APPLICATION OF NEURAL NETWORKS IN PREDICTION OF TENSILE STRENGTH OF ABSORBABLE SUTURES

Bollom, T., & Meister, K. (2013). Surgical principles: biodegradable materials in sports Medicine. In J. C. DeLee, D. J. Drez, & M. D. Miller (Eds.), DeLee & Drez's Orthopaedic Sports Medicine: Principles and Practice. 2nd edition. Philadelphia, PA: Saunders.
  Google Scholar

Casey, D. J., & Lewis, O.G. (1986). Absorbable and nonabsorbable sutures. In A.F. von Recum (Ed.), Handbook of biomaterials. Scientific and clinical testing of implant materials. New York: Macmillan.
  Google Scholar

Gajewski, J., Golewski, P., & Sadowski, T. (2017). Geometry optimization of a thin-walled element for an air structure using hybrid system integrating artificial neural network and finite element method. Composite Structures, 159, pp. 589–599. https://doi.org/10.1016/j.compstruct.2016.10.007
DOI: https://doi.org/10.1016/j.compstruct.2016.10.007   Google Scholar

Hasnaoui, H., Krea, M., & Roizard, D. (2017). Neural networks for the prediction of polymer permeability to gases. Journal of Membrane Science, 541, 541–549. https://doi.org/10.1016/j.memsci.2017.07.031
DOI: https://doi.org/10.1016/j.memsci.2017.07.031   Google Scholar

Karpiński, R., Górniak, B., Szabelski, J., & Szala, M. (2016b). Charakterystyka i podział materiałów szewnych, In B. Zdunek, & M. Szklarczyk (Eds.), Wybrane zagadnienia z biologii molekularnej oraz inżynierii materiałowej (pp. 127–139). Lublin: Wydawnictwo Naukowe TYGIEL Sp. z. o. o.
  Google Scholar

Karpiński, R., Górniak, B., Szabelski, J., & Szala, M. (2016a). Historia chirurgii i materiałów szewnych, In B. Zdunek, & M. Szklarczyk (Eds.), Wybrane zagadnienia z biologii molekularnej oraz inżynierii materiałowej (pp. 140–150). Lublin: Wydawnictwo Naukowe TYGIEL Sp. z. o. o.
  Google Scholar

Karpiński, R., Szabelski, J., & Maksymiuk, J. (2017). Effect of Ringer's Solution on Tensile Strength of Non-Absorbable, Medium- and Long-Term Absorbable Sutures. Advances in Science and Technology Research Journal, 11(4), 11-20. https://doi.org/10.12913/22998624/76084
DOI: https://doi.org/10.12913/22998624/76084   Google Scholar

Krysicki, W., Bartos, J., Dyczka, W., Królikowska, K., & Wasilewski, M. (1999). Rachunek prawdopodobieństwa i statystyka matematyczna w zadaniach. część II. Statystyka matematyczna. Wydanie Szóste. Warszawa: Wydawnictwo Naukowe PWN.
  Google Scholar

Lv, H., & Zheng, Y. (2017). A newly developed tridimensional neural network for prediction of the phase equilibria of six aqueous two-phase systems. Journal of Industrial and Engineering Chemistry, 57, 377–386. https://doi.org/10.1016/j.jiec.2017.08.046
DOI: https://doi.org/10.1016/j.jiec.2017.08.046   Google Scholar

Rabiej, M. (2012). Statystyka z programem Statistica. Gliwice: Helion.
  Google Scholar

Youshia, J., Ali, M. E., & Lamprecht, A. (2017). Artificial neural network based particle size prediction of polymeric nanoparticles. European Journal of Pharmaceutics and Biopharmaceutics, 119, 333–342. https://doi.org/10.1016/j.ejpb.2017.06.030
DOI: https://doi.org/10.1016/j.ejpb.2017.06.030   Google Scholar

Luo, Y. (2017). Recurrent neural networks for classifying relations in clinical notes. Journal of Biomedical Informatics, 72, 85–95.
DOI: https://doi.org/10.1016/j.jbi.2017.07.006   Google Scholar

Zapalski, S., & Chęciński, P. (1999). Szwy chirurgiczne: wybrane problemy. Bielsko-Biała: AlfaMedica Press.
  Google Scholar

Zurek, M., Kajzer, A., Basiaga, M., & Jendruś, R. (2016). Właściwości wytrzymałościowe wybranych polimerowych nici chirurgicznych. Polimery, 61 (5), 334–338. https://doi.org/10.14314/polimery.2016.334
DOI: https://doi.org/10.14314/polimery.2016.334   Google Scholar