Journal of Modern Medical Information Sciences

fa نظام ارجاع هوشمند در پرونده الکترونیک سلامت: مرور جامع مدل ها، چالش ها و چشم اندازهای آینده Intelligent referral system in electronic health records: A comprehensive review of models, challenges, and future perspectives تخصصي Special مروری Review <div style="text-align: justify;">هدف: این مرور سیستماتیک با هدف بررسی مدل های محاسباتی، چالش های پیاده سازی و مسیرهای آینده نظام های ارجاع هوشمند مبتنی بر پرونده الکترونیک سلامت ( EHR ) انجام شد تا شکاف های موجود شناسایی و راهکارهای توسعه پایدار پیشنهاد شود. منابع اطلاعات یا داده ها: جستجوی جامع در پایگاه های PubMed ،Scopus ،Web of Science ،IEEE  Xplore و Google Scholar برای مقالات منتشر شده طی سال های ۲۰۰۶ تا ۲۰۲۵ انجام گرفت و متون خاکستری انگلیسی زبان نیز بررسی شد. روشهای انتخاب برای مطالعه: مطابق دستورالعمل های استاندارد مرور سیستماتیک، ۲۲۳۵ رکورد اولیه شناسایی شد. پس از حذف موارد تکراری و غربالگری عنوان و چکیده، ۳۵۰ مقاله برای ارزیابی متن کامل بررسی گردید و درنهایت ۲۰ مطالعه واجد شرایط انتخاب شد. استخراج داده با NVivo و ارزیابی کیفیت با AMSTAR-2 و RoB-2 انجام شد. ترکیب مطالب و نتایج: یافته ها نشان دادند که یادگیری ماشین ۴۰ درصد و هوش مصنوعی قابل توضیح ۲۰ درصد بیشترین کاربرد را در نظام های ارجاع هوشمند داشتند و عملکرد مطلوبی در پی شبینی ریسک و اولویت بندی ارجاعات ارائه کردند. قواعد فازی برای مدیریت عدم قطعیت و بلاک چین برای امنیت و قابلیت همکاری به کاررفته بود. مهم ترین چالشها شامل یکپارچگی داده ها، حریم خصوصی، پذیرش کاربران و محدودیت های زیرساختی گزارش شد. همچنین ۶۰ درصد مطالعات کیفیت بالا داشتند و روند انتشار از سال ۲۰۱۹ افزایش یافته است. نتیجه گیری: نظام های ارجاع هوشمند ظرفیت تحول در سلامت دیجیتال رادارند، اما بهره برداری اثربخش آنها نیازمند رفع موانع فنی و اخلاقی است. توجه به آموزش کاربران،تدوین استانداردها و انجام پژوهش در مناطق کم منابع می تواند کارایی جهانی ا ین سیستم ها را افزا یش دهد.</div> <div style="text-align: justify;">Introduction: This systematic review aimed to examine computational models, implementation challenges, and future pathways of intelligent referral systems integrated with Electronic Health Records (EHRs), with the goal of identifying research gaps and proposing sustainable development directions. Information sources or data: A comprehensive search was conducted in PubMed, Scopus, Web of Science, IEEE Xplore, and Google Scholar for studies published between 2006 and 2025, including English-language gray literature. Selection methods for study: Following standard systematic review guidelines, 2,235 initial records were identified. After removing duplicates and screening titles and abstracts, 350 full texts were assessed, and 20 eligible studies were included. Data extraction was performed using NVivo, and study quality was evaluated using AMSTAR-2 and RoB-2 tools. Combine content and results: Findings indicated that machine learning (40%) and explainable AI (20%) were the dominant approaches, demonstrating strong performance in risk prediction and referral prioritization. Fuzzy logic was applied to manage uncertainty, and blockchain technologies were used to enhance security and interoperability. Major challenges included data integration, privacy concerns, user acceptance, and infrastructural limitations. Sixty percent of the studies were rated as high quality, with a clear increase in publications after 2019. Conclusion: Intelligent referral systems hold significant potential to advance digital health, yet their effectiveness depends on overcoming technical and ethical barriers. Emphasis on user training, standard development, and research in low-resource environments is recommended to improve their global applicability.</div> پرونده الکترونیک سلامت, هوش مصنوعی, ارجاع هوشمند, یادگیری ماشین, چالش های پیاده سازی. Electronic Health Records, Artificial Intelligence, Intelligent Referral, Machine Learning, Implementation Challenges. 109 124 http://jmis.hums.ac.ir/browse.php?a_code=A-10-828-2&slc_lang=fa&sid=1 Mostafa Kashani مصطفی کاشانی mostafa.kashani@sirums.ac.ir 100319475328460013536 100319475328460013536 Yes Department of Health Information Technology, Sirjan School of Medical Sciences, Sirjan, Iran. گروه فناوری اطلاعات سلامت، دانشکده علوم پزشکی سیرجان، سیرجان، ایران.