医学信息学解锁20（2020）100371：四项减压病模型的症状严重度比较

医学信息学解锁20（2020）100371四项减压病模型采用严重，轻度，边缘，和非事件结局艾米·E 作者：A. 嚎叫a，b，c，d，*a美国北卡罗来纳州达勒姆市杜克大学研究大道哈德逊大厅机械工程与材料科学系b美国北卡罗来纳州达勒姆杜克大学医学中心放射科，3808号信箱DUMCc美国北卡罗来纳州博福特杜克大学海洋实验室海洋科学和保护司dBelleQuant Engineering，PLLC，7813 Dairy Ridge Road，Mebane，NC，USAA R T I C L EI N FO关键词：减压病减压病概率严重性建模A B S T R A C T减压病（DCS）是一种由环境压力降低引起的疾病，导致组织中出现惰性气泡。这项工作的重点是高压暴露，特别是DCS造成的水下潜水。DCS的体征和症状可以从轻微的皮疹和关节疼痛到严重的神经和心脏功能障碍，甚至死亡。边缘DCS定义为与DCS相关的症状，无需再加压治疗即可自行消退。有两类减压建模用于缓解DCS风险：确定性和概率性;两者均未解决DCS症状严重度。症状的严重性对美国海军的潜水计划很重要，因为海军对一次潜水中轻度症状DCS和更严重症状DCS的允许数量有不同的限制。在这项工作中，一个概率模型预测严重的，轻度的，边际的，没有DCS的四项结果的开发，分析，并与我们以前的作品三冠王和三冠王边际模型进行了比较。指数-指数（EE 1）和线性-指数（LE 1）模型的SIX变体用BIG 292经验人类潜水试验数据集中详细描述的3322个空气和N2两种方法的症状严重程度分裂进行了比较。对数似然差异检验表明，使用先前公开的A/B型分裂的LE 1模型提供了对本工作中测试的所有四项模型的经验潜水数据的最佳拟合。当使用Pearson卡方统计量将该四项模型与我们之前的三项和三项边际模型进行比较时，我们发现四项和三项边际模型在我们以前的工作中的三项式边缘模型和这里提出的四项模型都无法准确地复制在BIG292数据集中观察到的边缘DCS事件的发生。这些边际DCS事件可能会在校准期间阻碍模型拟合。我们建议使用我们以前工作中的三项式模型，该模型同时预测轻度、严重和无DCS的概率1. 介绍减压病（DCS）是一种由环境压力降低引起的疾病。这可能发生在高压暴露期间，例如从深海潜水上升，以及低压暴露期间，例如上升到海拔高度。当环境压力降低时，在先前升高的压力下吸入、循环并溶解到身体血液和组织中的惰性气体可以离开溶液，形成气泡并引起DCS。DCS的体征和症状可以从轻微的皮疹和关节疼痛到严重的神经和心脏病死亡，甚至死亡[1]。边缘DCS定义为与DCS相关的典型症状，这些症状为轻度，无需再加压治疗即可自行消退，例如一个关节疼痛持续时间小于60分钟或两个关节疼痛持续时间小于30分钟[2，3]。在这项工作中，集中在高压暴露，DCS是美国海军潜水员规划者特别关注的问题，因为症状的出现可能导致水下任务的过早终止。第一个已知的减压模型，以减轻DCS的风险是由Boycott等人创建的。[4]在二十世纪初，被称为Halcott模型。Haldock模型生成的减压时间表* 通讯作者。杜克大学机械工程与材料科学系，哈德逊大厅，研究驱动器，达勒姆，NC，美国。电子邮件地址：laurens. duke.edu（L.E.Howle）。https://doi.org/10.1016/j.imu.2020.100371接收日期：2020年4月17日;接收日期：2020年6月8日;接受日期：2020年在线预订2020年2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuA.E.国王和L.E. 豪尔医学信息学解锁20（2020）1003712使用分段减压来控制上升过程中惰性气体从身体中冲洗出来的速度。该模型是确定性的，这意味着它预测如果违反了建议的“安全”上升标准，DCS绝对会发生，如果遵循这些标准，DCS就不会发生。虽然这种早期模式确实降低了DCS的患病率，但一些遵守规定的“安全”减压计划的潜水员Weath- ersby等人[5]和Berghage等人[6]引入了概率减压模型，以模拟执行与经验潜水数据[2，3]中所见相同潜水剖面的潜水员所经历的DCS发作和严重程度的变化。概率减压算法使用气体含量或气泡模型和生存分析来生成每个潜水剖面的DCS概率[7]。与确定性建模相比，概率建模的一个显著优点是模型参数可以用经验潜水数据进行校准。目前用于预测DCS发生概率的概率模型未提供任何有关症状严重程度的信息。DCS严重性预测将是有利的，因为它们将允许对军事潜水作业进行安全分析。DCS发生的概率和症状的严重程度都是美国海军在计划水下任务时高度关注的问题。在计划潜水时，美国海军曾表示，I型（轻度）DCS的风险为2.0%，II型（严重）DCS的风险为0.1%是可以接受的[8]。此外，美国海军潜水医疗官员表示对边缘DCS的关注程度较低[9]。DCS症状发作可能导致美国海军潜水任务提前终止。增加建议的多状态概率减压模型，预测DCS的发生和严重程度的潜水计划，将允许潜水主管定制水下任务的潜水员可接受的风险水平。Howle等人[10]引入了一种多项概率分解模型，该模型同时预测了给定潜水剖面的三种结局的概率：轻度DCS、严重DCS和无DCS。Howle根据用于模型校准的数据集中公布的症状历史[2，3]，将DCS病例分为轻度和严重两类，一种是根据当前美国海军严重程度定义[11]，另一种是新方法[10，12]。根据先前对概率模型校准中边际事件有效性的研究，Howle将该三项式模型与二项式模型（预测完全DCS和无DCS结局）进行了比较，得出的结论是，三项式模型在拟合经验潜水数据的能力方面比二项式模型有统计学显著改善。在一个同伴的工作中，我们修改了豪勒分析全DCS、边际DCS和无DCS的多状态结果[15]。历史上，边际DCS事件已被包括在概率减压模型中，作为模型校准期间的分数加权。最初，边缘事件的权重为0.5，表明在模型拟合期间，它们的重要性为完整DCS事件的一半。后来，当美国海军医务官表示对边缘DCS的关注程度较低时，该权重降低至0.1，以确保边缘DCS病例不会导致模型校准期间与特定潜水相关的撤销风险[9]。对概率模型拟合中分数加权边际事件影响的进一步研究表明，分数加权边际DCS事件可能会阻碍模型为了解决这一问题，我们开发了上述三项边际模型，该模型将边际DCS视为独立于完整DCS的完全加权分层结果。这个模型不能直接与Howle的三项式模型进行比较在目前的工作中，我们继续调查的多项概率建模优化四项模型与轻度DCS，严重DCS，边际DCS，没有DCS的结果。2. 方法2.1. 校准数据本研究中提供的模型使用BIG292标准DCS数据集进行校准，该数据集是两份海军医学研究所（NMRI）报告中提供的数据的子集[2，3]。BIG292数据包含了美国、英国和加拿大军队自1944年以来进行的3322次空气和氮氧潜水 到1997年。该数据集包括潜水概况、潜水条件（湿或干）、吸入气体以及每次暴露的DCS结果和症状历史。BIG292数据集共包含190例DCS病例和110例边缘DCS病例，这些病例来自单次空气、单次非空气、重复和多级空气、重复和多级非空气以及饱和潜水类型。边缘DCS定义为与DCS相关的体征或症状，持续时间较短，无需再加压治疗即可自行消退[2，3]。本研究中使用的潜水数据是去识别的，并以两份美国政府报告的形式向公众提供，本研究不需要IRB批准。如果 DCS发生时， 起始时间窗 DCS的 症状 可以以时间T1和T2为特征，其中T1是潜水员最后一次无症状的已知时间，T2是潜水员首次明确出现DCS症状的已知时间[16]。在BIG292数据集中，所有190例完全DCS病例和110例边缘DCS病例中的68例报告了症状发作时间T1和T2。这些症状发作时间可用于概率DCS建模，以改善模型拟合[17]。在我们以前的工作中，我们发现T1和T2提供的发作时间窗与DCS症状严重程度无关，实际上可能受到每个潜水试验的医学监测方案的影响[18]。2.2. DCS事件严重度DCS病例分为I型（也称为轻度或仅疼痛）或II型（也称为严重或神经性）[8，11]。Howle等人提出了一种对DCS病例进行分类的新方法，其中，我们校准数据集中的190个完整DCS病例按感知严重性指数（PSI）进行分类[10，12]。这些描述DCS症状的指数（按最轻至最重的顺序）为：全身/非特异性（头晕、疲乏、恶心）、淋巴/皮肤（瘙痒、皮疹、大理石纹）、疼痛（疼痛、关节痛、痉挛）、轻度神经系统（感觉异常、麻木、刺痛）、心肺（咯血、呼吸困难、咳嗽）和严重神经系统（膀胱功能障碍、协调、精神状态）。潜水 两份NMRI报告中公布的数据 [2，3]包括症状描述的每一个情况下，充分和边缘DCS，所以豪勒 等将每例病例的严重程度指数定为1如果病例表现出对应于一个以上严重程度类别的症状，则选择存在的最严重指数。I型DCS的传统分类对应于体质、皮肤和疼痛表现，而轻度神经系统、心脏病和严重神经系统病例被认为是II型DCS [11]。Howle等人。[10]提出了A/B型分裂，其中DCS包括全身性、皮肤、疼痛和轻度神经系统症状，而B型DCS对应于心肺和严重神经系统症状。表1总结了BIG292数据集中与各PSI对应并按I/II型和A/B型划分分类的DCS发生次数。2.3. DCS模型概率DCS模型使用气体含量或气泡体积模型的生存分析来量化给定潜水剖面的DCS发生风险[7]。我们的四项概率模型扩展了Thalmann [19]描述的指数-指数（EE）和线性-指数（LE）气体含量模型，该模型由三个搅拌，A.E.国王和L.E. 豪尔医学信息学解锁20（2020）1003713SnM0MSS这些模型的详细推导可参见参考文献[21]。一表1根据感知严重度指数（PSI）和相应的I/II型和A/B型划分对BIG 292 DCS事件进行分类。感知严重度指数I/II型A/B型四项模型，其中同时计算严重、轻度、临界和无DCS的概率。竞争概率，意思是每个事件的概率独立于任何其他事件的发生，来自方程。（1）使用拟合的比例因子a和b，6体质/非特异性IA型区分DCS严重度：5淋巴/皮肤4疼痛152 DCS事件170 DCS事件Pc1-e-a！g！R3例轻度神经系统II型2心脏病38例DCS事件Pc1-e-！g！R（四）1例严重神经系统20例DCS事件Pc1-e-b！g！回 复：由方程式（4），Pc，Pc，Pc分别为严重，轻度，平行灌注的气体隔室。这项工作中的模型是SMn添加到我们以前开发的DCS建模和优化系统，在以前的工作中描述[20，21]。测试了12种概率减压模型变体，以确定哪些模型参数在统计学上适用于四项模型。基础模型是EE1模型，包括 三个充分混合的平行灌注隔室。每个隔室表现出指数气体动力学，并具有独特的半衰期。最慢的隔间具有压力阈值参数，允许在风险累积之前更大的气体过饱和。我们还测试了该EE 1模型的另外两种变体-一种没有任何阈值参数（EE 1 nt），另一种在所有三个隔室中都有阈值参数（EE 1 full）。接下来，我们测试了LE1模型，该模型通过允许在指数和在中间隔室中优化的交叉压力下的线性气体动力学[9，19]。LE1模型的两个变体是一个和边缘DCS。2.5. 竞争概率和等级概率观察到的DCS病例按层次分类。例如，如果存在轻度和/或边缘DCS症状，则严重DCS的诊断将优先于轻度和边缘DCS，并且轻度DCS优先于边缘DCS。公式中计算的DCS概率（4）是竞争性定义的，因此必须转换为分层概率，以准确反映我们潜水数据中的诊断这些用上标h标记的分层概率可以从竞争概率计算，作为事件的独立概率和更严重事件不发生的概率的联合概率Ph<$Pc无任何阈值参数（LE1nt），以及同时具有两个阈值P h¼ P c. 1-PC-1nnSM（五）和所有三个隔室中的交叉压力参数（LE1满）。Ph¼Pc.1-Pc.1-PC-10SMn每个模型变量中的自由参数汇总见Ph1-Ph-Ph-Ph表3.这三个EE 1和三个LE 1型号分别采用I型/II型分离和A型/B型分离进行测试，共计12个型号变体。2.4. 四项模型DCS发生的二项式概率，如Weath-当量（5）列出了严重、轻度、轻微和无DCS发生的分级概率，这些概率是根据全概率定律，所有事件的概率之和等于1为了与[10，15]比较，我们可以重写等式。（5）在Howle的紧凑符号中e-！g！汽车（6）和Ersby等人[5]，-我知道g！R啊-啊！g！R公司简介（七）PDCS¼1-e（一）e-b！g！R&B：DCS不发生的概率由全概率定律定义为：-我知道g！R等式（6）和（7）可以被代入定义的等式中的分层概率中。（五）：Ph¼1-βaP0<$1-PDCS<$e：（2）Sa a1在方程式中，（1）和（2），！g是每个隔室增益的矢量，并且！R是Ph-Pha1-a b 1（八）一 向量 含有 每个 隔室的 风险 信息. 风险n一 B1函数来自生存分析，并量化了每个隔室中的气体动力学;详细推导可参见参考文献。[21、22]。已经表明，将DCS症状发作时间信息包括在等式中。（1）可以提高模型这个联合概率可以写为��图1中绘制了严重、轻度和边缘DCS的分层概率，其中单个隔室的风险函数递增。随着风险函数的增大，发生严重DCS的概率逐渐增大，而发生轻度和临界DCS的概率先增大后减小。该图说明了较严重的DCS掩盖了较不严重的DCS事件，即被诊断患有严重DCS的潜水员也可能经历了轻度DCS症状。我们假设风险函数增加，潜水员更有可能发展！ZT1！ 0分！ZT2！ 1P-B型MMSA.E.国王和L.E. 豪尔医学信息学解锁20（2020）1003714严重的DCS症状，因此更有可能被诊断为严重的gDCS<$P0; 0→T1PDCS;T 1→T 2<$e0rdt-g@1-eT1rdtCA;（3）DCS和不太可能被诊断为轻度或边缘DCS。2.6. 多项式似然函数其中P0;0→T1是无DCS存活直到时间T1的概率（等式2）。T1→T2是在时间T1和T2之间发生DCS的概率（等式（2））① ①）。这些方程可以推广到所提出的概率DCS模型的优势在于它们能够用经验潜水数据进行校准。确定最佳模型BA.E.国王和L.E. 豪尔医学信息学解锁20（2020）1003715X轴X�P于我�普雷德河4s;im;i43s;im;in;im;is;in;iFig. 1. 分层模型中风险函数递增的严重、轻度和边缘DCS事件的概率。轻度DCS被严重DCS以及轻度和严重DCS对边缘DCS的掩蔽，通过轻度和边缘DCS事件的概率随着危险函数的增加而降低来说明。使用任意比例因子a 1/40： 25和b 1/40：75生成该图。参数，Weathersby等人。[5]使用似然函数的最大化。其他优化方法，如贝叶斯优化，也被用于估计概率DCS模型参数[23]。虽然贝叶斯优化可以提供更清晰的估计参数的不确定性的图片对于预测完全DCS和无DCS概率的二项式模型，对数似然函数为NLL2¼ln1-PD;i1-δPD;iδ（9）1/1式中，P-D;i是N次潜水中第i次潜水发生DCS的概率，用公式计算。（1）或（3）。指数δ表示观察到的第i次潜水的结果，如果发生DCS，则为δ¼1，如果发生DCS，则为δ¼0这个缩小的对数似然比较四项模型在这项工作中与三项式边际模型在我们的同伴工作[15]。2.7. DCS模型优化与统计方法四项模型的最佳参数是通过最大化方程中的四项对数似然函数来（十）、在参考文献[21]中可以找到本文使用的最大化技术的详细描述Eq. 公式（10）在计算上是昂贵的，因为一些模型参数几乎是共线的。为了减少优化参数的数量，Howle之前推导出了给定参数集的其余部分的最佳房室增益值的分析解[20]，其可以扩展到这些多项模型[10]。所有12个模型变量都是从1024个随机初始猜测中优化的，并且为每个模型选择产生最大对数似然的参数集。由于这些模型变量的可调参数数量不同，因此无法直接比较它们的对数似然，因此使用对数似然差异检验，在参考文献[7]中定义为ΔLLij¼×2¼-2。LLi-LLj;（ 13）其中LLi和LLj是被比较的模型的对数似然。每个模型对的对数似然差比较值ΔLLij可以与卡方分布值进行比较，显著 （p0： 05）< 或 高度 显著 （p0： 01）改善<基于从一个模型到另一个模型的附加自由度的数量。根据参考文献计算优化参数的95%置信区间。[7]的文件。该方法以协方差矩阵X作为近似Hessian矩阵的负逆，以协方差矩阵X的对角分量作为参数估计的标准差。使用SigmaPlot v14 [24Pearson残差组统计用于比较每个多项式模型预测DCS每种严重程度的成功率。该统计量根据参考文献计算[22]，即不发生此函数经过优化，以最大限度地提高模型数据公关部obsj-predj2002（十四）对于我们的四项模型，当量（5）可以用多项式对数似然函数来计算j-Nj模型与校准数据集的拟合：N其中下标j表示组，obsj是组中观察到的事件数，predj是模型预测的事件数，LL¼Xlnh�1-Ph-Ph-Ph1-v-μ-σ�Phσ�Ph （10）是该组中的曝光总数，Nj是组j中的曝光总数。的总和所有j组的皮尔逊残差等于卡方统计量，其中，指数i对每次潜水暴露进行计数，潜水结果表示为σ<$1;μ<$ν<$0，用于 严重DCSχ2：χ2¼JPRj（15）第1页μ1;σνικ 0 为 轻度DCSV/1;σ/μ/ 0， 边际DCS0，用于 无DCS：（十一）在该统计分析中，零假设是模型预测的DCS发生率等于观察到的DCS发生率在BIG292数据集中。高χ2值（和相应的低p值）该模型进行了优化，严重，轻度和边际DCS作为单独的，分层的事件区分的缩放因子。我们可以在等式中折叠四项对数似然函数。（10）通过结合严重和轻度DCS的概率，将完全DCS表示为N表明模型3. 结果在 的 小节 在下文中， 所有 12 优化 模型 变体LL¼Xlnh�1-Ph-Ph1/1-Ph1-ν-μ-σ�Ph（12）比较并使用对数似然选择最佳性能模型，hood差异检验 最佳模型由方程式LL43是从分层概率计算的收缩四项到三项式对数似然函数我们将使用的累积密度函数进行检查，以及预测病例和DCS的预测与观察概率。然后将四项模型与三项模型和三项边际模型进行了比较1/1n;is;im;in;iA.E.国王和L.E. 豪尔医学信息学解锁20（2020）1003716严重轻度精氨酸¼¼-我们以前工作的模型。3.1. 四项模型比较对于12个模型变量中的每一个，选择产生最佳对数似然的参数集进行比较。的对数概率各分裂型（I/II和A/B）模型对可以直接比较我们使用了10个箱子，每个箱子有17个轻度DCS结果，5个箱子有4个严重DCS结果，5个箱子有22个边缘DCS结果。DCS的预测概率计算为模型对DCS严重程度的每次潜水暴露预测的总和除以箱中暴露的总数。观察到的DCS概率计算为箱中观察到的DCS结果数除以箱中潜水暴露总数线性适合严肃，对于所有的SIX对，A/B模型的表现优于相应的模型，绘制轻度和边缘DCS数据点（r2¼0： 14，r2 ¼响应I/II模型（表2）。最佳参数集为这些六X0： 65和r2 1/40： 80），以及95%置信度和95%A/B分离模型（EE 1、EE 1 nt、EE 1 Full、LE 1、LE 1 nt和LE 1Full）以及LE 1模型的95%置信区间见表3采用对数似然差异检验对自由度不同的six所有A/B分离模型的对数似然差异检验值（ΔLLij）见表4，1至SIX额外自由度的卡方分布值见表5。在表4中，括号中列出了每个模型的可调参数数量。每个模型对之间的对数似然差值列在相应的行列交叉点中。向下读取一列会将该列的模型与具有较少自由度的模型进行比较一个大胆的价值观-表明柱模型提供了显著改善（p 0.05）<粗体加下划线的值表示列模型提供了比行模型高度显著的<我们可以看到，使用一个压力阈值参数是合理的，因为EE1和LE1提供了非常显著的改善 超过 EE1nt和 LE1nt分别。 交叉压力参数使LE1模型的性能明显优于EE1模型。然而，EE1 Full和LE1Full型号分别比EE1和LE1型号有显著改进，因此，向所有隔室添加阈值和交叉压力参数是不合理的。我们可以得出结论，LE1模型为我们的数据提供了最佳拟合，因为LE1模型比EE1、EE1nt和LE1nt模型提供了非常显著的改进。具有比LE 1更多可调参数的型号（EE 1 Full和LE 1 Full）没有提供任何改进。因此，下面的讨论都是关于具有A/B型分裂的LE 1模型的对于边缘（黑色菱形，右上）、轻度（灰色圆圈，左上）、严重（白色三角形，底部）DCS，数据集中DCS的观察概率和LE1四项模型的该图是通过首先根据没有DCS的概率对模型的每次潜水暴露预测进行排序而生成的。然后将这些每次潜水的预测与观察到的严重、轻度或边缘DCS病例的数量相等。对于这个情节，表2从1024个随机初始猜测中优化的12个模型中的每一个的最大对数似然。使用I/II型和A/B型DCS严重度划分对每种6个型号（EE 1、EE 1 nt、EE 1 Full、LE1、LE 1 nt和LE 1 Full）进行了测试。对于这些six模型中的每一个，可以直接比较I/II型和A/B型分裂的对数似然，以确定哪种分裂方法产生最佳模型性能。型号#DOF LL严重度拆分类型优胜者EE1 NTI/II 8-1612.30041 EE1 NT A/B EE1 NTA/B 8-1581.05407EE1I/II 9-1589.44908 EE1 A/BEE1A/B 9-1560.50726预测带还绘制了同一性线（黑线）。如果模型的预测与数据集完全一致，则该图中的所有点都将落在同一线上。与我们的同伴工作[15]中的三项式模型一样，边缘DCS数据点比严重和轻度DCS的数据点更少分散。轻度DCS模型预测与数据集最接近，因为轻度DCS线性拟合线比严重或边缘DCS更接近同一性线3.2. 数据预测四项LE1模型潜水数据按潜水类型划分，包括单次空气潜水、单次非空气潜水、重复多级空气潜水、重复多级非空气潜水和饱和潜水。列出了模型对严重、轻度、临界和任何DCS的总预测的95%置信区间。 这些预测在95%的置信度内确实与观察到的病例数相匹配。从表6中，我们可以看出，该模型低估了单一空气潜水的轻度、严重和边缘DCS发生率。当考虑饱和潜水时，数据中边缘DCS事件分布的不平衡是明显的。数据集中超过一半的边缘DCS事件（55%）发生在饱和潜水中，尽管整个数据集仅由3%的边缘事件和14%的饱和潜水组成。在表6中，我们可以看到，四项模型在观察到的边缘DCS病例中没有重现这种偏斜，因为该模型预测只有33%的边缘病例发生在饱和潜水中。3.3. 四项模型与三项边际模型在参考文献[15]中可以找到用于三项边际LE1模型的模型参数以及模型性能分析。 我们可以计算出四项模型使用Eq. （12）.对于优化的四项LE1模型参数集LL431485： 4，其几乎与参考文献[15]中发现的最佳三项边际LE1对数似然相同。这表明，当使用BIG292数据集时，四项模型的性能与三项边际模型这很可能因为这两个模型优化到几乎相同的参数集。图3中绘制了三项边际模型和四项模型之间的预测潜水暴露概率的变化。在图3中，对于所有完全观察到的DCS情况（灰色圆圈）绘制了完全DCS的三项边际和四项模型的预测概率，对于观察到的边际DCS情况（白色菱形）绘制了边际DCS的预测概率，并且对于观察到的无DCS情况（灰色正方形）绘制了无DCS的预测概率。所有这些数据点都接近同一性线，表明这些模型对数据集做出了几乎相同的预测。与完整DCS数据点的线性拟合斜率为：0.9978（r2>0： 9999），边缘DCS数据点为1.000（r22LE1 NTI/II 9-1609.74076 LE1 NT A/B1：000），无DCS数据点为0.9985（r >0： 9999）。这些斜坡LE1 NTA/B 9-1578.65117LE1I/II 10-1583.42341 LE1 A/B粤ICP备15044557号-1EE 1全I/II 11-1588.09186 EE 1全A/B EE 1全A/B 11-1559.70088LE 1全I/II 14-1586.30942 LE 1全A/BLE 1全A/B 14-1562.72073估计两个模型之间的概率偏移，即Ptet;全P trim;full和P tet;marg？P trim;marg。四项和三项边际对于每个DCS情况，模型A.E.国王和L.E. 豪尔医学信息学解锁20（2020）1003717¼¼表3所有EE1和LE1型号变体的最佳型号参数上表中的所有型号变体均使用A/B型分离。LE1模型参数的置信区间为95%，与BIG292数据集拟合最佳EE1nt EE1 LE1nt LE1 EE1 Full LE1 Full1/k1（min）2.295 4.957 3.001 3.496�0.1510 7.802 1.5851/k2（min）245.9 267.6 211.5 63.83�22.86 496.6 578.21/k3（min）619.6 619.2 607.8 548.1�42.89 149.4 151.0g1 （ min-1 ） 1.212E-03 3.767E-04 7.665E-04 7.138E-04� 4.337E-04 3.743E-041.00@85E-03 g2 （ min-1 ） 4.222E-04 4.719E-04 3.458E-04 9.036E-05� 2.603E-05 1.110E-0350.991E-04 g3（min-1）2.032E-04 1.363E-03 2.369E-041.049E-03� 2.129E-04 1.226E-043.363E-04.461E-04PXO1（fsw）∞ 2.429PXO2（fsw）∞ ∞ 0.2897 0.07471� 0.01127 ∞ 4.821PXO3（fsw）∞ 2.708Thr1（fsw）0 0 0 0 0.07158 0.1220Thr2（fsw）0 0 0 0 0.1127 0.08404电话：0531 - 8888888传真：0531- 88888880.1134 0.1087 0.1124 0.1127�0.01552 0.1235 0.12500.6756 0.6489 0.6869 0.6981�0.01142 0.7173 0.6000P（N）106.83 100.99 107.1 105.83�12.57 102.46 93.11P（M）167.41 167.88 165.31 163.2�20.78 153.45 165.27粤ICP备15038888号-1电话：+86-1581.05-1560.51-1578.65-1549.53-1559.70-1562.72表4使用A/B型分割的所有模型的对数似然差异比较。括号中列出了每个模型的可调参数数量。任何两个six模型之间的对数似然差值位于对 应 的 行 列 交 叉 点 。 粗 体 值 表 示 列 模 型 相 对 于 行 模 型 提 供 了 显 著 改 善（p<0.05），粗体和下划线值表示列模型相对于行模型提供了高度显著改善（p <0.01）。四项模型预测的这些暴露发生DCS的概率高于三项模型，低于同一性线的无DCS点表明，与三项模型相比，四项模型预测的这些暴露发生DCS的概率较低。对轻度DCS数据点的线性拟合的斜率为1.720（r20： 7358），对严重DCS数据点的线性拟合斜率为1.228（规则2） 20： 7250）。 与无DCS点的线性拟合线具有EE1nt（8）EE1（9）LE1nt（九）中文（简体）EE1 Full（11）LE1 Full（14）斜率为1.352（r20： 7333）。所有三组数据点具有相似的分散量，因为所有数据点的r2值均约为0.73。使用EE1nt（8）–这些斜率来近似三项式到四项概率转移，Ptet;轻度-1： 720Ptri;轻度和Ptet;ser1： 228Ptri;ser。因此，四氢化萘-粤ICP备16018888号mial模型预测轻度/严重DCS的可能性更大，LE1nt（9）–轻度/严重DCS病例和一些无DCS病例的无DCS概率较低。粤ICP备16036666号-1EE1 Full（11）LE1 Full（14）表5--六点零四○–3.5. 累积密度函数累积密度函数（CDF）可用于直观地检查模型预测与经验数据之间的DCS症状发作时间一致性一个概率DCS模型，表现良好，基于额外自由度的数量，卡方分布值为0.95（p <0.05）和0.99（p <0.01）。Δ DOFp 0.05p 0.0113.8416.63525.9919.21037.81511.34549.48813.277511.07015.086612.59216.8123.4. 四项模型与三项模型图4绘制了三项式和四项分布模型之间预测的潜水暴露概率的变化。该三项式LE1nt模型中使用的模型参数可参见参考文献[10]。两种型号均使用DCS A/B型分流（见表1）。在图4中，三项和四项模型对导致轻度DCS的潜水暴露的轻度DCS的预测概率用灰色圆圈绘制，对严重DCS的预测概率用白色三角形绘制。三项式模型预测的无DCS概率和四项模型预测的无DCS和边际DCS的潜水暴露的概率，没有导致完全DCS绘制灰色方块。低于同一性线的轻度DCS和严重DCS数据点表明数据集将产生一个CDF，该CDF密切复制数据的CDF。在我们之前的工作中对BIG292数据集密度函数进行了深入分析[18]，重要的是要注意数据中报告的DCS症状发作时间可能受到医学监测方案的偏倚。轻度、严重和边缘DCS BIG 292数据的累积密度函数分别绘制在图5中，如黑色实曲线、灰色实曲线和灰色虚曲线。黑色虚线表示所有DCS类型的四项模型预测的累积密度函数四项模型的预测CDF表明，该模型在浮出水面之前最严重地过度预测了严重的DCS，然后过度预测了浮出水面后立即发生的所有严重程度的DCS。四项模型浮出水面后，边缘DCS数据CDF落后于轻度和严重DCS曲线，因为在研究的右删失时间（24或48小时），110例报告的无发作时间的边缘DCS病例中的42例被分配为T2，或潜水员首次出现症状的已知时间。由于这42例边缘病例的发病时间窗不精确，因此四项模型A.E.国王和L.E. 豪尔医学信息学解锁20（2020）1003718严重图二. DCS的四项LE1观测概率与DCS的预测概率这些概率通过线性拟合绘制（r21/40：80，r200：65，和r214 0：14）以及95%置信度和95%预测带。精氨酸轻度表6DCS发生率和BIG292数据集的四项模型预测EX posures观察到的DCSLE1 AB四项预测DCS轻度严重边际总轻度严重边际总单个空气EDU885A48327303019.772.2913.2435.3DC4W244714124.110.472.817.39SUBX875802020.140.020.100.26NMRNSW91415103.880.452.596.92PASA7241271.870.211.273.35NSM6HR5730253.100.362.055.51代表MultAirEDU885AR1821100118.420.985.6015DC4WR1230030.660.080.441.18PARA135613106.980.814.6212.41PAMLA23694122514.051.649.2524.94单次非空气NMR869747792182911.001.267.4819.74EDU885M8140042.170.251.483.9EDU1180S120910105.070.593.389.04Rep MultNonairEDU 18423911001110.171.186.7918.14PAMLAOD13451065.920.683.9810.58PAMLAOS14050384.280.492.897.66EDU885S9440042.600.301.774.67饱和阿萨泰杜120112274014.701.809.0525.55ASATNMR5010014.120.492.667.27ASATNSM132180213922.312.8013.1638.27浅尾165191133317.882.1611.2231.26总数332217020110300163.2�20.7819.31�3.566105.83�12.57288.34�24.5A.E.国王和L.E. 豪尔医学信息学解锁20（2020）1003719图三. 三项边际到四项概率转移。对于导致完全DCS的潜水，将严重和轻度DCS的四项预测概率之和与完全DCS的三项边际预测概率（灰色圆圈）作图。对于潜水暴露，导致边际DCS和没有DCS，四项模型预测的概率边际（白色菱形）和没有DCS（灰色正方形）分别与三项边际模型进行了比较。见图4。三项到四项概率转移。对于导致轻度或严重DCS的潜水，将四项模型预测的轻度或严重DCS概率与三项模型的概率进行对比。对于导致无DCS（包括边际DCS）的潜水，将四项模型的边际和无DCS的预测概率之和与三项模型的无DCS的预测概率进行比较模型3.6. 皮尔逊残差卡方值是根据以下公式从每种潜水类型的皮尔逊残差计算得出的：（14）和（15）对于参考文献[10]中的二项式和三项LE1nt模型， LE1模型 见参考文件[15]，在这项工作中提出的四项LE1模型可以是见表7。从表7中可以明显看出，图五. 四项累积密度函数。轻度DCS（黑色，实心曲线），严重DCS（实心，灰色曲线），和边缘DCS（虚线，灰色曲线）的情况下显示的BIG292潜水数据集。预测轻度，严重，和边际DCS 秋天对的相同曲线（黑色，虚线）。4. 讨论这里提出的四项模型是Howle等人发表的三项LE1nt模型的延续[10]以及King等人探索的三项边际LE1模型[15 ]第10段。所有的模型制定和分析都是根据这些工作进行的。在本节中，我们将比较这三种模型。在这项工作中，我们优化了六个四项模型变体：EE1，EE1nt，EE1Full，LE1，LE1nt和LE1 Full。对这些模型变体进行了I/II型和A/B型分裂测试，A/B型分裂模型的性能优于所有相应的I/II型分裂模型。对数似然差异检验用于确定LE1模型（第二个隔室中有压力交叉参数，第三个隔室中有压力阈值参数）与BIG 292数据集的最佳拟合。四项LE1模型预测轻度DCS病例的分布和发病优于严重和边缘DCS。在图2中，轻度DCS数据的线性拟合线最接近同一性线，在图5中，与严重和边缘DCS相比，预测的CDF最接近轻度DCS曲线。这些图还表明，该模型在预测数据集内边缘DCS病例的分布及其发作时间方面的准确度最低。这些图形结果在表7中得到验证，作为Pearson残差表7Pearson残差组统计量（χ2）和相应的p值，用于计算每个模型对DCS发生率的预测。高χ2值（以及相应的低p值）表明模型的预测与数据中观察到的DCS发生率不一致。0.807模型边缘LE1[15]四项LE10.199美元10 7.597页0.6689.246磅0.509¼0.00003136.612便士¼0.000066的多个d0fPearson残差完整DCSPearson轻度DCS残留Pearson严重DCS残留Pearson残差边缘DCS二项式7LE1nt