P3‐281: A systematic literature review of the trail‐making test and its effectiveness in identifying cognitively impaired drivers
Notice bibliographique
Résumé
The medical community is well-placed to identify cognitively impaired drivers who may no longer be safe to drive. However, the validity of commonly used screening tools for identification of cognitive impairment for decisions about driving is not well established. The primary objective of this research was to examine the accuracy of the Trail Making Test (Parts A and B) [TMT] for determination of driving competency. From an initial sample of 4,441 studies, 30 articles met the inclusionary/exclusionary criteria and were included in the systematic review (see Figure 1). The results from the 30 empirical studies yielded 46 unique data points, with 16 of those data points related to TMT-A (time or errors), 26 to TMT-B (time or errors), and 4 to TMT-B minus TMT-A (time). The majority (n = 36) of data points had on-road evaluation as the outcome measure, with 10 data points having crashes (n = 5) or simulator results (n = 5) as the outcome measure. The vast majority of studies relied on correlational analyses, with only 4 studies using cutpoints. Only one of the 4 studies using cutpoints examined sensitivity and specificity, with a reported sensitivity of 45% and a specificity of 86%. The results from the 30 empirical studies reveal that TMT-A and -B scores are associated with driving outcomes. However, knowledge of that association provides little in the way of information for decision making on driving competency in the clinical setting. Without the aid of empirically determined cut points, the use of the TMT for decision making on medical fitness to drive is questionable.
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 | 0,015 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,010 |
| Bibliométrie | 0,021 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 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 ».