On-road assessment of fitness-to-drive in persons with MS with cognitive impairment: A prospective study
Notice bibliographique
Résumé
BACKGROUND: Cognitive impairment is common in multiple sclerosis (MS). In other populations, cognitive impairment is known to affect fitness-to-drive. Few studies have focused on fitness-to-drive in MS and no studies have solely focused on the influence of cognitive impairment. OBJECTIVE: To assess fitness-to-drive in persons with MS with cognitive impairment and low physical disability. METHODS: Persons with MS, aged 18-59 years with EDSS ⩽ 4.0, impaired processing speed, and impairment on at least one measure of memory or executive function, were recruited. Cognition was assessed using the Minimal Assessment of Cognitive Function battery. A formal on-road driving assessment was conducted. Chi-square analysis examined the association between the fitness-to-drive (pass/fail) and the neuropsychological test results (normal/impaired). Bayesian statistics predicting failure of the on-road assessment were calculated. RESULTS: ( df = 1, N = 36) = 3.956; p = 0.047) with a sensitivity of 100%, but low specificity (35.7%) due to false positives (18/25). CONCLUSION: In persons with MS and impaired processing speed, impairment on the BVMTR-IR should lead clinicians to address fitness-to-drive.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 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 ».