Motor Vehicle Crashes in Diabetic Patients with Tight Glycemic Control: A Population-based Case Control Analysis
Notice bibliographique
Résumé
BACKGROUND: Complications from diabetes mellitus can compromise a driver's ability to safely operate a motor vehicle, yet little is known about whether euglycemia predicts normal driving risks among adults with diabetes. We studied the association between glycosylated hemoglobin (HbA1c) and the risk of a motor vehicle crash using a population-based case control analysis. METHODS AND FINDINGS: We identified consecutive drivers reported to vehicle licensing authorities between January 1, 2005 to January 1, 2007 who had a diagnosis of diabetes mellitus and a HbA1c documented. The risk of a crash was calculated taking into account potential confounders including blood glucose monitoring, complications, and treatments. A total of 57 patients were involved in a crash and 738 were not involved in a crash. The mean HbA1c was lower for those in a crash than controls (7.4% versus 7.9%, unpaired t-test, p = 0.019), equal to a 26% increase in the relative risk of a crash for each 1% reduction in HbA1c (odds ratio = 1.26, 95% confidence interval 1.03-1.54). The trend was evident across the range of HbA1c values and persisted after adjustment for measured confounders (odds ratio = 1.25, 95% confidence interval 1.02-1.55). The two other significant risk factors for a crash were a history of severe hypoglycemia requiring outside assistance (odds ratio = 4.07, 95% confidence interval 2.35-7.04) and later age at diabetes diagnosis (odds ratio per decade = 1.29, 95% confidence interval 1.07-1.57). CONCLUSIONS: In this selected population, tighter glycemic control, as measured by the HbA1c, is associated with an increased risk of a motor vehicle crash.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».