Comparison of Unmanned Aerial Vehicle Technology Versus Standard Practice in Identification of Hazards at a Mass Casualty Incident Scenario by Primary Care Paramedic Students
Notice bibliographique
Résumé
IntroductionThe proliferation of unmanned aerial vehicles (UAV) has the potential to change the situational awareness of incident commanders allowing greater scene safety. The aim of this study was to compare UAV technology to standard practice (SP) in hazard identification during a simulated multi-vehicle motor collision (MVC) in terms of time to identification, accuracy and the order of hazard identification. METHODS: A prospective observational cohort study was conducted with 21 students randomized into UAV or SP group, based on a MVC with 7 hazards. The UAV group remained at the UAV ground station while the SP group approached the scene. After identifying hazards the time and order was recorded. RESULTS: The mean time (SD, range) to identify the hazards were 3 minutes 41 seconds (1 minute 37 seconds, 1 minute 48 seconds-6 minutes 51 seconds) and 2 minutes 43 seconds (55 seconds, 1 minute 43 seconds-4 minutes 38 seconds) in UAV and SP groups corresponding to a mean difference of 58 seconds (P=0.11). A non-parametric permutation test showed a significant (P=0.04) difference in identification order. CONCLUSION: Both groups had 100% accuracy in hazard identification with no statistical difference in time for hazard identification. A difference was found in the identification order of hazards. (Disaster Med Public Health Preparedness. 2018;12:631-634).
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».