The Role of Reduced Fitness to Drive Due to Medical Impairments in Explaining Crashes Involving Older Drivers
Notice bibliographique
Résumé
Background. Medical conditions and associated impairments are known to be more prevalent with aging and can potentially impact the function and crash risk of older drivers. Objectives. To evaluate the impact of specific medical conditions and associated impairments on older driver crash risk. Methods. A search identified reports and peer-reviewed publications evaluating the risk for medical conditions and associated crash risk. Medical conditions associated with older persons were reviewed to determine the associated relative risk of crash. Results. The review identified three recent comprehensive reviews of medical conditions or chronic illnesses and crash risk: Dobbs (2005) Dobbs, B M. 2005. Medical Conditions and Driving: A Review of the Scientific Literature (1960–2000) Technical Report for the National Highway and Traffic Safety Administration and the Association for the Advancement of Automotive Medicine Project, Washington, DC [Google Scholar]; Vaa (2003) Vaa, T. 2003. Impairment, Diseases, Age and Their Relative Risks of Accident Involvement: Results from Meta-Analysis TØI Report 690 for the Institute of Transport Economics, Oslo, Norway [Google Scholar]; Charlton et al. (2004) Charlton, J, Koppel, S, O'Hare, M, Andrea, D, Smith, G, Khodr, B, Langford, J, Odell, M and Fildes, B. 2004. Influence of Chronic Illness on Crash Involvement of Motor Vehicle Drivers, Clayton, , Australia: Monash University Accident Research Centre. Report No. 213 [Google Scholar]. Comparison of the reviews reveals a relatively high agreement where medical conditions considered to be at slightly to moderately increased relative risk of crash include alcohol abuse and dependence, cardiovascular disease, cerebrovascular disease/TBI, depression, dementia, diabetes mellitus, epilepsy, use of certain medications, musculoskeletal disorders, schizophrenia, obstructive sleep apnea, and vision disorders. However, determining fitness to drive at the individual level based on diagnosis has significant limitations related to factors such as multiple medical conditions as well as varying severity of disease and associated functional impairments. Medical conditions that may affect driving can serve as “red flags” to assist health care professionals and driving administrators to identify drivers who may need further evaluation. Conclusions. Medical conditions overall, do impact the fitness to drive of older drivers; however, the crash risk tends to be only slightly to moderately increased. The conditions can serve as potential warnings for reduced fitness to drive, but many persons with these medical conditions would still be considered safe to continue driving.
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 | 0,005 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,003 | 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 ».