Un po’ meno immediato risulta invece capire cosa rappresentano i compartimenti nei due diversi modelli. Ciascuno dei compartimenti nel modello di Haldane rappresenta quei tessuti che possono originare patologie da decompressione (i compartimenti sono rossi proprio per indicare pericolo). I tessuti che non sono soggetti a patologie da decompressione non hanno assolutamente alcun ruolo nel modello semplice di Haldane. Sebbene nel calcolo del rischio di decompressione all’interno del modello di Haldane rientrino i rischi derivanti da tutti e tre i compartimenti, nella realt\u00e0 il livello di rischio presente in una data immersione deriva maggiormente da un compartimento soltanto (il ‘compartimento di controllo’) mentre gli altri compartimenti giocano un ruolo decisamente minore. <\/p>\n
Dall’altra parte, nel modello ICM di Saul, \u00e8 solo il compartimento centrale, quello ‘portatore di rischio’ (in rosso) a rappresentare i tessuti che rischiano ferite dovute alla decompressione. Gli altri compartimenti (in verde) rappresentano tessuti non attivi (ad esempio, tessuti adiposi) che non corrono rischi derivanti dalla decompressione. Anzi, il loro ruolo all’interno del modello \u00e8 quello di contenitori, bacini per il gas in eccesso. In un primo momento, durante il processo di decompressione, questi tessuti funzionano in modo simile ad un contenitore troppo pieno, che trabocca: la quantit\u00e0 di gas che pu\u00f2 essere assorbita aumenta senza causare alcun danno. Ma con il proseguire dell’immersione i gas continuano ad essere assorbiti, ed \u00e8 qui che si deve, purtroppo, scontare tutto. Una volta terminata l’immersione, si inizia a risalire verso la superficie. Il gas in eccesso, per\u00f2, non \u00e8 ancora scomparso. <\/p>\n
Nell’atto della decompressione, il compartimento ‘portatore di rischio’ si trova a dover eliminare, oltre al gas che contiene al proprio interno, anche il gas in esubero proveniente dagli altri compartimenti. (Questo sottolinea ancora una volta l’importanza di un’emersione lenta, con frequenti fermate di sicurezza). Ovviamente, nel caso di immersioni a basso rischio, la quantit\u00e0 di gas che viene assorbita durante la compressione \u00e8 relativamente contenuta, e perci\u00f2 le concentrazioni di gas nel compartimento ‘portatore di rischio’ e negli altri compartimenti risultano basse. Una bassa concentrazione di gas nei ‘contenitori’ ha come conseguenza un lento riflusso dei gas dagli altri contenitori al momento della decompressione. <\/p>\n
Dal momento che il compartimento ‘portatore di rischio’ si star\u00e0 liberando della propria concentrazione di gas, che \u00e8 relativamente contenuta, il rischio di patologie da decompressione sar\u00e0 basso. Se si pensa al funzionamento in toto del corpo umano, quanto detto sopra risulta facilmente intuibile, anche se in questo caso l’intuizione \u00e8 di utilit\u00e0 limitata. Ci\u00f2 che va davvero verificato \u00e8 la qualit\u00e0 del funzionamento del modello stesso, e appare sempre pi\u00f9 chiaro come questo modello sappia predire la probabilit\u00e0 di patologie da decompressione con una precisione di gran lunga superiore agli altri modelli esistenti.<\/p>\n
Questo cosa vuol dire esattamente? Come \u00e8 ovvio, un modello non pu\u00f2 prevedere il futuro. Ecco come funziona il paragone: nella realt\u00e0, i modelli vengono rappresentati da un insieme di equazioni. Un’equazione non \u00e8 altro che una sequenza di operazioni matematiche effettuate su numeri, che possono essere utilizzati in qualit\u00e0 di variabili o di costanti. Nei modelli relativi alle immersioni subacquee, e variabili sono di solito il tempo, la profondit\u00e0 e se l’immersione ha causato una patologia, ovvero quegli elementi che variano a seconda del contesto dato. Le costanti invece sono quei numeri che formano la struttura dell’equazione stessa, numeri che rimangono costanti qualunque siano i dati immessi. <\/p>\n
Prima di poter utilizzare un modello – che inizialmente non \u00e8 altro che una struttura teorica – bisogna adattarlo al set di dati che si spera di ottenere come previsione. Questo processo \u00e8 detto ‘calibrazione’. Durante il processo di calibrazione di un modello su un set di dati, le cose possono apparire un po’ strane: le variabili rimangono in realt\u00e0 costanti (perch\u00e9 i dati immessi sono fissi, non cambiano) mentre le costanti variano (perch\u00e9 verranno provati valori di costante diversi per poter stabilire quale valore si avvicina maggiormente ai dati in possesso). Una volta determinati i valori pi\u00f9 adatti per le costanti, il modello pu\u00f2 essere trasformato in un algoritmo funzionante.<\/p>\n
Uno dei metodi pi\u00f9 elementari per predire il potenziale di un modello \u00e8 quello di analizzare il modo in cui questo si adatta ai dati che vengono utilizzati per calibrarlo. Ma, da un certo un punto di vista, una misurazione del genere \u00e8 la meno importante, anche perch\u00e9 ricorda un po’ l’idea di ‘predire il passato’. Se si conoscono gi\u00e0 i risultati ottenuti, si tender\u00e0 a costruire il modello in modo tale che esso si adatti proprio a questi risultati. Non \u00e8 del tutto inutile: se il modello non riesce a superare questa misurazione, esso non \u00e8 valido, ma si tratta comunque di un punto di partenza e niente pi\u00f9. Il passo successivo consiste nel vedere come il modello se la cava con un set di dati diverso, ma comunque simile a quello usato nella calibrazione. Adesso non si tratta pi\u00f9 di ‘predire il passato’. Se si riesce a superare questo test, vuol dire che la teoria ha un certo livello, seppur in un raggio limitato, di coerenza. La maggior parte dei modelli che superano la prima misurazione solitamente superano anche questa.<\/p>\n
Per poter misurare la validit\u00e0 vera e propria di un modello, per\u00f2, bisogna vedere come questo se la cava quando si tratta di predire il rischio su una serie di profili che sono ben al di fuori dei livelli di rischio rappresentati dai profili di calibrazione.<\/p>\n
Perci\u00f2, come se la cavano quei modelli che sono calibrati su dati di immersioni a rischio moderato, quando questi vengono applicati a immersioni che presentano rischi di patologie da decompressione significativamente pi\u00f9 elevati? Analizziamo un caso limite. I ricercatori della Marina statunitense hanno esaminato i tassi di patologie da decompressione derivanti da immersioni in saturazione, in una situazione ad alto rischio. Il loro scopo era quello di determinare i rischi implicati in emersioni dirette da un sottomarino disabilitato. Dal momento che il livello di rischio era molto elevato, sono stati usati animali come ratti e maiali, calcolando poi come i risultati sugli animali possono adattarsi all’uomo. I punti mostrano il livello di patologie da decompressione che ci si aspetta per ciascuno dei tre profili: si \u00e8 trattato in tutti i casi di emersioni dirette da saturazione in aria a 33, 40 e 50 piedi (fsw). <\/p>\n
Esaminiamo come i vari modelli, ciascuno calibrato su dati di rischio minore, sono riusciti a predire i risultati riscontrati nell’esperimento. Il grafico mostra delle discordanze non indifferenti. I modelli confrontati sono i seguenti: un comune modello di Haldan; il modello LE1, ICM di Saul; e il modello ICBM di Saul (una versione a bolle del modello ICM). LE1 aggiunge l’effetto delle bolle a quello che altrimenti sarebbe un semplice modello di Haldan. Analizzando il grafico, si nota che i modeli ICM e ICBM sono coerenti con i risultati effettivi (che aumentano velocemente con l’aumentare della profondit\u00e0 di saturazione), mentre entrambi i modelli di Haldan (sia quello a le bolle che quello non a bolle) mantengono traiettorie quasi lineari, che sottovalutano i rischi a profondit\u00e0 maggiori. L’aggiunta delle bolle ai modelli a compartimenti interconnessi e a compartimenti indipendenti crea un cambiamento soltanto di poco conto nelle previsioni ottenute, mentre l’effetto derivante dal passaggio dai compartimenti indipendenti a quelli interconnessi \u00e8 considerevole.<\/p>\n
E se comparassimo i modelli seguendo un’altra direzione, quella opposta, a rischio bassissimo, pi\u00f9 caratteristica delle immersioni amatoriali? Esaminando il tasso di incidenza su circa 10.000 profili subacquei (dai dati del Project Dive Exploration [PDE] di DAN), si nota come i modelli interconnessi si avvicinino di pi\u00f9 ai dati reali di incidenza. In tutte queste immersioni, sono stati riscontrati soltanto 10 casi di patologie da decompressione. Applicando un po’ di statistica di base, possiamo affermare che un modello in grado di predire tra le 5 e le 18 ricorrenze \u00e8 un buon modello. Il modello LE1 prevede 51 ricorrenze; un modello di Haldan semplice ne prevede 126, il modello ICM ne prevede 10 ed il modello ICBM ne prevede, invece, 11. Ancora una volta possiamo vedere come i modelli interconnessi funzionano meglio degli altri. Perci\u00f2 possiamo concludere che questi sono pi\u00f9 accurati sia nelle immersioni ad altissimo rischio, sia in quelle a bassissimo rischio.<\/p>\n
Se si guardano soltanto i risultati delle immersioni a basso rischio, verrebbe da sbadigliare e chiedersi perch\u00e9 darvi tanta importanza. I modelli esistenti predicono un numero troppo elevato di ricorrenze – e quindi? Non vorr\u00e0 forse significare che sono pi\u00f9 conservatori dei modelli interconnessi? E, dal momento che parliamo di sicurezza, non \u00e8 una cosa buona? Le risposte alle ultime due domande sono, rispettivamente, “No” e “dipende”.<\/p>\n
Torniamo al confronto tra le situazioni ad altissimo rischio, di cui ci siamo occupati in precedenza. I modelli esistenti, in questo caso, hanno largamente sottovalutato il rischio. Questo vuol dire che questi modelli non sono uno strumento sicuro per un utilizzo in situazioni ad alto rischio. Non che sia un grande problema, perch\u00e9 voi non vi avventurereste comunque in immersioni aventi un tale livello di rischio. La cosa preoccupante, per\u00f2, \u00e8 che le previsioni di questi modelli si sono basate uno schema errato. Se questa \u00e8 la situazione, allora bisogna ritenere probabile che le previsioni di questi modelli possano sottovalutare largamente il rischio anche in situazioni meno pericolose, che voi potreste considerare per la vostra immersione. <\/p>\n
Un modello pi\u00f9 prudente (il che, come abbiamo visto, non descrive i modelli attuali) \u00e8 un modello migliore? Potrebbe esserlo, s\u00ec, a patto che sia accurato. Il livello di rischio al quale un sommozzatore \u00e8 pronto a sottoporsi \u00e8 sempre una scelta personale. Ma in assenza di informazioni precise, non si \u00e8 in grado di valutare qual \u00e8 il vero livello di rischio. Che si desideri l’opzione pi\u00f9 sicura o che si voglia affrontare un rischio leggermente maggiore, la chiave per ottenere ci\u00f2 che si vuole sta nella precisione. I modelli di Saul, come abbiamo visto, sono in grado di offrire una precisione molto maggiore (si tenga presente che questo articolo presenta soltanto una breve panoramica dei modelli e degli studi effettuati su di essi. Per informazioni pi\u00f9 complete, e per scaricare gli articoli pi\u00f9 recenti pubblicati su riviste specializzate, si consiglia di consultare il sito internet dell’autore).<\/p>\n
Io credo che i modelli di Saul cominceranno a comparire nel mondo dei computer subacquei gi\u00e0 nel futuro prossimo, e che presto diventeranno lo standard per il settore subacqueo. Fino a quel momento, la migliore strategia rimane quella di effettuare immersioni utilizzando il computer subacqueo che si possiede, ma tenendo conto dei suoi limiti. Se il computer mostra dati che sembrano contraddire ci\u00f2 che ci si ricorda da tabelle o lezioni di subacquea, \u00e8 sempre opportuno scegliere l’opzione pi\u00f9 sicura. E, soprattutto, mai trascurare le soste di sicurezza.<\/p>\n