Channel
@HoshMed
On this record: Growth · Engagement · Reactions · Posts · Citations · Cite this entry
46subscribers
+13 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1003871001740 |
|---|---|
| Type | Channel |
| Username | @HoshMed |
| Created | Between 1 February 2026 and 30 July 2026 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 11 August 2026 |
| Last confirmed live | 18 September 2026 |
| Measurements held | 7 |
| Confirmed unchanged | 2 times, most recently 18 September 2026 |
| On Telegram | t.me/HoshMed |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 10 Sept 2026, 09:21 | 46 | +1 |
| 1 Sept 2026, 23:15 | 45 | +3 |
| 26 Aug 2026, 06:46 | 42 | +1 |
| 19 Aug 2026, 21:29 | 41 | +5 |
| 13 Aug 2026, 01:15 | 36 | +3 |
| 11 Aug 2026, 01:01 | 33 | no change |
| 6 Aug 2026, 08:24 | 33 | first reading |
20 posts held, back to 30 July 2026 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 page of Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 20 posts for this entry, the most recent from 10 August 2026. An engagement rate over an empty window would be a number about nothing.
16 reactions across 6 posts, in 2 distinct kinds. The most used accounts for 75.0% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| ❤ | 12 | 75.0% | |
| 👌 | 4 | 25.0% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 6 of the 20 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 16 reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 20 most recent posts we hold, published 30 July 2026 to 10 August 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
🩺 اولین پرامپت بالینی هوش مد مخصوص پرستاران و پزشکان! 🔬 تفسیر گاز خون شریانی ABG 🧠 کافیست مقادیر pH، PaCO₂، HCO₃⁻، PaO₂ و SaO₂ بیمار فرضی رو وارد کنید تا تحلیل کامل، خطاناپذیر و همراه با ذکر محدودیتهای علمی دریافت کنید. 📋 ویژگیهای این پرامپت: ✅ روش تفسیری ROME ✅ اعلام صریح ناآگاهی در موارد مبهم (ضدّ هالوسینیشن هوش مصنوعی ) ✅ بیطرف و کاملاً آموزشی ✅ مناسب مرور سریع یا تدریس از داده های شناسایی پذیر بیمار واقعی …
❤2
📌 جلسه ۲: تفکر انتقادی و ارزیابی شواهد تولیدشده توسط هوش مصنوعی
تفکر انتقادی و ارزیابی شواهد تولیدشده توسط هوش مصنوعی تو جلسه قبل فهمیدی مدل زبانی بزرگ چطور کار میکنه و اینکه ممکنه دچار توهم بشه. حالا سوال اصلی اینه: وقتی داری از این ابزارها توی بیمارستان استفاده میکنی، چطور بفهمی چیزی که بهت میگه درسته یا از خودش درآورده؟ اینجا بحث تفکر انتقادی و ارزیابی شواهد میاد وسط. چون LLM یه موتور پیشبینی کلمهست، نه یه منبع حقیقت. پس باید یاد بگیری چطور خروجیش رو راستیآزمایی کنی. …
📥 فایل تعاملی این جلسه ( توهم در هوش مصنوعی ) بعد از خوندن این پست، فایل HTML رو دانلود کن و با بازی شبیهسازی، یادگیریت رو تثبیت کن (آنلاین یا آفلاین فرقی نداره). 🔁 برای دوستات هم بفرست ♾️
به زودی در زمینه ساخت ابزارهای " مشکل حل کن در علوم پزشکی " فعالیت های بیشتری میکنیم.❤️🔥
❤2
جلسه اول با پنج پارت تموم شد و موارد زیر رو یاد دادیم. ۱-هوش مصنوعی ۲-ماشین یادگیری ۳-انواع روش های یادگیری ۴-شبکه عصبی ۵-مدل های زبانی بزرگ هفته بعد جلسه دوم رو شروع میکنیم
مدل زبانی بزرگ LLM چیه ؟ تا اینجا فهمیدی هوش مصنوعی چطور از داده یاد میگیره و دیپ لرنینگ چطور با لایههای عمیق، مسائل پیچیده رو حل میکنه. حالا میخوام یکی از جذابترین و پر سر و صداترین بچههای این خانواده رو معرفی کنم: مدل زبانی بزرگ یا همون LLM. مدل زبانی بزرگ، یه شبکه عصبی عمیقه که روی حجم عظیمی از متن آموزش دیده. کارش چیه؟ خیلی ساده: پیشبینی کلمه بعدی توی یه جمله. همین! ولی این کار به ظاهر ساده، قدرتهای ع…
📥 فایل تعاملی این پارت بعد از خوندن این پست، فایل HTML رو دانلود کن و با بازی شبیهسازی، یادگیریت رو تثبیت کن (آنلاین یا آفلاین فرقی نداره). @HoshMed 🔁 برای دوستات هم بفرست ♾️
📌 جلسه ۱، پارت ۵ : مدل زبانی بزرگ – مغزی که فقط متن میخواند و حرف میزند
🧠 محاسبات مایعدرمانی، دیگه حفظی نیست! همکارای عزیز ، دو تا ابزار کاربردی و جمعوجور براتون آماده کردیم که هم توی یادگیری کمکتون کنه، هم بالای سر بیمار. 📚 فلوئیدآموز (FluidAmoz) این یکی مربی جیبی شماست. با فلشکارتهای تعاملی و چالش ۳۰ روزه، محاسبات رو مرحلهبه مرحله میبره توی ناخودآگاهت. یه عالمه سناریوی بالینی هم داره که خودتو محک بزنی. 📱 فلوئیدکالک (FluidCalc) اینم ماشین حساب بالینی سریع و دقیق برای اورژانس، ال…
❤2
من وقتی به روزمرگی خودم به عنوان یه کارشناس بیهوشی تو یکی از بیمارستان های ایران فکر میکنم، میبینم چقدر حرفهای مارکس در مورد ازخود بیگانگی عجیب به این حرفه میچسبه. مارکس میگف کارگر اول از محصول کارش بیگانه میشه. محصول کار من چیه؟ یه بیهوشی ایمن و موفق . اما نکته تلخ ماجرا اینجاس که این محصول هرگز به اسم من ثبت نمیشه . من دستگاه رو چک میکنم داروها رو با وسواس آماده میکنم علائم حیاتی رو لحظه به لحظه زیر نظر دارم ام…
👌4
📌 جلسه ۱، پارت ۴: دیپ لرنینگ – شبکههای عصبی عمیق که دنیا رو تغییر دادن
❤3
Showing the 12 most recent of 20 posts we hold for @HoshMed. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Republishes
Channels on the register whose posts this channel has forwarded.
Built only from forwarded posts we have actually read, on both sides. Coverage is early and deliberately incomplete: a missing link means we have not read the post that would prove it, never that the relationship does not exist. Counts are distinct forwarded posts observed, so they only ever go up as we read more.
Named by 1 registered channel — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
Names
Channels on the register whose handles appear in this channel's posts.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 10 September 2026 — this entry's latest reading, not the date you are reading this.
“HoshMed | هوش مد آموزش هوش مصنوعی در علوم پزشکی” (@HoshMed), 46 subscribers as measured 10 September 2026. Telegram Register, tgregister.com/channel/HoshMed.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.