه چه زمانی Meta-analysis سخت یا غیرممکن می‌شود؟ وقتی مقاله‌ها: - فقط توضیح کیفی داده باشند - outcomeهای خیلی متفاوت گزارش کرده باشند - داده عددی کافی نداشته باشند - effect size قابل محاسبه ندهند مثال: اگر یک مقاله فقط بگوید «بیماران بهتر شدند» و مقاله دیگر فقط بنویسد «رضایت افزایش یافت» و مقاله سوم فقط نتیجه‌گیری کلی داشته باشد، متاآنالیز قابل اتکا نخواهد بود. موضوع دیگر: heterogeneity حتی اگر داده‌ها عددی باشند، باید ببینید آیا مطالعات منطقی قابل ترکیب هستند یا نه. منابع ناهمگونی می‌توانند شامل این‌ها باشند: - تفاوت جمعیت‌ها - تفاوت شدت بیماری - تفاوت نوع intervention - تفاوت دوز درمان - تفاوت مدت پیگیری - تفاوت cut-off - تفاوت نوع دستگاه یا الگوریتم - تفاوت تعریف outcome بنابراین قبل از شروع بپرسید: - آیا outcomeها بین مطالعات مشابه‌اند؟ - آیا داده‌ها عددی‌اند؟ - آیا effect size قابل استخراج است؟ - آیا pooling از نظر علمی معنی‌دار است؟ 📌 جمع‌بندی این بخش: وجود مقاله کافی شرط لازم است، اما کافی نیست. برای Meta-analysis باید outcome مشترک، داده عددی و امکان pooling منطقی هم وجود داشته باشد #MetaAnalysis #SystematicReview #ResearchSkills #tbztelemed

🍳 از کجا بفهمیم یک تاپیک قابلیت Systematic Review یا Meta-analysis دارد؟ قسمت دوم: آیا اصلاً داده کافی وجود دارد؟ بعد از اینکه سؤال پژوهشی را دقیق کردید، مهم‌ترین مرحله این است که ببینید: آیا مطالعات original کافی درباره موضوع شما وجود دارد؟ برای Systematic Review و Meta-analysis، شما به مطالعات اولیه نیاز دارید؛ مثل: - RCT - Cohort - Case-control - Cross-sectional - Diagnostic studies - Prognostic studies - Prevalence studies اگر بیشتر چیزهایی که پیدا می‌کنید این‌ها باشند: - narrative review - editorial - commentary - letter - opinion - protocol موضوع شما فعلاً برای Meta-analysis مناسب نیست. چند مقاله کافی است؟ عدد قطعی وجود ندارد، اما به طور تجربی: - 1 مطالعه → متاآنالیز ممکن نیست - 2 مطالعه → از نظر فنی ممکن، ولی ضعیف - 3 تا 5 مطالعه → گاهی قابل انجام، با احتیاط - بیش از 5 یا 10 مطالعه مشابه → شرایط بهتر می‌شود اما فقط تعداد مهم نیست. ممکن است 20 مقاله داشته باشید، ولی چون outcomeها، جمعیت‌ها یا روش‌ها خیلی متفاوت‌اند، عملاً pooling ممکن نباشد. پس سؤال درست این نیست: ❌ «چند مقاله وجود دارد؟» سؤال درست این است: ✅ «چند مطالعه original با داده قابل مقایسه وجود دارد؟» قدم ضروری قبل از انتخاب نهایی تاپیک: یک preliminary search کوتاه انجام دهید. در سرچ اولیه بررسی کنید: - چند مطالعه original پیدا می‌شود؟ - آیا موضوع قبلاً systematic review شده؟ - آیا meta-analysis جدیدی از قبل وجود دارد؟ - outcomeها چه هستند؟ - داده‌ها عددی هستند یا فقط توصیفی؟ - مطالعات روی چه جمعیتی انجام شده‌اند؟ کجا سرچ کنیم؟ - PubMed - Scopus - Web of Science - Embase - Cochrane Library - Google Scholar نکته مهم: اگر قبلاً یک systematic review یا meta-analysis خوب و جدید درباره همان سؤال وجود دارد، انجام دوباره آن بدون دلیل منطقی ارزش زیادی ندارد. اما اگر: - مطالعه قبلی قدیمی باشد - مطالعات جدید زیادی منتشر شده باشد - کیفیت مرور قبلی پایین باشد - شما subgroup یا outcome متفاوتی بررسی کنید آن وقت پروژه شما هنوز می‌تواند ارزشمند باشد. 📌 نتیجه: قبل از شروع پروژه، حتماً مطمئن شوید که موضوع فقط جذاب نیست؛ بلکه به اندازه کافی “مطالعه‌پذیر” هم هست. #SystematicReview #MetaAnalysis #EvidenceBasedMedicine #tbztelemed

🍳 از کجا بفهمیم یک تاپیک قابلیت Systematic Review یا Meta-analysis دارد؟ قسمت اول: از جذاب بودن تا قابل‌پژوهش بودن یکی از اشتباهات رایج بین افرادی که تازه وارد پژوهش می‌شوند این است که فکر می‌کنند هر موضوع جذاب، جدید یا ترند، می‌تواند تبدیل به Systematic Review یا Meta-analysis شود. اما واقعیت این است که: ✅ هر موضوعی لزوماً برای Systematic Review مناسب نیست ✅ و هر Systematic Review هم الزاماً قابلیت Meta-analysis ندارد اول باید این تفاوت را بدانیم: 🔹 Systematic Review یعنی مرور ساختارمند و شفاف همه مطالعات مرتبط با یک سؤال مشخص 🔹 Meta-analysis یعنی ترکیب آماری نتایج چند مطالعه و رسیدن به یک برآورد کلی پس: هر Meta-analysis یک Systematic Review است، اما هر Systematic Review لزوماً Meta-analysis نیست. اولین سؤال مهم: آیا سؤال پژوهشی شما واضح، محدود و قابل جست‌وجو است؟ مثلاً این سؤال خیلی کلی است: ❌ «نقش هوش مصنوعی در پزشکی چیست؟» اما این سؤال مناسب‌تر است: ✅ «دقت مدل‌های deep learning در تشخیص سرطان پستان از تصاویر ماموگرافی چقدر است؟» چرا بهتر است؟ چون در آن موارد زیر مشخص شده‌اند: - موضوع دقیق - بیماری مشخص - ابزار مشخص - outcome مشخص - نوع داده‌های مورد انتظار قابل حدس برای اینکه سؤال دقیق شود، از این چارچوب‌ها استفاده کنید: 🔸 PICO برای مطالعات مداخله‌ای - P: جمعیت - I: مداخله - C: مقایسه - O: پیامد 🔸 PECO برای مطالعات مشاهده‌ای و عوامل خطر - P: جمعیت - E: مواجهه - C: مقایسه - O: پیامد 🔸 PIRD / PIT برای مطالعات تشخیصی - Population - Index test - Reference standard - Diagnosis یک قانون ساده: اگر نتوانید سؤال خود را در ۱ جمله دقیق و محدود بیان کنید، احتمال زیادی وجود دارد که هنوز موضوع شما برای Systematic Review یا Meta-analysis آماده نیست. 📌 قبل از شروع، از خودتان بپرسید: - دقیقاً چه چیزی را می‌خواهم بررسی کنم؟ - روی چه جمعیتی؟ - با چه outcomeی؟ - با چه نوع مطالعاتی؟ اگر جواب این‌ها مبهم باشد، باید موضوع را محدودتر کنید. #SystematicReview #MetaAnalysis #Research_Methodology #tbztelemed

💸 راهنمای کامل بخشودگی هزینه چاپ مقاله (Waiver) یکی از پرتکرارترین سؤال‌هایی که می‌بینم این است: «چاپ مقاله خیلی گرونه، چند هزار دلار باید بدیم؟» و راستش احساس می‌کنم کسی شما را به اشتباه انداخته. بیایید این موضوع را کامل و دقیق باز کنیم. 👇 ✨ اصلاً چرا بعضی ژورنال‌ها پول می‌گیرند؟ برای فهم Waiver، اول باید بدانیم این هزینه چیست. این مبلغ که به آن APC می‌گویند (مخفف *Article Processing Charge*)، هزینه‌ای است که فقط برای مقالات Open Access دریافت می‌شود. 🔹اوپن اکسس یعنی چه؟ یعنی مقاله شما برای همه مردم دنیا رایگان و آزاد قابل دانلود است و پشت دیوار اشتراک (paywall) قرار نمی‌گیرد. در این حالت، چون ناشر از فروش اشتراک درآمدی ندارد، هزینه را از نویسنده می‌گیرد. 🔹 حالت غیر Open Access (Subscription): در این مدل، مقاله شما کاملاً رایگان چاپ می‌شود و یک ریال هم پرداخت نمی‌کنید؛ فقط خوانندگان برای دسترسی به مقاله باید اشتراک بخرند. پس اولین حقیقت مهم: بسیاری از ژورنال‌های بسیار معتبر هیچ هزینه‌ای از نویسنده نمی‌گیرند. 🎯 🌍 Waiver؛ همان بخشودگی هزینه حالا می‌رسیم به نکته اصلی. ناشران بزرگ دنیا مثل Springer Nature، Elsevier، Wiley، Sage، Taylor & Francis و بسیاری دیگر، سیاست رسمی دارند که هزینه APC را برای پژوهشگران کشورهای با درآمد پایین یا متوسط کاهش می‌دهند یا کاملاً می‌بخشند. این سیاست‌ها اغلب بر اساس طبقه‌بندی‌های جهانی تعریف شده‌اند، مثلاً: 🔸 برنامه Research4Life (شامل طرح‌های HINARI، AGORA و …) که توسط سازمان بهداشت جهانی و ناشران بزرگ اداره می‌شود. 🔸 لیست کشورهای Group A که معمولاً waiver کامل (۱۰۰٪) می‌گیرند. 🔸 لیست کشورهای Group B که تخفیف بخشی (مثلاً ۵۰٪) دریافت می‌کنند. نکته کلیدی: این بخشودگی به‌صورت خودکار اعمال نمی‌شود! شما باید بلد باشید چطور و کجا درخواست waiver را ثبت کنید. خیلی‌ها فقط به همین دلیل که مسیر درخواست را نمی‌دانستند، هزینه کامل را پرداخت کرده‌اند یا کلاً از چاپ منصرف شده‌اند. ❌ 📋 مسیر درخواست Waiver چگونه است؟ به‌طور کلی، درخواست بخشودگی در یکی از این مراحل انجام می‌شود: 1️⃣ هنگام Submission: بعضی سیستم‌ها در فرم ارسال مقاله، گزینه‌ای برای درخواست waiver دارند. 2️⃣ بعد از Accept شدن مقاله: در بسیاری از ژورنال‌ها، فقط زمانی که مقاله پذیرفته شد، فرم پرداخت برایتان باز می‌شود و در همان مرحله می‌توانید درخواست بخشودگی بدهید. 3️⃣ از طریق ایمیل به Editorial Office: گاهی لازم است مستقیماً برای دفتر مجله نامه بزنید و دلیل درخواست waiver را شرح دهید. ⚠️ نکته مهم: درخواست waiver معمولاً هیچ تأثیری روی فرآیند داوری مقاله ندارد. یعنی اول مقاله بر اساس کیفیت علمی داوری می‌شود و موضوع هزینه کاملاً جداست. پس نترسید که درخواست بخشودگی باعث رد مقاله شود. 🏛 نقش افیلیشن (Affiliation) دانشگاهی این بخش خیلی مهم است و معمولاً بد فهمیده می‌شود: ✅ اگر شما افیلیشن یک دانشگاه معتبر خارج از ایران را داشته باشید، در بسیاری از کشورها خودِ دانشگاه بر اساس قراردادهایی که با ناشران دارد، هزینه چاپ مقاله را پرداخت می‌کند. این قراردادها را Transformative Agreements یا Read & Publish می‌نامند. در این حالت معمولاً از جیب شخص شما چیزی پرداخت نمی‌شود. ✅ اما اگر کسی بدون افیلیشن دانشگاهی و کاملاً مستقل بخواهد مقاله بدهد، آن وقت تأمین هزینه (یا گرفتن waiver) بر عهده خودش است. 🎯 جمع‌بندی تصور «چاپ مقاله = پرداخت چند هزار دلار» یک باور اشتباه و گمراه‌کننده است. واقعیت این است که: - خیلی از ژورنال‌های معتبر اصلاً پول نمی‌گیرند. - آن‌هایی هم که می‌گیرند، برای پژوهشگران کشورهای کم‌برخوردار امکان Waiver کامل یا جزئی دارند. - فقط باید مسیر درست درخواست را بلد باشید. پس نگذارید این تصور غلط، جلوی انتشار دستاوردهای علمی‌تان را بگیرد. ✅ 📢 کانال تخصصی تله‌مدیسین تبریز @tbztelemed

🤖 هوش مصنوعی در مقاله‌نویسی علمی؛ فرصت طلایی یا تهدید پنهان؟ امروزه ابزارهای هوش مصنوعی به بخش جدایی‌ناپذیر فرآیند پژوهش و نگارش علمی تبدیل شده‌اند. اما آیا می‌دانیم کجا باید از آن‌ها استفاده کنیم و کجا باید مراقب باشیم؟ در این پست به‌صورت کامل به این موضوع می‌پردازیم. ✅ کاربردهای مجاز و سودمند هوش مصنوعی می‌تواند در این زمینه‌ها دستیار ارزشمندی باشد: 🔹 ویرایش زبانی و گرامری: بهبود ساختار جملات و رفع اشکالات نگارشی، به‌ویژه برای نویسندگانی که زبان مادری‌شان انگلیسی نیست. 🔹 خلاصه‌سازی متون: کمک به درک سریع‌تر مقالات طولانی و مرور ادبیات پژوهش. 🔹 ایده‌پردازی اولیه: ارائه چارچوب و طرح کلی برای ساختاردهی مقاله. 🔹 ترجمه تخصصی: کمک به برگردان متون با حفظ اصطلاحات علمی. 🔹 بازنویسی و روان‌سازی: بهبود خوانایی بخش‌هایی که نویسنده خودش نوشته است. ⚠️ مواردی که نیازمند احتیاط جدی هستند 🔴 منابع جعلی (Hallucination): ابزارهای AI گاهی رفرنس‌هایی می‌سازند که اصلاً وجود ندارند. هر منبعی را شخصاً راستی‌آزمایی کنید. 🔴 اطلاعات نادرست علمی: محتوای تولیدشده ممکن است از نظر تخصصی اشتباه باشد. اعتبار داده‌ها بر عهده شماست، نه ماشین. 🔴 سرقت ادبی ناخواسته: متن ماشینی ممکن است مشابه منابع دیگر باشد و شما را در معرض اتهام تخلف علمی قرار دهد. 🔴 نقض قوانین مجلات: بسیاری از مجلات و دانشگاه‌ها استفاده از AI را ممنوع کرده یا مشروط کرده‌اند. 🚨 مرز اخلاقی و حرفه‌ای 📌 شفاف‌سازی اجباری: اگر از هوش مصنوعی استفاده کرده‌اید، در بخش روش‌شناسی یا تقدیر و تشکر آن را اعلام کنید. پنهان‌کاری می‌تواند به اتهام تقلب علمی منجر شود. 📌 مسئولیت‌پذیری: AI نمی‌تواند نویسنده مقاله باشد. مسئولیت کامل صحت محتوا همیشه بر عهده پژوهشگر است. 📌 حفظ اصالت فکری: تکیه بیش از حد به ماشین، به‌مرور توانایی تحلیل، استدلال و نگارش مستقل شما را تضعیف می‌کند. 🎯 جمع‌بندی هوش مصنوعی را به‌عنوان «دستیار هوشمند» ببینید، نه «جایگزین اندیشه». این ابزار می‌تواند سرعت و کیفیت کار شما را بالا ببرد، اما داوری نهایی، تحلیل علمی و مسئولیت محتوا همیشه باید با خودِ نویسنده باقی بماند. علم با اندیشه انسان پیش می‌رود؛ هوش مصنوعی تنها ابزاری در خدمت این اندیشه است. 🌱 📢 کانال تخصصی تله‌مدیسین تبریز @tbztelemed

با عرض سلام و وقت بخیر پر قدرت فعالیت کانال رو شروع میکنیم😎

🌀 کمیته مرکزی دانشجویی توسعه آموزش علوم پزشکی وزارت بهداشت، درمان و آموزش پزشکی برگزار میکند: 8️⃣ هشتمین جشنواره دانشجویی ایده‌های نوآورانه آموزشی💡 8️⃣ Student Festival of Educational Innovative Ideas💡 🎖مجموعه کارگاه های توانمندسازی ویژه هشتمین جشنواره دانشجویی ایده‌های نوآورانه آموزشی 📚جلسه سوم: 🖌آشنایی با حیطه‌های آموزش پزشکی با تدریس: ✨جناب آقای دکتر عظیم میرزازاده • دبیر بیست و هفتمین همایش کشوری آموزش پزشکی • استاد بیماری های داخلی دانشگاه علوم پزشکی تهران • عضو ثانویه گروه آموزش پزشکی علوم پزشکی تهران 📆چهارشنبه ۳ دی ماه ۱۴۰۴ ⏰ ساعت ۱۸ الی ۲۰ 📌جهت اطلاعات بیشتر در این گروه عضو شوید. 📌@scmed_8 🌀کمیته‌ مرکزی دانشجویی توسعه آموزش علوم وزارت بهداشت درمان و آموزش پزشکی #هشتمین_جشنواره_ایده_نوآورانه_آموزشی 🆔@scmed_8 🆔@SCMED_National 🆔Instagram

🏛کمیته دانشجویی توسعه آموزش علوم پزشکی کرمان با همکاری منتورینگ دانشکده پزشکی و انجمن علمی دانشگاه علوم پزشکی کرمان برگزار می‌کند “کارگاه آماده سازی جشنواره ایده های نوآورانه آموزشی” ✨سرفصل‌های کارگاه : ◀️ آشنایی با مفاهیم آموزش پزشکی و ترند های آموزشی ◀️ تیم سازی و کار تیمی ◀️ یادگیری و تمرین مهارت های تفکر خلاق و خلق ایده ◀️ آشنایی با مهارت های جست و جو ◀️ تمرین پروپوزال نویسی و بیان شفاف ایده 🎁همراه با منتورینگ برای دو تیم برتر در کارگاه ✨این کارگاه در قالب ۸جلسه آموزشی و کار عملی برگزار خواهد شد جهت کسب اطلاعات بیشتر در‌مورد کارگاه با ایدی زیر در ارتباط باشید @aydarza 🔴توجه فقط ثبت نام های انجام شده از طریق پشتیبانی به منظور ثبت نام نهایی می باشد. 🆔@SCMED_KMU 🆔@anjoman_kmu 🆔@EDO_MDKMU

8⃣ هشتمین جشنواره دانشجویی ایده‌های نوآورانه آموزشی💡 8⃣ Student Festival of Educational Innovative Ideas💡 📚دو مرحله‌ای و چالش محور 1⃣ بخش اول: سناریو مرحله اول جشنواره سناریو این مرحله از جشنواره رو مطالعه نمایید و بر اساس سناریو، ایده‌های نوآورانتون رو مطرح کنید...😌💡 🌐جهت کسب اطلاعات بیشتر از جشنواره و کارگاه‌های توانمندسازی در گروه زیر عضو شوید: 📌@scmed_8 🌀کمیته‌ مرکزی دانشجویی توسعه آموزش علوم وزارت بهداشت درمان و آموزش پزشکی #هشتمین_جشنواره_ایده_های_نوآورانه_آموزشی 🆔@scmed_8 🆔@SCMED_National 🆔Instagram