A Systematic Review and Meta-Analysis of On-Road Simulator and Cognitive Driving Assessment in Alzheimer’s Disease and Mild Cognitive Impairment
Notice bibliographique
Résumé
BACKGROUND: Many individuals with Alzheimer's disease (AD) and mild cognitive impairment (MCI) are at an increased risk of driving impairment. There is a need for tools with sufficient validity to help clinicians assess driving ability. OBJECTIVE: Provide a systematic review and meta-analysis of the primary driving assessment methods (on-road, cognitive, driving simulation assessments) in patients with MCI and AD. METHODS: We investigated (1) the predictive utility of cognitive tests and domains, and (2) the areas and degree of driving impairment in patients with MCI and AD. Effect sizes were derived and analyzed in a random effects model. RESULTS: Thirty-two articles (including 1,293 AD patients, 92 MCI patients, 2,040 healthy older controls) met inclusion criteria. Driving outcomes included: On-road test scores, pass/fail classifications, errors; caregiver reports; real world crash involvement; and driving simulator collisions/risky behavior. Executive function (ES [95% CI]; 0.61 [0.41, 0.81]), attention (0.55 [0.33, 0.77]), visuospatial function (0.50 [0.34, 0.65]), and global cognition (0.61 [0.39, 0.83]) emerged as significant predictors of driving performance. Trail Making Test Part B (TMT-B, 0.61 [0.28, 0.94]), TMT-A (0.65 [0.08, 1.21]), and Maze test (0.88 [0.60, 1.15]) emerged as the best single predictors of driving performance. Patients with very mild AD (CDR = 0.5) mild AD (CDR = 1) were more likely to fail an on-road test than healthy control drivers (CDR = 0), with failure rates of 13.6%, 33.3% and 1.6%, respectively. CONCLUSION: The driving ability of patients with MCI and AD appears to be related to degree of cognitive impairment. Across studies, there are inconsistent cognitive predictors and reported driving outcomes in MCI and AD patients. Future large-scale studies should investigate the driving performance and associated neural networks of subgroups of AD (very mild, mild, moderate) and MCI (amnestic, non-amnestic, single-domain, multiple-domain).
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 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,018 | 0,028 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».