ARE ROAD TRAFFIC ACCIDENTS PREVENTABLE AMONG SLEEP APNOEA PATIENTS?
Notice bibliographique
Résumé
Background Drowsiness and lack of concentration among obstructive sleep apnoea (OSA) patients may strongly contribute to road traffic accidents (RTAs). Aims/Objectives/Purpose A meta-analysis was conducted in order to estimate whether RTAs can be prevented after treatment with continuous positive airway pressure (nCPAP) among (OSA) patients. Methods Real accidents, near miss accidents and accident-related events in the driving simulator were used as the primary outcomes after nCPAP treatment. Pooled ORs, incidence rate ratios (IRRs), standardised mean differences (SMDs), risk differences (RDs) and numbers needed to treat (NNTs) were appropriately calculated. Results/Outcome Concerning real accidents (10 studies, 1221 patients), a statistically significant reduction in RTAs was recorded (OR=0.21, 95% CI 0.12 to 0.35, random effects model; IRR=0.45, 95% CI 0.34 to 0.59, fixed effects model). A stronger reduction on near miss accidents (5 studies, 769 patients; OR=0.09, 95% CI 0.04 to 0.21, random effects model; IRR=0.23, 95% CI 0.08 to 0.67, random effects model) was also observed. With respect to the preventable fraction of RTAs, it was estimated that five (NNT=5, 95% CI 3 to 8) and two (NNT=2, 95% CI 1 to 4) OSA patients should be treated with nCPAP to prevent one patient reporting real and near miss road traffic accidents, respectively. Significance/Contribution to the Field It seems that nCPAP treatment may offer a sizeable protective effect upon RTAs prevention. The clinical role of health professionals in accident prevention should include identification of accident risks or medical conditions conferring risk (OSA), treatment of accident-causing conditions (nCPAP treatment) and reinforcement of advocacy and policy making towards promoting accident prevention education and training (OSA patients).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».