Probability of Decompression Sickness in No-Stop Air Diving
Notice bibliographique
Résumé
We produce statistics-based (probabilistic) and intuition-based (deterministic) models using dive-outcome data from the U.S. Navy Decompression Database to gain an understanding of the no-stop diving instructions used by the U.S. Navy and various other navies. The models allow estimation of probability of decompression sickness (DCS) for various bottom times for air no-stop diving. Our calibration data set contains 2.037 experimental no-stop dives with 104 cases of decompression sickness (DCS) and covers a large range of depths and bottom times; unfortunately the data are not well distributed with regard to depth, bottom time, and DCS incidence. Our probabilistic model shows good agreement between predictions and observations. We augment the same calibration data set with a few dives that have short decompression stops to produce the deterministic model. According to our models, probability of decompression sickness (Pdcs) is 2% or less for current U.S. Navy schedules for most no-stop air dives and near 1% for no-stop schedules of the navies of Great Britain, Canada, and France. Our probabilistic model serves well to provide Pdcs estimates and time limits that are similar to those in current use by navies for most of the range of standard air diving and for subsaturation diving, but it fails for short, deep dives in two ways: it fails to avoid observed DCS cases in our calibration data set. and it indicates that bottom time can be longer than bottom times in current use by the navies we examined. For short, deep dives, we recommend depth/bottom-time combinations yielded by our deterministic model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».