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 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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».