Application of neural networks in prediction of tensile strength of absorbable sutures

• Autorzy: Karpiński R. , Gajewski J. , Szabelski J. , Barta D.

Identyfikatory

DOI

10.23743/acs-2017-31

• Języki publikacji: EN

Abstrakty

EN

The paper presents results of research on neural network application in fore-casting the tensile strength of two types of sutures. The preliminary research was conducted in order to establish the accuracy of the proposed method and will be used for formulating further research areas. The neu-ral network enabled evaluation of suture material degradation after 3-to-6-days’ exposure to Ringer’s solution. The encountered problems regarding inaccuracies show that developing a single model for sutures may be difficult or impossible. Therefore future research should be conducted for a single type of sutures only and require applying additional parameters for the neural network.

Słowa kluczowe

EN

neural network application; forecasting; sutures tensile

PL

aplikacja sieci neuronowej; prognozowanie; rozciąganie szwów

• Wydawca: Polskie Towarzystwo Promocji Wiedzy ; Lublin University of Technology
• Czasopismo: Applied Computer Science
• Rocznik: 2017
• Tom: Vol. 13, no 4
• Strony: 76--86
• Opis fizyczny: Bibliogr. 14 poz., fig., tab.

Twórcy

autor

Karpiński R.

• Lublin University of Technology, Faculty of Mechanical Engineering, Department of Machine Design and Mechatronics, Nadbystrzycka 36, 20-618 Lublin, Poland

autor

Gajewski J.

• Lublin University of Technology, Faculty of Mechanical Engineering, Department of Machine Design and Mechatronics, Nadbystrzycka 36, 20-618 Lublin, Poland

autor

Szabelski J.

• Lublin University of Technology, Faculty of Mechanical Engineering, Institute of Technological Systems of InformationNadbystrzycka 36, 20-618 Lublin, Poland

autor

Barta D.

• University of Zilina, Faculty of Mechanical Engineering, Univerzitna 1, 01026 Zilina, Slovak Republic

Bibliografia

• 1. 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.
• 2. 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.
• 3. 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. doi:10.1016/j.compstruct.2016.10.007
• 4. Hasnaoui, H., Krea, M., & Roizard, D. (2017). Neural networks for the prediction of polymer permeability to gases. Journal of Membrane Science, 541, 541–549. doi:10.1016/ j.memsci.2017.07.031
• 5. 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.
• 6. 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.
• 7. 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. doi:10.12913/22998624/76084
• 8. 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.
• 9. 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 Engi-neering Chemistry, 57, 377–386. doi:10.1016/j.jiec.2017.08.046
• 10. Rabiej, M. (2012). Statystyka z programem Statistica. Gliwice: Helion.
• 11. Youshia, J., Ali, M. E., & Lamprecht, A. (2017). Artificial neural network based particle size prediction of polymeric nanoparticles. European Journal of Pharmaceutics and Bio-pharmaceutics, 119, 333–342. doi: 10.1016/j.ejpb.2017.06.030
• 12. Luo, Y. (2017). Recurrent neural networks for classifying relations in clinical notes. Journal of Biomedical Informatics, 72, 85–95.
• 13. Zapalski, S., & Chęciński, P. (1999). Szwy chirurgiczne: wybrane problemy. Bielsko-Biała: Alfa-Medica Press.
• 14. Zurek, M., Kajzer, A., Basiaga, M., & Jendruś, R. (2016). Właściwości wytrzymałościowe wybranych polimerowych nici chirurgicznych. Polimery, 61 (5), 334–338. doi:10.14314/ polimery.2016.334

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017)