Validity of the Cognitive Behavioral Driver’s Inventory in Predicting Driving Outcome
Notice bibliographique
Résumé
OBJECTIVE: This study seeks to (a) compare Cognitive Behavioral Driver's Inventory (CBDI) scores for clients who passed and failed a driving evaluation and for diagnostic groups (left cerebrovascular accident [CVA], right CVA, traumatic brain injury [TBI], and cognitive decline); (b) determine sensitivity, specificity, and positive and negative predictive values of the CBDI; (c) compare validity of the CBDI with other tools; and (d) identify factors associated with outcome. PARTICIPANTS: This historical cohort study included clients with neurological conditions who completed a driving evaluation. MEASURES: CBDI, Motor-Free Visual Perception Test (MVPT), Bells test, and driving results were extracted from the charts. RESULTS: Mean CBDI (p < 0.0001) and MVPT (p < 0.0001) scores were significantly worse for those failing compared to passing the driving evaluation. Sensitivity of the CBDI was 62%, specificity was 81%, positive predictive values were 73%, and negative predictive values were 71%. Results varied according to diagnostic group. CONCLUSIONS: The CBDI is not sufficiently predictive of outcome to replace a driving evaluation, and is predictive only for clients with R-CVA and TBI. Evaluation of driving should vary according to diagnosis.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».