Sleep disorders as a cause of motor vehicle collisions.
Notice bibliographique
Résumé
Studies have shown that a large proportion of traffic accidents around the world are related to inadequate or disordered sleep. Recent surveys have linked driver fatigue to 16% to 20% of serious highway accidents in the UK, Australia, and Brazil. Fatigue as a result of sleep disorders (especially obstructive sleep apnea), excessive workload and lack of physical and mental rest, have been shown to be major contributing factors in motor vehicle accidents. A number of behavioral, physiological, and psychometric tests are being used increasingly to evaluate the impact of fatigue on driver performance. These include the oculography, polysomnography, actigraphy, the maintenance of wakefulness test, and others. Various strategies have been proposed for preventing or reducing the impact of fatigue on motor vehicle accidents. These have included: Educational programs emphasizing the importance of restorative sleep and the need for drivers to recognize the presence of fatigue symptoms, and to determine when to stop to sleep; The use of exercise to increase alertness and to promote restorative sleep; The use of substances or drugs to promote sleep or alertness (i.e. caffeine, modafinil, melatonin and others), as well as specific sleep disorders treatment; The use of CPAP therapy for reducing excessive sleepiness among drivers who have been diagnosed with obstructive sleep apnea. The evidence cited in this review justifies the call for all efforts to be undertaken that may increase awareness of inadequate sleep as a cause of traffic accidents. It is strongly recommended that, for the purpose of promoting highway safety and saving lives, all disorders that cause excessive sleepiness should be investigated and monitored.
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) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».