Wykaz publikacji wybranego autora

Urszula Smyczyńska, mgr inż.

doktorant

Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
WEAIiIB-kaib, * Katedra Automatyki i Inżynierii Biomedycznej


Identyfikatory Autora

ORCID: brak

ResearcherID: brak

Scopus: brak



Statystyka obejmuje publikacje afiliowane AGH od 2008 roku włącznie

typ publikacji
rocznikl. publ.książkifragm.referatyartykułypatentymapyred. czas.inne
ogółem19316
201811
2017413
201633
20151129
język publikacji
rocznikrazempolskojęzyczneanglojęzycznepozostałe języki
ogółem192125
201811
2017413
201633
201511272
kraj wydania
rocznikrazempubl. krajowepubl. zagraniczne
ogółem19127
201811
201744
2016312
20151174
Lista Filadelfijska
rocznikrazempubl. z LFpubl. pozostałe
ogółem19613
201811
201744
2016321
20151138
punktacja MNiSW
rocznikrazempubl. z pkt. MNiSWpubl. pozostałe
ogółem19613
201811
201744
2016312
20151147
publikacje recenzowane
rocznikrazempubl. recenzowanepubl. nierecenzowane
ogółem19127
201811
201744
201633
20151183



1
  • Application of Kohonen and MLP networks for prediction of 1\textsuperscript{st}-year response to growth hormone treatment in children
2
  • Application of neural networks for final height prediction based on pre-treatment data in children with GH deficiency treated with GH
3
  • Artificial neural networks – a novel tool in modelling the effectiveness of growth hormone (GH) therapy in children with GH deficiency
4
  • Influence of neural network structure and data-set size on its performance in the prediction of height of growth hormone-treated patients
5
  • Influence of neural network structure on its performance in solving chosen medical problem
6
  • Influence of neural network structure on its performance in solving chosen medical problem
7
  • Kalkulator wskaźników auksologicznych i kreator wykresów wzrastania – aplikacja wspomagająca analizę i wizualizację danych
8
  • Konsekwencje wprowadzenia ponownie standaryzowanego testu do oznaczania stężenia IGF-I dla systemów IMMULITE – analiza danych referencyjnych i własnego materiału
9
  • Linear regression model of final height prediction based on pre-treatment data in children with GH deficiency treated with GH
10
  • Modele wielorakiej regresji liniowej i sieci MLP w prognozowaniu skuteczności leczenia promującego wzrastanie u dzieci z niedoborem hormonu wzrostu – porównanie
11
  • Możliwości wykorzystania sztucznych sieci neuronowych w modelowaniu zaburzeń endokrynologicznych i procesów wzrostowych
12
  • Neural modelling of growth hormone therapy for the prediction of therapy results
13
  • Neural network models – a novel tool for predicting the efficacy of growth hormone (GH) therapy in children with short stature
14
  • Prediction of first year response to growth hormone treatment in neural network models
15
  • Pre-treatment growth and IGF-I deficiency as main predictors of response to growth hormone therapy in neural models
16
  • Prognozowanie skuteczności leczenia hormonem wzrostu u dzieci – porównanie modelu regresji liniowej wielokrotnej i sztucznych sieci neuronowych
17
  • Prognozowanie skuteczności terapii hormonem wzrostu z wykorzystaniem sieci neuronowych
18
  • Prognozowanie skuteczności terapii hormonem wzrostu z wykorzystaniem sieci neuronowych
19
  • Significance of IGF-I generation test in diagnosing primary and non-primary IGF-I deficiency – clinical considerations